今日论文合集:CS.SD语音与音频 共 10 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 2…

最新声浪
查看全部 →自然交流不只有文字。笑声、叹息、哭泣、打哈欠等非语言人声(Nonverbal Vocalizations, NVVs),同样承载着情绪、态度与交互意图。对于语音合成系统而言,真正的挑战不仅是“把字读对”,还包括在指定位置生成恰当的非语言人声…
把下面这段讨论交给 AI,即使每个字都识别正确,它也未必能真正听懂: 小林:“这个版本周五能上线吗?” 小周:“可以吧……” 小陈几乎同时插话:“不行,支付还没测完。” 小周是在确认,还是有所保留?小陈反对的是方案本身,还是当前的上线安排?…
今日论文合集:CS.SD语音与音频 共 21 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 1…
实时语音模型已具备边听边说的能力,多模态系统也能持续接收周围环境信息。进入真实交互后,系统必须进一步判断是否、何时、如何回应:用户的停顿与附和可能意味着继续倾听,明确的纠正需要及时停下,新的环境事件也可能需要主动提醒。回应过早会干扰交流,回…
今天,AI降临派(Adventists AI)正式开源全双工语音模型 Sophon-Realtime v1,在魔搭社区首发。跟它说话,像跟人打电话一样:你说话时它一直在听,你一停它就接上;你随时插话,它马上停下来回答你的新问题。 和多数语音…
随着可控语音生成的发展,训练数据不仅要描述“说了什么”,还需覆盖说话人特征、韵律、情绪、副语言现象、声学场景与上下文含义。然而,人工多维标注难以扩展至大规模数据,商业多模态接口又存在调用成本、吞吐限制和外部依赖;对长音频逐片段独立处理,还容…
今日论文合集:CS.SD语音与音频 共 10 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…
一句话还没有说完,语音识别系统应该什么时候输出文字? 对于实时字幕、同声传译和语音智能体,这个问题直接影响系统体验。输出过早,模型可能在信息不足时作出错误判断;等待过久,下游应用的响应又会变慢。如果先输出、再不断修正,字幕可能反复跳动,翻译…
什么构成了音乐的语义,又如何让这些语义在连续潜空间中得到清晰表达? 连续潜表示(Continuous Latent Representation)已成为歌词到歌曲、文本到音乐等生成系统的重要基础。音乐自编码器将波形压缩为紧凑的潜变量,供下游…
