Qwen深度研究一夜升级！可生成网页和音频播客，新模型能认医生手写体
来源丨量子位 Qwen版深度研究加速进化，一觉起来增加了听觉和视觉输出： 可以生成网页和音频了。 AI深度研究整合的内容，变成图文并茂的网页，还可以一键部署，任何人可凭链接查看，方便对外展示。 长篇文字内容也可以变成音频播客，方便自己在碎片…
23 0 0
声浪
WenetSpeech 家族发展史，一场前赴后继的饕餮盛宴
WenetSpeech 家族就像是一场前赴后继的饕餮盛宴。前赴后继是指 WeNet 社区的小伙伴们在数据的投入上前赴后继，不断探索新的边界，你方唱罢我登场；而饕餮盛宴，不是一道菜，而是源源不断的菜品，是社区给开发者、公司、研究人员不断的献礼…
50 0 0
![语音/音频处理学术速递[10.22]](https://api.speechhome.com/Resources/Thumb/2025-10-22/1980904381389869056.jpg)
IEEE ASRU | DiffRhythm+：结合偏好优化的可控全长歌曲生成
全长度歌曲生成（Lyrics-to-Song Generation）任务的目标是根据输入的歌词和风格提示生成一首完整的歌曲，包括人声和伴奏。该任务涵盖了歌声合成、歌词建模和音乐生成，挑战性极大。近年来，随着深度生成模型的发展，歌词驱动的歌曲…
23 0 0
台大李宏毅与微软合作提出 SHANKS：能够边聆听边深度思考的口语语言模型
ChatGPT、DeepSeek等语言模型具备「深度推理」（Reasoning）能力，这类模型会在回答问题前先进行一段较长的推论过程，使回答的品质大幅提升。 不过，这种「等使用者说完话才开始思考」的方式，虽然在纯文字的使用场景能够被接受，却…
20 0 0
东大外院陈彧教授团队最新研究成果：揭示语前聋成人普通话声调感知机制
东南大学外国语学院博士生导师陈彧教授和博士生王一诺、北京航空航天大学外国语学院博士生曹盛勤，东南大学外国语学院博士后研究员李洋在语言学SSCI、A&HCI 期刊Lingua发表题为Mandarin Citation Tone Percept…
17 0 0
![语音/音频处理学术速递[10.20]](https://api.speechhome.com/Resources/Thumb/2025-10-20/1980206796631052288.jpg)
FlexiCodec：3-12.5Hz超低帧率动态音频编解码器
FlexiCodec是一个支持推理时动态调整平均帧率至3Hz到12.5Hz之间的Codec。 论文预印版：https://arxiv.org/abs/2510.00981 模型展示页面：https://flexicodec
23 0 0
开源AI视频字幕编辑神器，Whisper智能生成+实时裁剪！
分享一款非常实用、创意十足的开源AI视频字幕编辑工具 — FlyCut Caption。 它不是那种复杂到需要剪辑经验的视频编辑器，而是一款基于 AI 的智能字幕编辑工具，能让你通过“改字幕”来“剪视频”。 也就是它不仅能智能生成字幕，还支…
18 0 0