面向听觉智能与物理AI的
人机交互开发者社区

发现模型、参与赛事、分享实践、连接同行,共创数据、模型与评测驱动的人机交互生态。

50k+
注册开发者
5.8k+
技术文章
268+
开源数据集
300+
技术课程

最新声浪

查看全部 →
语音与音频学术速递【11.5】
原创14 days ago
语音与音频学术速递【11.5】

今日论文合集:CS.SD语音与音频 共 5 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 篇…

169 0 0
技术解读|从重构到生成:音频解码器的设计与演进
原创14 days ago
技术解读|从重构到生成:音频解码器的设计与演进

音频解码器的基本任务,是将给定的音频表征转换为时域波形。它的输入形式有很多:可以是 Mel 频谱、倒谱或音高等声学特征,也可以是离散音频 token 对应的码本嵌入,或由自编码器(AE)、变分自编码器(VAE)学习得到的连续潜表征。这种波形…

188 0 0
EMNLP 2026|MosaicAudio:让视频配音兼顾四种感知目标
原创14 days ago
EMNLP 2026|MosaicAudio:让视频配音兼顾四种感知目标

四位感知专家分别提供指导,一个学生模型完成生成。MosaicAudio 通过多教师在策略蒸馏,整合语义、同步、审美与空间四个维度的反馈,推理时无需调用教师模型。 画面里,一只杯子落在桌上。配音模型可能已经选对了玻璃碰撞声,但声音比接触动作晚…

201 0 0
语音与音频学术速递【11.4】
原创15 days ago
语音与音频学术速递【11.4】

今日论文合集:CS.SD语音与音频 共 9 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 篇…

148 0 0
在沙盒里打一万通电话:语音 Agent 的模拟训练场
原创16 days ago
在沙盒里打一万通电话:语音 Agent 的模拟训练场

我们的语音模型要在真实电话里帮用户办事:改签一张机票、续一份车险、协商一笔逾期欠款。离线评测里,它的工具调用格式正确,业务规则也答得上来,但进入真实对话仍会出问题。 以一通模拟的航班改签电话为例。旅客先说:「我们两个人要一起走,尽量别拆到不…

194 0 0
语音与音频学术速递
原创16 days ago
语音与音频学术速递

今日论文合集:CS.SD语音与音频 共 22 篇,本文展示前 8 篇 本文经arXiv每日学术速递授权转载,微信公众号:arXiv_Daily 2026-11-03 [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…

217 0 0

为语音开发者而生