Voila：开源端到端 AI 语音模型，195ms低延迟引领全双工对话！
Maitrix 团队最新发布的开源 AI 端到端语音模型： Voila，该模型采用创新的分层Transformer架构，突破传统语音AI限制，实现195ms超低延迟实时交互，支持高度个性化定制，并在语音识别、合成及多语言翻译等任务中表现卓越…
49 0 0
声浪
![语音/音频处理学术速递[5.9]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-05-09/1920750900918489088.jpg)
CCF语音对话与听觉专委会论文导读（2025年第2期）
为促进最新研究成果的传播与交流，CCF语音对话与听觉专委在专委会微信公众号启动论文导读栏目，定期分享最新语音、对话与听觉相关研究方向论文。本期分享七篇发表在ICASSP2025上的文章。本导读论文栏目持续征稿中，欢迎踊跃投稿，投稿方式请参见…
32 0 0
波士顿大学新算法攻克 “鸡尾酒会问题”，听力损失者福音
当一群朋友在酒吧相聚，或是围坐在一起享用私密晚餐时，谈话声会迅速增多并交织在一起，不同的小群体和两两组合的人们相互交谈着，声音此起彼伏。 对于有听力损失的人来说，在这热闹嘈杂的话语声中辨别方向，并专注于重要的内容尤其困难。热闹的交谈声可能会…
35 0 0
![语音/音频处理学术速递[5.8]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-05-09/1920679124725272576.jpg)
英伟达开源语音识别模型！0.6B 参数登顶 ASR 榜单，1 秒转录 60 分钟音频！
英伟达在5月1日发布了一款开源语音识别模型：Parakeet TDT 0.6B V2，其以 600M 参数登顶 Hugging Face Open ASR 榜单。 项目链接：
57 0 0
![语音/音频处理学术速递[5.7]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-05-08/1920314086214733824.jpg)
Gemini 2.5 Pro升级，成编程模型新王，单条文本提示即可生成完整应用
来源丨机器之心 今天，Google DeepMind 发布了 Gemini 2.5 Pro 的最新更新版本：Gemini 2.5 Pro (I/O edition)。 其最大的进步是编程能力大幅提升，不仅在 LMArena 编程排行榜上名列…
33 0 0
注意力机制中的极大值：破解大语言模型上下文理解的关键
近日，一项来自 ICML 2025 的新研究《Massive Values in Self-Attention Modules are the Key to Contextual Knowledge Understanding》揭示了大型语…
46 0 0
![语音/音频处理学术速递[5.6]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-05-07/1919945996993957888.jpg)