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…

最新声浪
查看全部 →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…
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…
论文信息 VeriSpoof: Beyond Real or Fake with One Audio LLMYang Xiao, Ting Dang · The University of Melbourne 📄 论文:arXiv 261…
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…
Wuli-Art 发布了基于 MiniMax-H3 的少步音视频生成模型 MiniMax-H3-Turbo,提供 4、6、8 步三个固定步数版本,支持文生音视频与首帧条件生成,配套工作流支持可选尾帧。模型采用轨迹蒸馏、DMD 和 GAN 相…
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…
近年来,低资源多语言 TTS 的语言覆盖范围不断扩大,从早期面向少数高资源语言的单语建模,逐步走向覆盖上千种语言的多语言语音生成。然而,语言覆盖广,不等于复杂文本输入下依然可靠。真实场景中的 TTS 输入往往包含数字、日期、命名实体、长句、…
研究团队:香港科技大学(HKUST) · Noiz AI · 华盛顿大学(UW) 论文题目:Spatial Audio Generation and Editing with Executable Plans and Self-Distil…
