声浪

语音小管家

转载4 months ago

来源丨魔搭社区 通义万相开源 Wan-Dancer，一款音乐驱动的人像舞蹈视频生成模型。输入一张人物照片和一段音乐，即可自动生成节奏精准、动作流畅、风格鲜明的高质量舞蹈视频。首次突破分钟级时序瓶颈，支持15秒到3分钟的超长连贯输出，覆盖中国…

语音小管家

转载4 months ago

近年来，音频语言模型（Audio Language Model, ALMs）推动语音理解从传统单任务系统走向统一的音频到文本生成范式。在这一框架下，说话人验证、语音识别、说话人识别与时间戳标注等任务都可以被重新组织为可交互、可解释的生成式任…

语音小管家

转载4 months ago

本期分享国防科技大学与湖南师范大学近期发表在IEEE Transactions on Neural Networks and Learning Systems的一篇语音人脸多模态学习的综述文章。 【论文标题】A Survey on Huma…

语音小管家

转载4 months ago

以下文章来源于433的3号同学，作者贾彦 一、结论先行 过去四年，音频智能的核心范式发生了五次迁移： 先形成可复用的两类听觉前端。Whisper 提供稳健的语音语义表征，解决“说了什么”；CLAP 提供通用声音—文本对齐，解决“这是什么声音…

语音小管家

转载4 months ago

以下文章来源于AI语音AI思考 今天 OpenAI 发布了 GPT-Live，展示了令人惊艳的实时语音交互能力。4月份，在豆包发布全双工语音对话模型时，我也曾写过一篇文章，探讨了端到端全双工语音交互背后的技术门槛，以及如何构建一个真正的语音…

语音小管家

转载4 months ago

近年来，语音合成模型的能力提升很快。只给一小段参考音频，模型就可以模仿目标说话人的音色，读出一段新的文本。但真正把语音克隆系统用起来时会发现，模型不能只"能发声"——它需要同时做到三件事：读对文字、像目标说话人，并且声音自然、清晰、稳定。…

语音小管家

转载4 months ago

近年来，音频大语言模型（Audio Language Models, ALMs）的出现极大地推动了自然语音对话交互的发展[1][2]。然而，在面对真实场景中强烈的情感陪伴需求时，现有的 ALMs 依然面临深层情感交互的瓶颈。具体而言，模型普…