Mini-Omni：首个开源实时语音交互模型，边听边说边思考，延迟比GPT-4o还要低
Mini-Omni是一个开源多模态大型语言模型，具备实时对话能力和端到端的语音输入输出功能。通过独特的文本指导并行生成方法，实现了与文本能力一致的语音推理输出，仅需极少的额外数据和模块。 论文题目：Mini-Omni: Language M…
15 0 0
声浪
近期声学相关学术论文整理
本文整理了一些近期发表的声学相关论文，供大家了解科研进展。 1.基于复合谐振腔的多频带声波受控传输 出版日期：2024-09-06 DOI：10.1007/s00339-024-07885-x 作者：肖亮, 张智 , 褚佳明 , 罗江霞 ,…
17 0 0
声网对话式AI解决方案，构建实时多模态AI语音交互
在生成式AI领域，随着大模型多模态交互能力的升级，RTC技术推动人与AI的互动超越文字，实现生动、流畅的低延迟语音通话。随着GPT-4o的发布，标志着AI实时语音交互的突破。之前传统大模型虽具备语音交互，但通常使用WebSocket方案，这…
15 0 0
![语音/音频处理学术速递[9.12]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-09-13/1834478784762482688.jpg)
苹果将ChatGPT集成在iPhone 16
苹果在昨天举办的产品发布会上宣布，将最新开发的 “Apple Intelligence”集成在iPhone 16、iPad 平板和Mac笔记本中，全面拥抱生成式AI。 其中，Siri已经集成了OpenAI的ChatGPT（GPT-4o）功能…
16 0 0
![语音/音频处理学术速递[9.11]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-09-13/1834478298877530112.jpg)
这就翻车了？Reflection 70B遭质疑基模为Llama 3，作者：重新训练
来源丨机器之心 最近，开源大模型社区再次「热闹」了起来，主角是 AI 写作初创公司 HyperWrite 开发的新模型 Reflection 70B。 它的底层模型建立在 Meta Llama 3.1 70B Instruct 上，并使用原…
14 0 0
开源音乐生成模型 FluxMusic，轻松将文字转化为悦耳旋律！
FluxMusic 是一种将当下最火、效果最好的 Flux 文生图模型技术扩展到音乐生成的开源模型，能够很好的遵循提示词生成音乐，并且更自然流畅。 源码库：https://github.com/feizc/FluxMusic 论文：http…
14 0 0
![语音/音频处理学术速递[9.10]](https://speechhome.oss-cn-hangzhou.aliyuncs.com/Resources/Thumb/2024-09-13/1834477470154362880.jpg)
GPT Next年底来袭！有效计算量百倍GPT-4，OpenAI耗资数百亿打造基建
来源丨新智元 OpenAI的下一代前沿模型GPT Next，或许真的有着落了。KDD 2024峰会上，发言人再次称，虽然GPT-3和GPT-4的能力相对接近，但GPT Next预计将取得实质性地性能跃升。 KDD上的一张PPT，再次掀起AI…
18 0 0