看一眼就够了！MeMo：让 模型 在「看不见」时，依然能「听得准」
当视觉信息丢失、模糊或被遮挡，模型 还能否精准地从嘈杂人声中提取出目标说话人的声音？本文提出的MeMo 框架，借鉴人类大脑的「注意力动量」机制，让模型像人一样——只要看一眼，就能持续聚焦。 在视觉受损场景下，MeMo 取得了约27% 的相对…
23 0 0
声浪
![语音与音频学术速递[6.19]](https://api.speechhome.com/Resources/Thumb/2026-06-22/2069003417271013376.png)
Interspeech 2026丨上交大跨媒体语言智能实验室7篇录用论文分享
近日，Interspeech 2026 公布了论文录用结果，上海交通大学跨媒体语言智能实验室共7篇论文被会议接收。Interspeech 是由国际语音通信协会（ISCA）组织的语音研究领域的顶级会议之一，是全球最大的综合性语音信号处理领域的…
23 0 0
ACL 2026丨上交大跨媒体语言智能实验室5篇录用论文分享
近日，第 64 届国际计算语言学年会（Annual Meeting of the Association for Computational Linguistics，ACL）公布了论文录用结果，上海交通大学跨媒体语言智能实验室共5篇论文被会…
18 0 0
![语音与音频学术速递[6.18]](https://api.speechhome.com/Resources/Thumb/2026-06-22/2069003233090736128.png)
82毫秒，Cartesia 携 Sonic 3.5 与 Ink 2，登顶实时语音交互的“听” 与 “说” 王座！
近日，Cartesia 发布 Sonic-3.5 与 Ink-2 语音模型：基于状态空间模型，首音延迟降至 82ms 并集成原生轮次检测。 Cartesia 推出新一代实时语音端到端模型 Sonic-3.5 与 Ink-2。该系列模型基于状…
24 0 0
INTERSPEECH 2026 | 告别主观评测！NV-Bench：首个非语言发声 TTS 基准
现在的语音合成（TTS）越来越像真人了，但总觉得少了点“人味儿”。 为什么？因为真人说话不仅仅是念文字，还充满了非语言发声（Nonverbal Vocalizations, NVs）： 生理反应：咳嗽（Cough）、叹气（Sigh）、呼吸声…
27 0 0
Interspeech2026丨NPU-ASLP实验室11篇录用论文分享
本期分享西工大音频语音与语言处理研究组（ASLP@NPU）被 Interspeech 2026接收的11篇论文，以下是发表论文的相关信息。 01、OmniCodec: Low Frame Rate Universal Audio Codec…
22 0 0
![语音与音频学术速递[6.12]](https://api.speechhome.com/Resources/Thumb/2026-06-12/2065365102768558080.png)
Interspeech2026 | 能够反馈编辑的沉浸式音频故事生成智能体：AuDirector
一个面向沉浸式音频故事创作的自反思闭环多智能体框架。 录取信息：Accepted to Interspeech 2026 论文题目：AuDirector: A Self-Reflective Closed-Loop Framework fo…
19 0 0