台大李宏毅与微软合作提出 SHANKS：能够边聆听边深度思考的口语语言模型
ChatGPT、DeepSeek等语言模型具备「深度推理」（Reasoning）能力，这类模型会在回答问题前先进行一段较长的推论过程，使回答的品质大幅提升。 不过，这种「等使用者说完话才开始思考」的方式，虽然在纯文字的使用场景能够被接受，却…
22 0 0
声浪
东大外院陈彧教授团队最新研究成果：揭示语前聋成人普通话声调感知机制
东南大学外国语学院博士生导师陈彧教授和博士生王一诺、北京航空航天大学外国语学院博士生曹盛勤，东南大学外国语学院博士后研究员李洋在语言学SSCI、A&HCI 期刊Lingua发表题为Mandarin Citation Tone Percept…
19 0 0
![语音/音频处理学术速递[10.20]](https://api.speechhome.com/Resources/Thumb/2025-10-20/1980206796631052288.jpg)
FlexiCodec：3-12.5Hz超低帧率动态音频编解码器
FlexiCodec是一个支持推理时动态调整平均帧率至3Hz到12.5Hz之间的Codec。 论文预印版：https://arxiv.org/abs/2510.00981 模型展示页面：https://flexicodec
25 0 0
开源AI视频字幕编辑神器，Whisper智能生成+实时裁剪！
分享一款非常实用、创意十足的开源AI视频字幕编辑工具 — FlyCut Caption。 它不是那种复杂到需要剪辑经验的视频编辑器，而是一款基于 AI 的智能字幕编辑工具，能让你通过“改字幕”来“剪视频”。 也就是它不仅能智能生成字幕，还支…
18 0 0
NCMMSC2025丨ASLP实验室6篇录用论文分享
2025年第二十届全国人机语音通讯学术会议（National Conference on Man-Machine Speech Communication，NCMMSC2025）将于2025年10月16~19日在江苏镇江召开。本次会议由中国…
23 0 0
![语音/音频处理学术速递[10.17]](https://api.speechhome.com/Resources/Thumb/2025-10-17/1979126425126572032.jpg)
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、…
22 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…
32 0 0