语音“PS”来了！蚂蚁又放大招，ASR+TTS+编辑的全能语音模型开源了！
在大模型的浪潮下，语音领域也正迎来“整合与统一”的趋势。 过去我们往往需要分别调用不同的模型来完成语音识别（ASR）、语音生成（TTS）和语音编辑等任务，不仅开发成本高，而且在真实业务中很难实现流畅的衔接。 而这一次，阿里蚂蚁团队直接给出了…
56 0 0
声浪
阿里重磅开源：端到端VLM文档解析模型，图片直出结构化HTML！
在 AI 文字识别类应用的落地过程中，有一个被低估却非常关键的环节：文档解析。 无论是科研、金融、法律，还是教育、医药、制造业，日常处理的海量文档里，总有一大类以 PDF、扫描件、图片的形式存在。 要想把它们转化为 AI 可用的知识，需要先…
54 0 0
NeurIPS 2025丨上海交通大学跨媒体语言智能实验室5篇录用论文分享
NeurIPS，即神经信息处理系统大会（Conference on Neural Information Processing Systems），是由神经信息处理系统基金会（NeurIPS Foundation）主办的全球机器学习与人工智能…
39 0 0
![语音/音频处理学术速递[9.29]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-09-30/1972945850023940096.jpg)
WenetSpeech-Chuan：多维标注大规模四川话语音语料库开源
语音理解与生成的飞速发展离不开大规模高质量语音数据集的推动。其中，语音识别（ASR）和语音合成（TTS）被公认为最首要的任务。但对于拥有约 1.2亿 母语使用者的川渝方言而言，受限于标注资源匮乏，研究进展缓慢，ASR 与 TTS 的表现始终…
62 0 0
![语音/音频处理学术速递[9.28]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-09-30/1972945970488545280.jpg)
实时语音活动检测：兼顾精度与计算量的平衡之道
语音活动检测（Voice Activity Detection，VAD），又称端点检测是音频领域比较常用的一个算法，其作用是检测语音的起点和终点。它可以在语音编码中对静音帧和非静音帧采用不同的编码方式以节省带宽，也可以作为语音识别的前置模块…
48 0 0
![语音/音频处理学术速递[9.26]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-09-26/1971489451137961984.jpg)
![语音/音频处理学术速递[9.25]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-09-26/1971489314705641472.jpg)