MIMO-TSVAD：支持模态缺失的音视频说话人日志新框架 —— 武汉大学/昆山杜克大学团队成果发表于 IEEE T-ASLP
论文题目：Multi-Input Multi-Output Target-Speaker Voice Activity Detection For Unified, Flexible, and Robust Audio-Visual Spe…
42 0 0
声浪
阿里开源Qwen-Image，中文最好模型，精准搞定复杂字体排版，硬刚字节OpenAI
来源丨AIGC开放社区 今天，阿里开源了最新文生图模型 Qwen-Image 。 Qwen-Image是一个200亿参数的MMDiT模型，可生成写实、动漫、赛博朋克、科幻、极简、复古、超现实、水墨等几十种类型的图片，支持图片的风格迁移、增删…
35 0 0
![语音/音频处理学术速递[8.5]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-05/1952642876445954048.jpg)
小米开源声音理解大模型 MiDashengLM-7B
来源丨小米技术 音频理解是构建全场景智能生态的关键领域，在智能座舱、家居交互等场景均有广泛应用。今天小米发布和全量开源了 MiDashengLM-7B 模型。MiDashengLM-7B 基于 Xiaomi Dasheng 作为音频编码器和…
62 0 0
![语音/音频处理学术速递[8.4]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-04/1952279353693966336.jpg)
![语音/音频处理学术速递[8.1]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-08-01/1951204915531616256.jpg)
刚刚开源的TTS神器，Kokoro-82M驱动，支持ePub/PDF/TXT，跨平台！
文本转语音（TTS）工具的需求现在是越来越多，尤其是在生成高质量有声书、配音和同步字幕的场景中。传统TTS工具要么依赖云端API，存在隐私风险，要么生成速度慢、语音不自然。 Abogen是最近刚开源的一款新型 TTS 工具，通过Kokoro…
39 0 0
Qwen3-30B-A3B新版本发布，更轻更好用，提升指令遵循与长上下文理解能力！
通义千问Qwen团队宣布本周进入“Flash week”，第一弹推出了更新版本的Qwen3-30B-A3B 非思考和思考模式，命名为Qwen3-30B-A3B-Instruct-2507 和 Qwen3-30B-A3B-Thinking-2…
40 0 0
![语音/音频处理学术速递[7.31]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-07-31/1950825730552238080.jpg)
基于 SRP-PHAT 的声源定位算法
在混响环境中进行说话人定位和自动跟踪是一项具有挑战性但又在众多基于音频的应用中常常需要完成的任务，例如免提手机、语音识别以及电话会议等。前面介绍的使用TDOA进行声源定位方法，在强混响或多路径环境中，互相关函数会出现多个峰值，TDOA 法可…
48 0 0