夸克健康大模型万字调研报告：国内首个！透视主任医师级「AI大脑」背后的深度工程化
7月23日，夸克健康大模型在业界引起广泛关注：其成功通过了中国12门核心学科的主任医师笔试评测，成为国内首个完成此项专业考核的AI大模型。这一成果不仅凸显了AI在严肃医疗和C端的应用潜力，也引发了行业对其背后技术逻辑与工程实践的深入探讨。…
17 0 0
声浪
李沐老师也出手了，教你手搓语音大模型，代码全开源还能在线试玩!
来源丨量子位 李沐老师终于带着他的手搓语音大模型教程回归了，一千万小时音频数据训练的TTS，效果秒杀一众商业&开源的TTS。 本期视频不讲论文，李沐老师来手把手教大家怎样玩转他们团队最新研发的Higgs Audio V2模型，不仅能处理文本…
27 0 0
影视配乐、游戏音效革命：清华大学 & 生数科技 ACM MM 2025 最新研究让 AI 生成时间可控长时音频
文生音频系统（Text-to-audio generation, T2A）在生成模型的持续发展下取得了显著的进展。然而，由于精确时间对齐的音频-文本数据对在质量和数量上的限制，现有 T2A 系统在面对包含精确时间控制的复杂文本提示时表现仍然…
20 0 0
![语音/音频处理学术速递[7.23]](https://api.speechhome.com/Resources/Thumb/2025-07-23/1947919645776416768.jpg)
Grok +Tesla驾驶认知革命：让汽车开始“思考”的那一刻 -- 从自动驾驶到自主思考
这可不是什么未来科技的遥远设想，而是Tesla车主 Kim 与其车载 AI Grok 之间的一次真实互动。在即将开始线上会议前，仅凭一句指令，Grok 就能理解用户意图、规划充电路径、选择充电设施，并自主执行整个补能过程。这种跨越“人—车—…
19 0 0
ACM MM 2025｜DualDub：同时生成和谐的语音与背景音频，构建完整的视频音轨
当前视频到音频(Video-to-Audio, V2A)模型可以从视觉输入中生成逼真的背景音频，但它们大多忽略了语音在视频音轨中的关键组成部分。近期，西工大音频语音与语言处理研究组（ASLP@NPU）联合巨人网络、University of…
18 0 0
![语音/音频处理学术速递[7.22]](https://api.speechhome.com/Resources/Thumb/2025-07-22/1947589847946498048.jpg)
MM 2025丨ISDrama：通过多模态提示实现沉浸式空间戏剧生成
多模态沉浸式空间戏剧生成旨在基于多模态提示，创建具有戏剧韵律的连续多说话人双耳语音，在增强现实（AR）、虚拟现实（VR）等领域具有潜在应用。这项任务需要基于多模态输入同时对空间信息和戏剧韵律进行建模，且数据收集成本较高。 为此，浙江大学的学…
16 0 0
![语音/音频处理学术速递[7.21]](https://api.speechhome.com/Resources/Thumb/2025-07-21/1947199836927430656.jpg)
语音 AI 公司 Deepgram 发布 Saga，面向开发者的语音操作系统
总部位于加利福尼亚州旧金山的语音人工智能平台 Deepgram 宣布推出 Deepgram Saga，这是一款专为开发者设计的语音操作系统，旨在消除现代开发中频繁切换工具、寻找信息的「隐形税」，让开发者能够专注于构建，而非琐碎的操作。Sag…
23 0 0