AVGen-Bench：面向下一代文生音视频模型的系统化评测框架
以下文章来源 微软亚洲研究院 微软亚洲研究院推出了一个面向文本生成音视频任务的多粒度、细粒度、任务驱动评测基准AVGen-近日，微软亚洲研究院推出了一个面向文本生成音视频任务的多粒度、细粒度、任务驱动评测基准AVGen-Bench。它关注的…
24 0 0
声浪
ICML 2026 | SARSteer：让大型音频语言模型学会"说不"
以下文章来源SV4Good Al Lab 大型音频语言模型（Large Audio–Language Models, LALMs）正在成为下一代语音交互、音频理解、实时对话系统的核心底座。然而最近的研究指出，音频输入比文本更容易诱发模型生成…
22 0 0
![语音/音频处理学术速递[5.12]](https://api.speechhome.com/Resources/Thumb/2026-05-13/2054506350079250432.png)
第三届CCF语音对话与听觉处理前沿进展研讨会技术报告(RASDAP2026 Technical Report)
当前语音对话与听觉处理领域蓬勃发展，学术界与工业界不断涌现创新的技术与产品，为了更好地推动经验交流与前瞻研讨，由中国计算机学会（CCF）语音对话与听觉专委会发起的第三届CCF语音对话与听觉处理前沿进展研讨会（RASDAP2026，Recen…
24 1 0
Ctx2Skill：如何让大模型从复杂文档直接构建 Skills？
近年来，大语言模型在复杂推理、代码生成以及智能体等方向不断突破，一个更接近真实世界的问题也逐渐浮出水面：模型是否真的能够从复杂上下文中学习？ 现实中的许多任务，其关键知识并不存在于模型预训练记忆里，而是隐藏在冗长、专业且此前从未见过的专业文…
35 0 0
![语音/音频处理学术速递[5.11]](https://api.speechhome.com/Resources/Thumb/2026-05-11/2053777839127400448.png)
论文导读丨CCF语音对话与听觉专委会论文导读（2026年第5期）
本期分享杭州电子科技大学和上海交通大学近期被IEEE Transactions on Audio, Speech and Language Processing接收的语音增强方面的工作，论文链接、代码链接见文末。 SelfSE:Self-S…
27 0 0
WavCube：一个 128 维连续表征，同时搞定语音理解、重建与生成
以下文章来源丨模型之声 标题：《WavCube: Unifying Speech Representation for Understanding and Generation via Semantic-Acoustic Joint Mod…
29 0 0
StepAudio 2.5 Realtime 上线！真人级实时语音对话能力，千万人设任你打造
今天，阶跃正式发布新一代实时语音大模型StepAudio 2.5 Realtime！ 我们希望创造更有“活人感”的 AI 聊天搭子：有温度、有灵魂、有态度。为此重点聚焦三大能力突破： 顶级副语言能力：实现真人级深度感知，精准听懂对话里的弦外…
29 0 0
语音输入喊了这么多年，千问电脑版一出手就把键盘卷没了？
来源｜机器之心 AI 正在悄悄改变人与电脑的交互方式，而下一个被重塑的，可能就是每天发生几百次的「输入」这个动作。 语音输入并非新概念。从早期的 Siri、Google Assistant，到近几年 Whisper、Otter.ai 等工具…
23 0 0