![语音/音频处理学术速递[10.17]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-10-17/1979126425126572032.jpg)
声浪
李飞飞发布全新世界模型，单GPU就能跑！
来源丨机器之心 单 GPU 级世界模型来了。斯坦福大学教授李飞飞创业公司 World Labs 又推出了新成果！ 上个月，World Labs 发布了空间智能模型 Marble，「只需一张图片，就能生成持久存在的 3D 世界，比以往更宏大、…
25 0 0
豆包语音合成模型2.0发布，语义理解+情感演绎双突破
今天，火山引擎发布了豆包语音合成模型2.0（Doubao-Seed-TTS 2.0）和豆包声音复刻模型2.0（Doubao-Seed-ICL 2.0）。此次升级基于豆包大语言模型研发语音合成新架构，让合成和复刻的声音都能解锁深度语义理解和上…
33 0 0
Easy Turn：全双工口语对话系统中融合声学与语言模态的鲁棒轮次转换检测
在自然人机交互中，实现如同人类般“边听边说”的全双工语音对话（Full-duplex Spoken Dialogue）一直是语音交互系统的终极目标。与传统的半双工系统不同，全双工系统要求模型能够在用户发言过程中，实时判断是否需要继续倾听、生…
39 0 0
![语音/音频处理学术速递[10.16]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-10-17/1979011461405609984.jpg)
2.6K Star！超逼真端侧TTS模型，0.5B参数3秒音频即时克隆！
分享一款开源 TTS 模型：NeuTTS Air，它是一款免费、开源、轻量级的超逼真语音合成模型。 仅 0.5B 参数，但实际体验几乎媲美市面上许多商用 TTS 引擎。更关键的是，它能在手机、笔记本甚至树莓派这样的低功耗设备上流畅运行，真正…
44 0 0
![语音/音频处理学术速递[10.15]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-10-15/1978396893419540480.jpg)
清华大学 x 生数科技：从波形到隐空间，AudioLBM引领音频超分新范式
音频超分辨率（Audio Super-Resolution, Audio SR），即从低采样率音频恢复出高采样率版本，是提升语音清晰度、音乐细节与沉浸式音频体验的关键技术。无论是在老旧录音修复、语音通信增强，还是音乐制作与多模态生成中，高分…
27 0 0
![语音/音频处理学术速递[10.14]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2025-10-14/1978040464766537728.jpg)
MNV-17开源： 包含了17类非语言发声（NV）的ASR数据集，为NV感知ASR建立新基准
主流自动语音识别（ASR）系统在转写词汇内容上表现优异，但普遍忽略了语音中蕴含的叹气、笑声等非语言发声（Nonverbal Vocalizations, NVs）。这一能力缺失限制了系统对人类交流意图与情感的全面理解，使得NV感知ASR（N…
30 0 0