clone-voice：一键克隆声音，开源AI技术让声音创作更便捷、更个性化
clone-voice是一款免费开源的声音克隆工具，它凭借先进的人工智能技术，能够分析和模拟人类声音的特征，从而实现高质量的声音克隆. 只需提供一段简短的音频样本，它就可以根据该样本生成与原始声音极其相似的克隆声音，并且支持多种语言，目前包…
21 0 0
声浪
Perceiver-Prompt：说话人自适应方法在构音障碍语音识别中的应用
为促进最新研究成果的传播与交流，CCF语音对话与听觉专委在专委会微信公众号启动论文导读栏目，定期分享最新语音、对话与听觉相关研究方向论文。本期分享一篇发表在INTERSPEECH2024上的构音障碍语音识别方面的文章。 论文标题：Perce…
13 0 0
![语音/音频处理学术速递[12.5]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-11/1866676195249229824.jpg)
Moonshine 语音模型：资源受限设备的语音识别超强 “芯” 动力！
Moonshine是一款专为资源受限设备优化的开源语音识别模型，能够提供快速且准确的实时语音转文本服务. 它在多个标准数据集上展现出比OpenAI的Whisper模型更低的词错误率，并且计算需求与音频长度成比例，这使得其在处理短音频时速度显…
17 1 0
NVIDIA推出AI模型Fugatto：输入文本、音频可生成音乐、音效
NVIDIA最近推出了一款革命性的生成式AI模型——Fugatto（Foundational Generative Audio Transformer Opus 1），它能够通过文本和音频输入创造任何组合的音乐、人声和声音。 这款由一群生成…
16 1 0
![语音/音频处理学术速递[12.4]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-12-05/1864505646481805312.jpg)
Open-Emotion：用于语音情感识别系统的可重现通用性能基准-EMO-SUPERB
开发者可以使用平台所提供的脚本及各数据标准剪切集来开发及评估语音情绪模型；得到准确率后，可以提出要求将所得到的准确率纳入排行榜中；穿透此平台，开发者可以与平台提供的结果做比较，也可以利用平台做出有趣的分析。 Conference: 2024…
17 0 0
微软提出TS3-Codec — 突破卷积束缚，全面拥抱Transformer-only Codec
Neural audio codecs (NACs) 已成为音频压缩和语音语言模型（SLM）表示的关键技术，近年来得到了极大的发展。 微软提出TS3-Codec，为codec模型设计提供了崭新的思路。它是首个完全基于 Transformer…
20 0 0
AI语音独角兽ElevenLabs发布类似NotebookLM功能，挑战谷歌AI生成播客
来源丨 Z Potentials 语音人工智能初创公司 ElevenLabs 近期推出了一项功能，允许用户上传不同类型的内容，创建一个多语音播客，类似于Google 的 NotebookLM。 该功能称为 GenFM，可以在公司的 Elev…
15 0 0
基于最优传输和语音存在概率的无监督语音增强
为促进最新研究成果的传播与交流，CCF语音对话与听觉专委在专委会微信公众号启动论文导读栏目，定期分享最新语音、对话与听觉相关研究方向论文。本期分享一篇发表在IEEE/ACM Transactions on Audio, Speech, an…
18 0 0