
最新声浪
查看全部 →豆包大模型语音、视觉能力升级!文生图更懂“国风”,TTS“拿捏”情绪
2024 火山引擎 AI 创新巡展・成都站于近日正式举办。活动现场发布了豆包・图生图模型,以及升级版的豆包・文生图模型、豆包・语音合成模型、豆包・声音复刻模型。 本文介绍了升级版文生图、语音合成、声音复刻模型特征,包括图像生成方面更深刻理解…
42 0 0
紧凑但强大:Intel N-DNS Challenge 冠军方案解析
微软举办的DNS Challenge比赛做语音的朋友们或多或少有所了解,但是这个比赛更多的注重语音增强的效果。然而在实际场景下,很多语音增强的算法要放在低算力的端侧运行,这就对模型的参数量提出了要求。受到DNS Challenge比赛的启发…
47 0 0
电子阅读的未来:集成AI语音克隆以实现多语言音频内容
音频资料通常只以原作语言广泛传播,而翻译工作成本高昂且不普遍。所以,人们一直梦想着能够将流行的音频资料翻译成当地语言。 除此之外,当音频材料被翻译时,它通常是用一种听起来很普通的声音进行的,与书本(文章等)的预期基调完全不符。 而现在,得益…
71 0 0
论文导读丨INTERSPEECH 2024专题(五)
为促进最新研究成果的传播与交流,CCF语音对话与听觉专委在专委会微信公众号启动论文导读栏目,定期分享最新语音、对话与听觉相关研究方向论文。本期是INTERSPEECH 2024专题第五部分,共遴选了7篇论文,覆盖疾病检测、音频鉴伪、语音合成…
41 0 0
英伟达神秘视频基础模型「Cosmos」曝光,数据全靠偷
来源丨机器之心 为了这个视频模型,英伟达每天正在疯狂地爬取相当于 80 年时长的视频数据。 今天,一则关于英伟达要下场做视频模型的消息引爆了 Reddit。 消息源出自外媒 404 Media,据它获得的 Slack 聊天(英伟达的内部聊天…
44 0 0
比OpenAI的Whisper快50%,最新开源语音模型
生成式AI初创公司aiOla在官网开源了最新语音模型Whisper-Medusa,推理效率比OpenAI开源的Whisper快50%。 aiOla在Whisper的架构之上进行了修改采用了“多头注意力”机制的并行计算方法,允许模型在每个推理…
48 0 0
