实时语音交互最怕的,不只是“没听懂”。 更危险的是:话音刚落,系统已经执行了错误指令;几百毫秒后识别结果又改了,但动作无法撤回。 当 Voice Agent 开始控制设备、调用 API、触发工作流,ASR 输出就不能再“边猜边改”。它既要足…

最新声浪
查看全部 →连续表征语音生成能够保留更丰富的韵律、音色与频谱细节,但在长文本或复杂语句合成中,现有自回归扩散模型仍容易出现说话人漂移、重复、漏读、错读和语义幻觉。如何同时兼顾长程声学一致性与语义忠实度,是连续表征零样本语音合成走向稳定应用的关键问题。…
今日论文合集:CS.SD语音与音频 共 18 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…
大家好,欢迎来到「AudioCC交我学」专栏! 在文本大模型中,思维链(Chain-of-Thought,CoT)通常意味着模型先写出若干推理步骤,再给出答案。一旦输入变成图像、环境声或连续语音,关键问题就从“是否逐步推理”进一步转向“用什…
Cactus Compute 发布开源语音识别模型 Whistle,面向手机、可穿戴设备、机器人、汽车和微控制器等端侧设备。 模型文件仅 16.9MB,直接在 CPU 上运行,并与其端侧工具调用模型 Needle 共用同一套 C++ 推理引…
今日论文合集:CS.SD语音与音频 共 15 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…
把录音里说错的一个词改过来,让一句话的语气更轻松,或者去掉背景中的狗叫声,同时保留原本的人声和环境声——这些看似简单的要求,正是音频编辑需要解决的问题。 随着音频生成模型的发展,用文字描述一段声音并让模型生成出来,已经有了不少可行方案。但面…
今日论文合集:CS.SD语音与音频 共 14 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…
声学智能的前沿探索与青年力量 当语音技术不再只是“听清楚、说出来”,当声音开始与大模型、多模态智能、医疗健康、脑科学、低资源语言深度交叉,我们正在进入一个更加丰富的声学智能时代。 从低码率语音编解码、语音增强与合成,到音频推理、副语言表达与…
今日论文合集:CS.SD语音与音频 共 18 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…
