AAAI 2026｜多指标偏好对齐，让生成式降噪更好听
语音修复（Speech Restoration）要解决的事很朴素： 把一段“坏掉的语音”修回“听起来像正常录音”的样子。坏的方式很多，比如： 降噪：背景嘶嘶声、风噪、环境噪 去混响：房间回声太大 去削波/爆音（declipping）：录音过…
46 0 0
声浪
告别 “聊不到一块去”！港中大提出TurnGuide：让全双工语音大模型兼具“极致拟人”与“满分语商”！
文章链接：https://arxiv.org/pdf/2508.07375 想象一下，当你和AI 语音助手聊天时，它可以像真人一样自然地倾听、适时地“嗯、啊”附和，甚至在你打断它时迅速反应。这就是全双工语音大模型(FD-SLMs)的魅力所在…
57 0 0
Voxtral TTS，仅4B参数SOTA性能，超低延迟9种语言语音生成转录和24kHz音频输出。
来源丨AIGC Studio Voxtral TTS是首个在多语言语音生成方面拥有顶尖性能的文本转语音模型。基于大型语音数据集进行训练，专为全球应用而构建。它支持 9 种语言，性能一流：英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语…
42 0 0
![语音/音频处理学术速递[4.3]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-04-03/2039963300913090560.png)
RTE 开发者社区发布 RealNoise™ TTS：全球首个原生合成动态声场的语音大模型
来源丨RTE 开发者社区 🔊本文是RTE开发者社区于4月1日愚人节和 AI 一起凭空造了一个能「感知语境并动态合成环境噪声的 TTS 模型」，虽是愚人节彩蛋，但有一定的参考价值。🔊 近日， 由 RTE 开发者社区共创孵化的 Noice…
51 0 0
ICASSP 2026 | MEANSE: 基于平均速度流的高效生成式语音增强
语音增强（Speech Enhancement, SE）旨在提升降质语音的质量，其中流匹配（Flow Matching）等生成模型因其卓越的感知质量而备受关注。然而，基于流的模型需要多次函数评估（Number of Function Eva…
64 0 0
![语音/音频处理学术速递[4.2]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-04-02/2039633683115282432.png)
突破零样本TTS音色克隆上限：LongCat-AudioDiT 的声音克隆艺术
来源：龙猫LongCat 音频生成技术正在经历一场全新的范式迁移——从传统级联架构，逐步向端到端生成范式演进。长期以来，主流的做法是“曲线救国”：合成系统先将音频压缩成梅尔频谱图等中间表征，再依赖神经声码器“翻译”回波形。每一次转换都带来信…
45 0 0
阿里发布图像生成与编辑统一模型 Wan2.7-Image
来源丨千问大模型 今天，阿里发布图像生成与编辑统一模型 Wan2.7-Image 正式发布。 针对当前AI生图中的审美疲劳、色彩失控等痛点，Wan2.7-Image带来了更具“活人感”的人物生成、精准的色彩控制以及超长文本渲染能力。 体验…
39 0 0
美团开源 LongCat-Next，仅3B参数实现文本到图像再到语音全模态统一处理
来源丨AIGC Studio 近日，美团开源了一款名为 LongCat-Next 的原生全模态模型，该模型能够接受文本、语音、图像的输入，并生成相应的文本、语音、图像输出。 LongCat-Next不仅简化了多模态建模的复杂性，还在图像理解…
59 0 0