AudioEdit：深入探索基础模型时代的音频编辑
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…
资讯算法
13 0 0
声浪
VoxMem：音频大模型能跨会话记住说话人、语气和环境声吗？
语音助手正在从“一问一答”走向跨越多次会话的长期交互。用户上周提过的计划、某位家庭成员说过的话、某次对话时的语气，都可能在之后被问起。但语音里的信息远不止文字：谁说的、怎么说的、背景里有什么声音，都只存在于音频信号里，一旦转成文字就丢失了。…
资讯算法
18 0 0
EvoAudio：让音频大模型在“听力训练”中自进化
同一句话播放两遍，内容一模一样，只是第二遍音调更高，让它挑出音调更高的那一遍。能把语音转写准确的模型，未必答得好这样的题。类似的问题还有：一段对话里有几位说话人？一段音乐的节奏有没有加快？这些任务都在提醒我们：知道“说了什么”，不等于听懂声…
算法学术
15 0 0
Edge0 发布中英双语流式语音识别模型 Audio8-ASR-Infinite
Edge0 发布 Audio8-ASR-Infinite 预览版，面向中英文实时语音识别，提供 80、120 和 160ms 三档流式音频时钟，并可将转写延迟配置在 240–560ms。 模型原生上下文为 30 秒，但通过滚动 KV 缓存持…
算法资讯
11 0 0
活动报名：OpenAI 和 Thinking Machines 都押注的实时交互模型，下一步往哪走？丨iRTE 2026
过去一年，OpenAI、Thinking Machines Lab 等多模态团队开始把注意力从「生成更拟人的语音回答」，迈向一个更难的问题：AI 如何真正参与一场实时发生的互动。 全双工模型让智能体边听边说，全模态让语音、视觉等信息协同判断…
资讯算法
12 0 0
YODAS v3 开源 110 万小时 48kHz 多通道语音数据，覆盖 147 种语言
ESPnet 团队发布开放语音数据集 YODAS v3，收录超过 110 万小时、147 种语言的真实世界音频，全部以 48kHz 发布，其中超过 70% 包含两个及以上真正不同的音频通道。 相比此前主要面向语音识别的 YODAS，v3 加…
开源算法
10 0 0
机器人不只要“听懂声音” HEAR让机械臂在动作中持续“听” 并记住关键声学线索
本文来源丨21db声学人 视觉—语言—动作模型已经让机器人越来越会“看着做事”，但现实操作中的很多关键状态并不写在画面里：微波炉“叮”的一声、电话铃响、咖啡壶沸腾时的喷溅声，往往只出现几百毫秒。上海交通大学与剑桥大学团队提出 HEAR 框架…
22 0 0
LingX-TTS深度解读：当TTS开始“演”角色，Voice Design赛道的技术拐点到了？
过去两年，TTS（文本转语音）赛道的竞争焦点发生了一次微妙的转移。 早期大家比的是“像不像真人”——音色克隆、自然度、音质MOS分。但当ElevenLabs把Voice Design的概念带火之后，一个新的问题浮出水面：一个声音“好听”，不…
算法开源
36 0 0
IEEE TAFFC 2026｜文本、语音还是表情？TCaN让多模态情感分析在每一刻判断“谁更可信”
以下文章来源于SIGCHI XI AN 当一个人说“我很好”时，文本传递着积极含义，语调却逐渐低沉，面部表情又在某个瞬间短暂僵住——模型究竟应该相信哪一种信号？ 核心观点 情绪并非静态峰值的集合；可靠的多模态理解，需要先读懂变化的过程，再决…
20 0 0
蚂蚁发布MECT声纹模型：MoE构架刷新VoxCeleb SOTA，并实现100ms流式声纹推理，代码模型已开源
近日，蚂蚁集团-大安全机器智能-AI身份智能团队，推出基于混合专家机制（MoE）的声纹识别模型 MECT（Mixture of Experts CNN-Transformer），首次将 MoE 机制引入全监督训练说话人识别领域。在权威基准
开源资讯算法
27 0 0