阶跃发布 StepAudio 2.5 TTS，零样本复刻+全音色调控
今天，阶跃发布新一代语音生成模型StepAudio 2.5 TTS！ 围绕全局语境控制、文中语境控制、零样本复刻与全音色控制三项核心能力， StepAudio 2.5 TTS 让语音生成更自然、更灵活也更有表现力。 全局语境控制：支持自定义…
38 0 0
声浪
腾讯最新世界模型开源！一句话造出3D世界，兼容游戏引擎
来源丨智东西，作者：江宇，编辑：漠影 腾讯正式发布并开源混元3D世界模型2.0（HY-World 2.0）。作为一款多模态的世界模型，HY-World 2.0支持文字、图片和视频等形式输入，可自动生成、重建并模拟完整的3D世界。 对于游戏行…
31 0 0
NVIDIA 开源 Audio Flamingo Next：百万小时音频训练、时间戳 CoT 推理，长音频理解超越 Gemini 2.5 Pro
标题：《Audio Flamingo Next: Next-Generation Open Audio-Language Models for Speech, Sound, and Music》 链接：https://arxiv.org/a…
37 0 0
ICME 2026 | AudioMoG: 基于嵌套引导机制的高效音频生成方法
文生音频（Text-to-audiogeneration, T2A）与视频配音（Video-to-audiogeneration, V2A）等音频生成任务近年来随着扩散模型的发展取得了显著进展。现有研究从数据空间、网络结构以及条件控制等多个…
28 0 0
语音大模型为什么“听懂了”却还是答不对？
以下文章来源于Amphion，作者Amphion Team 「现存问题」 这几年，端到端 Speech LLM 进步很快： 语音输入可以直接问答 不再必须“ASR转文字 → 再丢给LLM” 看起来离“直接听懂并推理”已经很近了 但一个很顽固…
51 1 0
![语音/音频处理学术速递[4.15]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-04-15/2044304541360459776.png)
YingMusic-Singer-Plus：同一段旋律，歌词随便换：改写、翻译，AI全都能重唱
你有没有想过，一首歌能不能任意改词，旋律保持不变？ 想象一下这样的场景：你特别喜欢一首歌的旋律，但歌词想换成自己写的；或者你想把一首中文歌"翻唱"成英文版，旋律保持不变，歌词却是全新的英文内容。以前要做到这件事，要么得先提取MIDI，手动对…
20 0 0
显卡也能实时语音克隆！MOSS-TTS-Nano：0.1B 参数，支持流式和多语言
来源丨RTE开发者社区 近日，MOSI.AI 和 OpenMOSS 团队 开源了MOSS-TTS-Nano，一个0.1B参数 的多语言微型语音生成模型，直接把“实时语音克隆”门槛打到了地板价。 MOSS-TTS-Nano 专注于 TTS 部…
34 0 0
![语音/音频处理学术速递[4.14]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-04-15/2044304172945379328.png)
MeanAudio：单步生成！100 倍加速！首个 MeanFlow 文本转音频模型重磅开源
论文链接: https://arxiv.org/pdf/2508.06098v2 代码链接: https://github.com/xiquan-li/MeanAudio 发表会议: ACL 2026 近年来，文本转音频生成（TTA）技术取…
44 0 0