声浪

语音小管家

原创a year ago

一、简介 1.1 什么是强制对齐(Forced Alignment) 强制对齐是将转录文本与相应的音频信号对齐以确定单词、子词或音素等单元的时间边界的过程，也叫对齐。 下图可以直观看到对齐的过程。如图1所示，这是使用praat人工给音频中每…

语音小管家

转载a year ago

本文要介绍的Kirigami 是卡内基梅隆大学研究人员开发的一种设备端语音过滤器，用于在声学活动识别等应用中保护用户隐私。它具有以下特点： 基于逻辑回归的轻量级语言检测器：能将短时傅里叶变换（STFT）后的音频每一帧分类为语音或非语音，并去…

语音小管家

原创a year ago

传统级联式语音交互系统通常采用"语音识别-大语言模型-语音合成"的串联处理流程，这种架构存在明显的时延累积和信息损耗问题。相比之下，语音交互大模型通过端到端的处理方式，将语音理解和语音生成能力深度融合到大语言模型中，从而实现高性能、低时延的…

语音小管家

转载a year ago

在人工智能技术日新月异的今天，语音合成（TTS）领域正经历着一场前所未有的技术革命。最新一代文本转语音系统不仅能够生成媲美真人音质的高保真语音，更实现了「只听一次」就能完美复刻目标音色的零样本克隆能力。这一突破性进展的背后，是大规模语音数据…

语音小管家

原创a year ago

随着语音领域生成式人工智能与音频伪造技术的迅猛发展，语音深度伪造（Deepfake），也称为语音反欺骗（Anti-spoofing），已成为信息安全领域的重要挑战。与此同时，基于语音大模型（如wav2vec 2.0 [1]、WavLM [2…

语音小管家

原创a year ago

近日，上海人工智能实验室（上海 AI 实验室）开源了生成式世界模型 AETHER。该模型全部由合成数据训练而成，不仅在传统重建与生成任务中表现领先，更首次赋予大模型在真实世界中的 3D 空间决策与规划能力，可助力机器人完成目标导向的视觉规划…