理解真实世界中的对话,既需要准确识别语音内容,也需要忠实描述说话人之间的信息交换。多说话人语音识别(Multi-Speaker Automatic Speech Recognition, MSASR)旨在识别语音内容,并将每个语音片段准确关…

最新声浪
查看全部 →CTG Agent Based Fetal Well being Assessment Challenge 已开放报名。大赛由暨南大学、广州市妇女儿童医疗中心、广州医科大学、北京大学、东南大学、上海工程技术大学、约翰斯·霍普金斯大学(Joh…
文章链接:https://arxiv.org/abs/2605.05927 GitHub链接:https://github.com/dreamtheater123/TextPro-SLM
近年来,在线策略蒸馏(On-Policy Distillation,OPD)逐渐成为提升大语言模型推理能力的重要方法。它让学生在自己生成的回答轨迹上,学习教师提供的 token 级预测。进一步地,在线策略自蒸馏(On-Policy Self…
今日论文合集:CS.SD语音与音频 共 11 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 [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…
大语言模型已经开始逐字生成回答,语音助手却迟迟不开口,原因可能出在 TTS:它仍要等完整文本,才能生成声音。流式 TTS 在文本陆续到达时开始合成,前面的音频播放时,后面的内容还在生成。 这种需求在语音对话中尤其明显:上游 LLM 还在生成…
Qwen 团队与高校及蚂蚁国际研究者推出 BabelArena,并在魔搭社区开源多语言 Agent 评测数据:23 种语言、13 个领域、702 个原始任务,共 16,146 个语言版本。 配套工作流 BabelFlow 协同适配任务、提示…
今日论文合集:CS.SD语音与音频 共 12 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 [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…
NVIDIA 发布了开放权重语音模型 Nemotron 3.5 Transcribe,同时推出 Granary v2 多语言数据清单和可复用的数据整理流水线。单个模型即可完成语音转写、说话人归属标注、翻译和音频问答。 该模型支持 40 种语…
在安静的房间里,你可以轻松地与 AI 对话。但如果站在嘈杂的马路边,对着汽车说一句「打开后备箱」,它还能准确听懂吗?如果身边有几个人同时说话,AI 能否判断谁才是正在向它发出指令的人?如果用户说的是一个生僻地名、带有明显地区口音的普通话或方…
