声浪

语音小管家

原创2 years ago

来源丨机器之心 近日，kimi 又发布了新的开源项目 —— 一个全新的通用音频基础模型 Kimi-Audio，支持语音识别、音频理解、音频转文本、语音对话等多种任务，在十多个音频基准测试中实现了最先进的 (SOTA) 性能。 结果显示，Ki…

语音小管家

转载2 years ago

近日，Nari Labs开源了Dia-1.6B，能够生成关于任何主题的对话，语音音色自然，还会添加语气、咳嗽声、笑声等。 GitHub 项目地址：https://github.com/nari-labs/dia HF 模型地址：https:…

语音小管家

转载2 years ago

来源丨故障诊断与Python学习 MIMII声音数据集提供首个专注于工业机器声音的开放数据集，支持无监督异常检测算法的开发与评估，推动自动化设备维护研究。 论文：MIMII DATASET: SOUND DATASET FOR MALFUN…

语音小管家

转载2 years ago

来源丨新智元 AI是否能像人类一样感受世界？Anthropic最新研究揭示AI幸福感的可能性，科学家们却为此吵翻天。Anthropic专家大胆预测：Claude可能已有15%概率具有意识，五年后或将突飞猛进！ 未来，AI会拥有意识，并像人类…

语音小管家

原创2 years 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2 years 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2 years 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…