语音 AI 的下一关,不只是“听懂一句话”,更是“接住一段对话”。 真实的人类交流中,犹豫、停顿、附和、打断与语音重叠无处不在。对于 Voice Agent 而言,除了理解说话内容,还需要判断何时回应、何时倾听,以及如何自然地参与对话。 而…

最新声浪
查看全部 →Higurashi AI 开源了 4B 参数的 Haru-4B,这是一个能够同时听和说的全双工连续语音对话基础模型,无需等待用户说完再开始回应。模型从 4,000 万小时真实语音中学习附和、打断和话轮交替等对话行为,不依赖 LLM 或 TT…
自然对话里的信息,从来不止于文字。笑声、咳嗽、叹息、呼吸…… 这些非语言人声(Nonverbal Vocalizations, NVVs)藏着情绪、态度和话轮信号,是人际交流的重要组成部分。但传统语音识别(ASR)系统往往把它们当作噪音过滤…
2026-11-17 | CS.SD语音与音频 | 共 13 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 2 篇 2. 语音合成与声音生成 2 篇 3. 说话人识别、验证…
今日,阿里通义千问发布了 Qwen4 系列的首个模型 Qwen4-Max。 据官方介绍,该模型基于Qwen4系列全新架构,拥有2.4万亿总参数,具备原生视觉能力,支持百万token上下文窗口,目前已上线千问AI平台对外提供API服务。 Bl…
近年来,基于大语言模型的语音生成技术快速发展,离散语音 Token 逐渐成为连接语言建模与声音生成的重要接口。然而,语言模型输出 Token,并不意味着系统已经能够播放自然、连贯的语音:下游声学解码器还需要恢复音色、韵律和细粒度频谱结构。对…
传统指令跟随语音合成(Instruction-Following TTS)主要依赖用户明确给出的指令,例如指定语气、情绪或说话风格。但在真实对话中,说话者的表达方式往往是由对话历史和当前情境隐含决定的,而不是由用户直接指定。例如,当对话内容…
今日论文合集:CS.SD语音与音频 共 3 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 1 篇…
复用一套 Flutter 业务与语音调用代码,为 Android、iOS 和鸿蒙三端应用加入语音转写、内容播报和对话助手。 百炼语音模型 Flutter SDK 用统一的 Dart 接口连接原生语音能力,并内置 Android、iOS、Ha…
2026年11月5日至8日,第二十一届全国人机语音通讯学术会议(NCMMSC 2026)在珠海横琴天沐琴台国际会展中心成功举办,语音之家作为本届大会的银牌赞助商受邀参展。本届会议以“语音×语言×多模态:迈向智能交互新范式”为主题,汇聚了来自…
