IEEE T-ASLP | 面向资源受限场景的高效说话人深度表征学习训练框架
随着深度学习技术在语音领域的广泛应用，说话人验证（Speaker Verification, SV）系统正朝着更深、更大的神经网络架构演进。以 ResNet101、DF-ResNet 等为代表的深度嵌入提取器显著提升了系统性能，但其高昂的…
20 0 0
声浪
![语音/音频处理学术速递[1.5]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-01-05/2008097956795912192.jpg)
十万级热词也能稳住：面向工业落地的 LLM-ASR 上下文偏置方案
基于热词检索与强化学习的 LLM-ASR 上下文偏置新框架。 论文：Contextual Biasing for LLM-based ASR with Hotword Retrieval and Reinforcement Learning…
49 0 0
MIT发现让AI变聪明的秘密，竟然和人类一模一样
来源丨新智元 你有没有发现，你让AI读一篇长文章，结果它读着读着就忘了前面的内容？ 你让它处理一份超长的文档，结果它给出来的答案，牛头不对马嘴？ 这个现象，学术界有个专门的名词，叫做上下文腐化。 这也是目前AI的通病：大模型的记忆力太差了，…
21 0 0
重塑语音安全！上海交大联合宇生月伴，研发高性能高泛化语音鉴伪大模型
在生成式 AI 技术日新月异的背景下，合成语音的逼真度已达到真假难辨的水平，随之而来的语音欺诈与信息伪造风险也愈演愈烈。作为应对手段，语音鉴伪技术已成为信息安全领域的研究重心。 然而，当前的语音鉴伪模型正面临严峻的「泛化性挑战」：许多在特定…
26 0 0
微信炼出扩散语言模型，实现vLLM部署AR模型3倍加速，低熵场景超10倍
来源丨机器之心 讯微信 AI 团队提出 WeDLM（WeChat Diffusion Language Model），通过在标准因果注意力下实现扩散式解码，在数学推理等任务上实现相比 vLLM 部署的 AR 模型 3 倍以上加速，低熵场景更…
28 0 0
IEEE TASLP | C²SER：利用上下文感知与思维链实现鲁棒语音情感识别
语音情感识别（Speech Emotion Recognition, SER）旨在从语音信号中自动识别说话人的情感状态，是实现自然人机交互和情感计算的关键技术。随着大型音频语言模型（Audio Language Models, ALMs）的…
30 0 0
属于语音合成（TTS）的年终总结
写在前面 回复整个2025年的TTS发展，可以看到一个非常明显的趋势就是：大模型正在重新构建语音合成的范式。遥想2023年年初，我还在思考如何基于fastspeech的框架来打磨各个module的细节来提升表现力，训练数据最多也就在数百小时…
31 0 0
7B扩散语言模型单样例1000+ tokens/s！上交大联合华为推出LoPA
在大语言模型（LLMs）领域，扩散大语言模型（dLLMs）因其并行预测特性，理论上具备超越传统自回归（AR）模型的推理速度潜力。然而在实践中，受限于现有的解码策略，dLLMs 的单步生成往往局限于 1-3 个 Token，难以真正释放其并行…
21 0 0
港大联合字节跳动提出JoVA: 一种基于联合自注意力的视频-音频联合生成模型
近日，来自香港大学和字节跳动的研究团队提出了一种简单有效的框架 ——JoVA，它支持视频和音频的 Token 在一个 Transformer 的注意力模块中直接进行跨模态交互。为了解决人物说话时的 “口型 - 语音同步” 问题，JoVA 引…
21 0 0