Interspeech2026 | MeanVC 2：面向低延迟与鲁棒性的流式零样本语音转换
零样本语音转换旨在保留语音语言内容的同时，将源说话人音色迁移至任意未见过的目标说话人。随着实时通信、直播互动、在线会议、游戏语音等应用场景的发展，语音转换系统对低延迟、轻量化和高保真流式推理能力提出了更高要求。此前提出的 MeanVC 通过…
93 0 0
声浪
千问发布 Qwen3.8-Max，2.4 万亿参数，首次开源 Max 级模型
通义千问团队今日正式发布 Qwen 3.8-Max，参数规模达 2.4 万亿（活跃参数 95B），成为 Qwen 家族迄今最强的模型，模型权重将于下周开源。这是 Qwen 首次对 Max 级别模型开放权重。 千问AI平台：https://w…
68 0 0
![语音与音频学术速递[8.3]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-08-03/2084180868976480256.png)
全双工口语对话系统综述：架构层级、交互本体与决策状态机（二）
以下文章来源于乐百一家 论文题目：A Survey of Full-Duplex Spoken Dialogue Systems: Architectural Hierarchy, Interaction Ontology, and Dec…
90 0 0
模型上新｜Qwen-Audio-3.0-Gen-Preview：从"分别生成"到"统一编排"
今天，阿里千问发布Qwen-Audio-3.0-Gen-Preview。它把各类音频元素的生成与编排统一到同一个模型里，只需一段场景描述，就能在同一条时间轴上同时生成多角色对白、环境声、动作音效和背景音，输出可直接使用的成品音轨。 技术报告…
92 0 0
字节发布 Seedance 2.5，可单次生成30秒视频
来源丨字节跳动Seed 今天，字节发布新一代视频创作模型Seedance 2.5。 Seedance 2.0 发布后，团队观察到，用户对视频创作模型的期待正在从"生成一个片段"走向"完成一段创作"。Seedance 2.5 延续了 Seed…
83 0 0
![语音与音频学术速递[7.31]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2026-08-03/2084180614889738240.png)
千问发布ASR模型 Qwen-Audio-3.0-ASR-Flash，长音频不丢词，行业词不用教
今天，千问发布语音识别大模型Qwen-Audio-3.0-ASR-Flash。简单来说，就是让AI更好地听懂专业词汇。这次主要在上下文一致性、行业词识别和热词定制化三个维度做了系统性的优化，同时让模型具备语音润色能力，可直接输出结构化文本。…
106 0 0
AmphionASR：“懂”场景支持大规模热词的个性化语音识别
本文来源：Amphion 如果把语音识别比作一场"听力考试"，传统的ASR模型就像只准备了"标准普通话朗读"这一道题的考生。而现实中的语音场景远比“听写”复杂：会议室里多人同时发言、街头嘈杂环境中的通话、医生在病房里的低声交流、客服电话中的…
63 0 0
万字长文详解全双工口语对话系统综述：架构层级、交互本体与决策状态机
本文来源：乐百一家 论文题目：A Survey of Full-Duplex Spoken Dialogue Systems: Architectural Hierarchy, Interaction Ontology, and Decis…
160 0 0