声浪

语音小管家

转载3 months ago

来源丨新智元 刚刚，Anthropic和OpenAI同时放出了语音模式大升级！ Claude这边，从只能跑Haiku升级到Opus 4.8和Sonnet 5全系列，不仅能在对话里调Gmail、日历、Slack，还扩增到11种语言，但没有中文…

语音小管家

原创3 months ago

近年来，端到端口语对话（S2S）与语音合成（TTS）技术正加速从“可懂、可用”向“自然、拟人”发展。尤其在智能座舱、语音助手等实际应用场景中，用户对语音交互的期待已不再局限于内容准确，还希望模型能够展现接近真人的表现力，包括细腻的情绪起伏、…

语音小管家

原创3 months ago

全双工语音对话模型（Spoken Dialogue Model, SDM）已经能够同时进行听、说与被打断的实时交互。但一个更基础的问题始终没有被充分回答： 为全双工 SDM 设计强化学习训练时，应当以何种信号作为奖励？ 现有方法大多只覆盖评…

语音小管家

转载3 months ago

近年来，基于大语言模型（LLM）的音频大语言模型（Large Audio Language Models, LALMs）在音频理解任务上取得了显著进展，在短音频场景中已经展现出优异的性能。然而，当输入扩展到播客、访谈、会议、直播等常见的持续…

语音小管家

转载3 months ago

SSNA团队 投稿，量子位 | 公众号 QbitAI 迁移学习里的“源数据”，未必非得是图像、文本或音频。 一组从高斯分布里随机采样出来、没有任何语义的噪声，也能帮助模型在少量标注下学得更好。 这项工作名为半监督噪声自适应（Semi-Sup…

语音小管家

转载3 months ago

通义千问正式发布第三代图像生成基座模型 Qwen-Image-3.0，重点提升复杂指令理解、信息图生成与文字渲染能力。 核心特点 内容丰实：支持最大4.5k token输入，轻松生成报纸、分镜、试卷等复杂版面。 细节真实：支持 10px 小…

语音小管家

转载3 months ago

Qwen-Audio-3.0-TTS实时语音合成模型发布。本次发布包含两个版本： Flash：面向实时交互，首包延迟在300ms左右。 Plus：面向高质量生成，在自然度和音色还原度上表现更佳。 本次更新，我们把精力放在了开发者在生产环境中…