音频语言模型(LALM)已经能相当准确地描述“音频里有什么”:声音事件、场景、情绪、语义内容。但在会议转写、播客检索、音频取证、内容审核、声学监控、音频剪辑等真实场景里,真正决定可用性的往往是“何时发生”——用户想知道狗叫发生在第几秒、某段…

最新声浪
查看全部 →近日,LAION 发布大规模音频文本数据集 LAION-Audio-XL,以及基于该数据集训练的对比式音频文本预训练模型 CLAP2。 数据集包含 3.65 亿组音频文本对,累计约 139 万小时音频,覆盖人声、音乐、环境音等多种声音类型。…
ElevenLabs 正在用一笔收购,把“日语语音 AI”从一项需要从头搭建的能力,变成其全球交互层中一个即插即用的模块。 2026 年11月,这家估值220亿美元的语音AI公司宣布收购日本语音AI实验室Kotoba Technologie…
一部电影拍完,后期要给画面里的人配上台词,还要补上脚步、碰撞、环境这些音效。现有的视频生音频(V2A)模型只管音效,视频配音模型大多只做单人对白。CineDub 把这两件事放进一个模型:输入整段实拍视频,同时生成多人对话语音和与之协调的音效…
助听器的降噪、放大和压缩处理都会影响语音辨认,研发人员通常需要组织听辨测试,比较不同方案的效果。客观预测模型能够辅助筛选方案,减少对反复测试的依赖,但现有方法多基于英语或正常听力人群开发,用于普通话听损人群时容易出现偏差。 中国科学院声学研…
2026-11-18 | CS.SD语音与音频 | 共 4 篇 [机构]信息由AI分析生成,可能存在错误,仅供参考,以论文实际显示为准 快速导航 1. 语音识别与关键词检测 1 篇 2. 语音合成与声音生成 1 篇 3. 语音增强、降噪与音…
近年来,基于大语言模型的自动语音识别(LLM-ASR)凭借预训练模型的语言理解能力,在识别精度上取得了显著进展。然而,逐 token 的自回归解码使推理延迟随输出长度增长,成为语音大模型走向低延迟应用的重要瓶颈。离散扩散大语言模型能够并行生…
现有世界模型大多聚焦于模拟物理现实——给定过去的观测和控制信号,预测场景如何演化。在这个框架里,推理和决策被排除在世界之外,用户通过低自由度的信号从外部控制,世界内部没有主体。 团队认为,完整的世界模型不仅需要模拟物理场景,还需要内部承载能…
“阿妈煮嘅叉烧饭我食咗两碗。”一句脱口而出的家乡话,到了语音识别系统里,还能保留原来的表达吗? 再换一段日语口述,或一句夹着金融术语的韩语。对人来说,是换了语言和话题;对模型来说,却要同时跨过发音、词汇和书写习惯的差异。听清普通话,只是开始…
语音增强(Speech Enhancement, SE)旨在改善在噪声、混响、信号削波及带宽限制等不良声学条件下退化语音的感知质量与可懂度,是人机交互、助听设备以及自动语音识别(ASR)前端等应用中的关键技术。近年来,以Mel谱为预测目标的…
