![语音/音频处理学术速递[12.16]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-17/1868852263490031616.jpg)
声浪
Freestyler ：伴奏同步的说唱合成模型
最近，西工大音频语音与语言处理研究组（ASLP@NPU）与微软、CUHK-Shenzhen提出首个说唱生成模型Freestyler，以歌词和伴奏输入，生成与伴奏风格节奏匹配的说唱；同时开源了首个说唱数据集RapBank。现对该论文进行简要的…
24 0 0
李飞飞：World Labs这样实现「空间智能」
来源丨机器之心 遵循世界的 3D 特性，很多事就会变得自然而然。 说到斯坦福大学教授李飞飞（Fei-Fei Li），她提倡的「空间智能」最近正在引领 AI 发展方向。 李飞飞已经在人工智能历史上赢得了一席之地，她多年来一直致力于创建 Ima…
33 0 0
![语音/音频处理学术速递[12.13]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-17/1868852085479575552.jpg)
市场规模超 60 亿美元，语音如何改变对话式 AI？
本篇报告的作者 Lightspeed 投资了 Character.ai（AI 角色对话）、Cartesia（语音 AI 模型）、Volley（语音 AI 游戏） 、Yellow.ai（语音AI 客服）等语音 AI 公司。不同于此前分享的BV…
24 0 0
GPT-4o再暴露「弱智」缺陷，大模型无一幸免！港中文等发布「视觉听觉」基准AV-Odyssey：26个任务直指死角问题
来源丨新智元 多模态大模型在听觉上，居然也出现了「9.11>9.8」的现象，音量大小这种简单问题都识别不了！港中文、斯坦福等大学联合发布的AV-Odyssey基准测试，包含26个视听任务，覆盖了7种声音属性，跨越了10个不同领域，确保测试的…
20 0 0
![语音/音频处理学术速递[12.12]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-17/1868851907397816320.jpg)
IEEE TASLP | SQ-Whisper：基于说话人查询的 Whisper 模型在目标说话人语音识别上的应用
近年来，大模型因其在各类深度学习任务中的卓越表现，受到了研究者们的广泛关注。以语音领域为例，通过在大规模、多样化的语音数据上进行预训练，利用数亿甚至数十亿级别的参数进行学习，语音大模型能够在诸如自动语音识别（Automatic Speech…
33 0 0
隔墙有耳：非视距声学成像算法介绍
非视距（Non-Line-of-Sight，NLOS）成像在机器人与机器视觉、遥感、自动驾驶导航以及医学成像等众多应用中展现了前所未有的潜力。为解决这一具有挑战性的问题，许多方法采用了光学飞行时间成像系统，结合高灵敏度时间分辨光电探测器和超…
21 0 0
![语音/音频处理学术速递[12.11]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-12/1867046354543579136.jpg)