过去两年,TTS(文本转语音)赛道的竞争焦点发生了一次微妙的转移。 早期大家比的是“像不像真人”——音色克隆、自然度、音质MOS分。但当ElevenLabs把Voice Design的概念带火之后,一个新的问题浮出水面:一个声音“好听”,不…

最新声浪
查看全部 →IEEE 国际声学、语音与信号处理会议(ICASSP)是 IEEE 信号处理学会的旗舰会议,每年汇聚全球信号处理、人工智能、通信、感知与多媒体等领域的顶尖专家学者,围绕相关议题展开交流与讨论,推动信号处理理论、方法及应用的创新发展。第52届…
以下文章来源于SIGCHI XI AN 当一个人说“我很好”时,文本传递着积极含义,语调却逐渐低沉,面部表情又在某个瞬间短暂僵住——模型究竟应该相信哪一种信号? 核心观点 情绪并非静态峰值的集合;可靠的多模态理解,需要先读懂变化的过程,再决…
近日,蚂蚁集团-大安全机器智能-AI身份智能团队,推出基于混合专家机制(MoE)的声纹识别模型 MECT(Mixture of Experts CNN-Transformer),首次将 MoE 机制引入全监督训练说话人识别领域。在权威基准
中文口语语言处理国际学术会议(International Symposium on Chinese Spoken Language Processing, ISCSLP)是国际语音通信协会中文口语语言处理特别兴趣组(ISCA SIG-CSL…
今日论文合集:CS.SD语音与音频 | 共 11 篇。 本文经arXiv每日学术速递授权转载,微信公众号:arXiv_Daily [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. 语音合成与声音生成 3…
中文语音交互不仅需要处理普通话,也需要面对丰富的地域方言。对于一段方言语音,系统既要判断“说的是哪种方言”,也要准确识别“说了什么”。然而,现有研究采用的方言类别、训练资源和测试集并不统一,系统性能难以直接比较。 近期,西工大音频语音与语言…
以下文章来源于音频声学实验室NJUAALab 参量阵扬声器(Parametric Array Loudspeaker,PAL)利用强超声波在空气中的非线性相互作用产生高指向性的可听声,为定向声重放与声场控制提供了新的手段。与普通扬声器不同,…
今日论文合集:CS.SD语音与音频 | 共 22 篇。 本文经arXiv每日学术速递授权转载,微信公众号:arXiv_Daily [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…
传统声纹识别只估计一个「均值」——一个确定的嵌入点,却从不估计它的「方差」——这个估计到底有多可信。而一段语音里,并不是每一帧都「平等」:噪声、混响、静音都在悄悄稀释说话人的身份线索。这个缺失的方差,正是「不确定性」。本文提出的 U³-xi…
