声浪

语音小管家

转载6 months ago

在会议和电话等真实的多说话人对话场景中，全面的对话理解不仅需要准确的语音识别（ASR），还要求模型能够联合处理说话人属性、细粒度的时间戳定位以及文本转写。然而，语音重叠、频繁的附和（backchannels）以及快速的语权交替等复杂声学现象…

语音小管家

转载6 months ago

以下文章来源于SV4Good AI Lab 引言 Sora、Kling 等文生音视频模型，能画出逼真画面、配上同步声音，但真的懂声学物理吗？吹空瓶子 vs 吹装水瓶子、敲木头 vs 敲金属，模型能生成符合物理规律的声音吗？ 本文介绍由香港科…

语音小管家

转载6 months ago

来源丨智东西 今天，小米正式开源 MiMo-V2.5 系列模型，采用MIT协议，允许商用推理部署与二次训练，无需额外授权。 ▲MiMo-V2.5-Pro在Hugging Face的开源页面截图 此前，该系列模型于4月23日开启公测，包括Mi…

语音小管家

转载6 months ago

在过去几十年中，计算机科学家开发了许多能够处理不同语言的人类语音的人工智能（AI）系统。然而，这些模型在多大程度上复刻了人类理解口语时的大脑运作机制，目前尚无明确结论。 哥伦比亚大学、IBM研究院和费恩斯坦医学研究所的研究人员最近开展了一项…

语音小管家

转载6 months ago

FireRed-OpenStoryline将复杂的视频创作转化为自然直观的对话体验。兼顾易用性和企业级可靠性，让视频创作对初学者和创意爱好者都变得简单友好。 项目简介 FireRed-OpenStoryline是FireRedTeam团队开…

语音小管家

转载6 months ago

今天，阶跃正式发布新一代自动语音识别模型StepAudio 2.5 ASR！ 这款模型的核心突破在于速度与精度的兼得。我们率先将大语言模型（LLM）的推理加速技术引入语音识别领域，基于 ASR+MTP-5 深度融合架构，实测推理速度提升40…

语音小管家

原创6 months ago

在今天的语音合成系统里，听起来自然已经不再稀缺，但哪里该慢一点、哪个字该拉长、哪个位置该停顿、停多久，依然很难真正交给用户来控制。 但这恰恰是很多真实应用场景在意的问题。 比如导航播报里，“前方路口左转”中的“左转”往往需要更清楚、更突出；…