开源项目｜Agent Presence：开源实时语音框架 Qwen-Audio-Agent 来了
从《Her》里的温柔陪伴，到《普罗米修斯》里冷静执行任务的 David，再到《钢铁侠》里能理解上下文、调度系统、辅助决策的贾维斯，科幻作品一直在想象同一个问题： 真正自然的人机协作，应该是什么样子？ 它不应该只是聊天框里的命令输入，也不应该…
60 0 0
声浪
缓解 TTS 的重复与漏读：用注意力引导消除语音合成中的稳定性幻觉
近年来，基于大语言模型的语音合成技术快速发展。在普通文本上，模型已经能够稳定生成自然度很高、音色也足够相似的语音。然而，一旦遇到复杂生僻词、排比句或连续重复结构，重复、漏读甚至无限循环等稳定性幻觉仍然可能出现。 这背后有一个基础问题： 语音…
87 0 0
语音对话里的轮次判断：从级联到统一
本文来源：听见未来Tech 全双工（full-duplex）语音交互要求系统在用户说话的同时并行完成识别、理解与响应决策，其核心难点在于判断当前话轮是否结束——决定何时接话、何时继续等待。传统 VAD（Voice Activity Dete…
106 0 0
![语音与音频学术速递[7.29]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-07-30/2082663514547294208.png)
当机器人开始全面认真倾听：音频具身智能综述来了
本文来源：SV4GoodAIlab 论文题目：Audio Embodied Intelligence: Auditory Perception, Reasoning, and Interaction for Multimodal Agent…
71 1 0
ChinaVoices Challenge 中文多方言语音识别挑战赛结果正式揭晓
从赛事启动、数据发布，到公开评测、隐藏评测与系统复核，ChinaVoices Challenge 2026 中文多方言语音识别挑战赛现已圆满完成各项赛程。经过组委会对参赛结果、系统材料与合规情况的综合核验，赛事最终结果于近日正式发布！ 本届…
71 0 0
![语音与音频学术速递[7.28]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-07-28/2082022591484268544.png)
9.36M 参数做出顶级 TTS：Inflect v2，人声盲听66%胜率
以下文章来源：努力犯错玩AI 近日，独立开发者 Owen Song 发布了 Inflect v2。这是一个极致轻量的英文语音合成模型。Micro 版只有 9.36M 参数，FP32 权重只有 37.5MB。Nano 版更是只有 3.97M…
90 0 0
εar-VAE：回归听觉感知的高保真音乐重建
良好的音频生成范式大概的确需要 latent。待压缩的音频无论取 patch 还是 STFT，从无到有的新 dim，本质上都承担着时域压缩的功能；但音频在不同时间尺度下有无法归纳的 semantic 周期，在频域做 polar 或原始 co…
63 0 0
![语音与音频学术速递[7.27]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-07-27/2081623683297841152.png)