声浪

语音小管家

转载a year ago

多说话人对话识别是语音处理领域中最具挑战性的问题之一，尤其准确识别重叠语音区域极具挑战。多说话人语音重叠不仅涉及语音片段的重叠，还涉及说话人表征的重叠。有效应对这些挑战对于说话人分离、语音识别以及多说话人对话系统等应用至关重要 。重叠语音检…

语音小管家

原创a year ago

近期，浙江大学联合阿里巴巴通义实验室发表了一篇题为“WavReward: Spoken Dialogue Models With Generalist Reward Evaluators”的论文。该论文提出了一种基于音频理解大模型Qwen2…

语音小管家

转载a year ago

分享上海交通大学 X-LANCE 跨媒体语言智能实验室6篇被interspeech2025录用论文。 01、LSCodec: Low-Bitrate and Speaker-Decoupled Discrete Speech Codec

语音小管家

转载a year ago

来源丨新智元 智源统一图像生成模型OmniGen2发布后，立刻在AI图像生成领域掀起巨响，多模态技术生态进一步打通。才一周，GitHub星标就已经破了2000，X上的话题浏览数直接破数十万。 刚刚，统一图像生成模型OmniGen2携重大升级…

语音小管家

转载a year ago

低资源语音识别（ASR）长期面临两大核心挑战：高质量标注数据稀缺与高昂的计算需求，这在泰语等特定语言中尤为突出。现有解决方案往往受限于大规模、精确标注语料的获取难度，以及大模型（LLM）固有的计算负担。近期，西北工业大学音频语音与语言处理研…

语音小管家

转载a year ago

本文由清华大学与香港中文大学、腾讯AI Lab合作，提出了基于大语言模型（LLM）的通用目标音频分离方法：UniSep，实现了对任意混合音频的目标分离。与以往只针对单一领域或单一源的分离工作不同，UniSep支持任意类型音频的目标分离。通过…

语音小管家

转载a year ago

来源丨AI音频时代 SkyReels-Audio 是 Skywork AI 团队开发的一款创新框架，能够将静态图像或视频与语音输入相结合，生成高度逼真且唇形同步的说话人像视频。 该框架基于预训练的视频扩散变换器构建，支持无限长度的视频生成和…