声浪

语音小管家

转载8 months ago

语音合成（TTS）领域长期存在一个矛盾：机器判断的“自然”与人类主观感受脱节。 这样的场景常常出现：你让AI生成一段语音，客观指标显示“完美”（如WER=0、FAD极低），但听起来却像机器人在背书。 如何让机器get到人类觉得“自然”的点？…

语音小管家

转载8 months ago

百灵多模态团队节前前发布了 Ming-flash-omni-2.0，基于其语音模块，我们新发布了 Ming-omni-tts，通过模型 scale up 实现了更强的效果。 不管你是短视频博主配旁白，独立播客创作者想把单人对话变成双人播客，…

语音小管家

原创9 months ago

从多人对话中的语调起伏与逻辑重心，到环境音背后隐藏的空间几何与物体运动轨迹，再到复杂音乐中演奏技法与艺术情感的深层关联，音频理解不应止于结果的预测。为了透明评估音频模型的推理过程质量，避免通过语言偏见、训练数据偏见或错误的方法“猜中”答案，…

语音小管家

转载9 months ago

大年三十，当全国人民都在忙着包饺子、看春晚、抢红包的时候，阿里通义实验室却悄无声息地在 GitHub 上丢下了一枚“核弹”。 没有预热，没有发布会，Qwen3.5就这样在除夕夜正式发布了。 当我们还在讨论 DeepSeek 的性价比、GPT…

语音小管家

原创9 months ago

在大语言模型（LLM）的演进中，文本分词器（Tokenizer）作为离散接口，为模型的压缩、理解、生成与上下文学习奠定了基石。然而，在音频领域，如何构建一个简单、同构且具备强大扩展潜力（Scalable）的离散接口，依然是通往“原生音频大模…