声浪

语音小管家

转载a year ago

语音转文字（STT）常需云端处理或复杂软件安装，隐私和便利性难以兼得。 Say是一款基于Whisper和Transformers.js的开源浏览器内语音转文字工具，完全本地运行，保护隐私，同时提供实时转录和富文本编辑。 其核心特点包括 •浏…

语音小管家

转载a year ago

流式语音识别（streaming ASR）因其低延迟、高效率的特点，适用在诸多“快速出字”的应用中。当前主流的端到端模型包括 CTC、RNN-T 和基于注意力的编码器-解码器（AED）。其中 CTC 凭借结构简单，在流式场景中被广泛采用。为…

语音小管家

转载a year ago

嘈杂环境下的语音识别一直是该领域的一个较为困难的问题，虽然降噪算法可以提升语音质量，但是降噪后的语音对于语音识别的提升并不明显，甚至有可能起到相反的作用。因此在语音识别领域，更多的研究关注在如何让声学模型具有更好的噪声鲁棒性，比如在训练过程…

语音小管家

原创a year ago

近日，社交平台Soul App正式升级自研端到端全双工语音通话大模型，发布SoulX-DuoVoice。新模型摒弃了传统语音交互中依赖的 VAD（话音激活检测）机制与延迟控制逻辑，打破行业中普遍存在的“轮次对话”模式，赋予 AI 自主决策对…

语音小管家

原创a year ago

近期，浙江大学联合阿里巴巴通义实验室发表了一篇题为“WavReward: Spoken Dialogue Models With Generalist Reward Evaluators”的论文。该论文提出了一种基于音频理解大模型Qwen2…

语音小管家

转载a year ago

分享上海交通大学 X-LANCE 跨媒体语言智能实验室6篇被interspeech2025录用论文。 01、LSCodec: Low-Bitrate and Speaker-Decoupled Discrete Speech Codec