腾讯开源文本到音频生成模型 EzAudio
近日，约翰霍普金斯大学与腾讯 AI 实验室联合推出了一款名为 EzAudio 的新型文本到音频生成模型。和之前发布的audiocraft和 Stable Audio Tools 类似，都可以通过一段提示词生成对应逼真的音频文件。 EzAud…
7 0 0
声浪
LLaMA-Omni 低延迟高质量语音交互，开源！
随着GPT-4o的发布，在语音界面的Voice-Chat越来越受到大家的关注，对于低延迟，高准确性模型的speech-to-speech的需求日益增长，来自中科院计算所NLP组的LLaMA-Omni 有效的解决了这样的需求，该模型整合了预训…
8 0 0
OpenAI DevDay 大会发布4款重磅API功能，处理量增加50倍！
今天凌晨，OpenAI在美国旧金山召开了第二届开发者大会，发布了4大新的API功能。 实时语音API：每个APP里都可以拥有“Her”； 视觉微调API：只需100张图提升GPT-4o特定任务图像理解能力； 自动提示词缓存：模型最近见过的输…
6 0 0
一文详解：最新版本 Llama 3.2
来源丨图灵AI云 Meta AI最近发布了 Llama 3.2。这是他们第一次推出可以同时处理文字和图片的多模态模型。这个版本主要关注两个方面： 视觉功能：他们现在有了能处理图片的模型，参数量从11亿到90亿不等。 轻量级模型：这些模型参数…
6 0 0
3秒原声即可克隆声音，AI音频成诈骗神器！律师父亲险被骗走21万
来源丨新智元 Deepfake到底有多可怕？国外一名律师的父亲，险些陷入一场巨大AI骗局。诈骗者借助AI克隆其儿子的声音，伪造车祸事故要挟3万保释金。GenAI技术犯罪泛滥同时，科学家们也在寻找破魔之道。 AI泛滥成灾的时代，真假孰能分辨？…
8 0 0
太初电子 | 招聘AI大模型产品实习生 （北京）
太初电子 太初元碁（太初（无锡）电子科技有限公司）是由国家超级计算无锡中心孵化的高性能人工智能产业化公司，致力于发展世界领先的自主可控高性能计算技术和生态。公司主要业务方向为研发自主可控的高性能计算产品、系统集成技术与全栈软件生态，面向政府…
20 0 0
150万条多语种音频数据！浙大清华发布语音伪造检测框架SafeEar，兼顾隐私保护
来源丨新智元 SafeEar是一种内容隐私保护的语音伪造检测方法，其核心是设计基于神经音频编解码器的解耦模型，分离语音声学与语义信息，仅利用声学信息检测，包括前端解耦模型、瓶颈层和混淆层、伪造检测器、真实环境增强四部分。 论文地址：
7 0 0
9 款 GPU 横评，哪些适合大模型训练，哪些适合推理任务？
在 AI 领域，有两大场景对 GPU 的需求最大，一个是模型训练，另一个是 AI 推理任务。但是很多人多可能在最开始为自己的项目做 GPU 选型时，都很难判断哪些 GPU 适合做模型训练，哪些 GPU 更适合去做推理任务。所以我们通过这篇文…
8 0 0
对标 GPT-4o 的端到端开源语音模型来了，67页技术报告全公开
来源丨新智元 两个多月前那个对标GPT-4o的端到端语音模型，终于开源了。大神Karpathy体验之后表示：nice！ 论文地址：https://kyutai.org/Moshi.pdf
17 0 0
吉利汽车发布自研 TTS 大模型，性能超 SOTA 10%
吉利汽车发布最新HAM-TTS大模型，在发音准确性、自然度和说话人相似度上对比之前SOTA成果VALL-E，有了大幅提升。 论文地址：https://arxiv.org/abs/2403.05989 吉利自研语音大模型HAM-TTS的全称是…
10 0 0