Interspeech2025 | EThai-ASR：基于弱监督数据精炼和灵活序列压缩的LLM-ASR
低资源语音识别（ASR）长期面临两大核心挑战：高质量标注数据稀缺与高昂的计算需求，这在泰语等特定语言中尤为突出。现有解决方案往往受限于大规模、精确标注语料的获取难度，以及大模型（LLM）固有的计算负担。近期，西北工业大学音频语音与语言处理研…
15 0 0
声浪
UniSep：基于语言模型的通用目标音频提取
本文由清华大学与香港中文大学、腾讯AI Lab合作，提出了基于大语言模型（LLM）的通用目标音频分离方法：UniSep，实现了对任意混合音频的目标分离。与以往只针对单一领域或单一源的分离工作不同，UniSep支持任意类型音频的目标分离。通过…
23 0 0
![语音/音频处理学术速递[7.2]](https://api.speechhome.com/Resources/Thumb/2025-07-02/1940332486953406464.jpg)
SkyReels-Audio：让肖像"动"起来 - Skywork AI开创全能音频驱动的人像视频生成技术
来源丨AI音频时代 SkyReels-Audio 是 Skywork AI 团队开发的一款创新框架，能够将静态图像或视频与语音输入相结合，生成高度逼真且唇形同步的说话人像视频。 该框架基于预训练的视频扩散变换器构建，支持无限长度的视频生成和…
17 0 0
ICME 2025 | MM-TTS：一种多阶段的多模态可控语音合成框架
本文由清华大学与腾讯优图实验室合作，研究基于多模态数据的可控语音合成。现有的面部驱动的语音合成方法由于数据质量限制，在鲁棒性和泛化性方面存在缺陷；而文本描述驱动的语音合成方法则存在多样性有限和精细控制不足的问题。另一方面，尽管多模态驱动的语…
29 0 0
ACL 2025丨首个端到端语音大模型知识理解基准 VoxEval 发布
随着ChatGPT、Claude等文本大模型的爆火，人们开始期待更自然的语音交互方式。然而，当前的语音大模型在知识理解方面表现如何？它们能否像人类一样通过纯语音进行复杂的知识问答？ 来自香港中文大学的研究团队在ACL 2025主会上发表了一…
26 0 0
![语音/音频处理学术速递[7.1]](https://api.speechhome.com/Resources/Thumb/2025-07-01/1939970043613941760.jpg)
AutoStyle-TTS：基于检索增强的自动风格匹配语音合成
本文由清华大学与腾讯AI Lab合作，研究基于大语言模型与检索增强生成（RAG）技术的自动语音风格匹配文本转语音合成（TTS）系统。当前主流TTS方法虽已实现高保真语音合成，但在语音风格控制方面仍依赖人工设定的提示语，难以自适应待合成文本内…
32 0 0
美团提出首个语音交互GUI智能体，端到端语音训练能力优于传统文本训练
GUIRoboTron-Speech团队 投稿 来源 |量子位 由美团和浙江大学联合推出的GUIRoboTron-Speech——让用户解放双手，直接对计算机“发号施令”。 联系方式：wenkangh@zju.edu.cn 论文链接：htt…
20 0 0
![语音/音频处理学术速递[6.30]](https://api.speechhome.com/Resources/Thumb/2025-06-30/1939610821487366144.jpg)