ECoM-Reasoning：让端到端的语音大模型学会轻量级推理
以 GPT-4o、Moshi、GLM-4-Voice、Qwen-Omni 为代表的端到端语音大模型（SLM）正在推动人机交互迈向“开口即对话”的新阶段。然而，在需要精确、结构化推理的场景下——尤其是口语数学问答——语音大模型的表现仍显著落后…
104 0 0
声浪
为什么语音大模型一开口，还是像客服？
来源丨paperweekly 问题可能不在语言能力本身，而在那些更难被建模的东西：语气、情绪、停顿、潜台词，以及人与人交流时微妙的“社交感”。而最近，一篇来自南京大学与小米的论文，开始系统地评测这些副语言能力。 论文标题：SpeechPar…
61 0 0
告别“只测反应不测智商”！清华&港中文联合发布 MTR-DuplexBench：全双工语音大模型的多轮对话“照妖镜”！
文章链接：https://arxiv.org/pdf/2511.10262 仓库链接：https://github.com/ZhangHe0918/MTR-DuplexBench 数据集链接：https://huggingface.co/d…
29 0 0
语音大模型为什么“听懂了”却还是答不对？
以下文章来源于Amphion，作者Amphion Team 「现存问题」 这几年，端到端 Speech LLM 进步很快： 语音输入可以直接问答 不再必须“ASR转文字 → 再丢给LLM” 看起来离“直接听懂并推理”已经很近了 但一个很顽固…
36 1 0
Seed 全双工语音大模型发布：懂倾听、抗干扰，走向更自然的交互
今天，字节正式推出原生全双工语音大模型 Seeduplex。相比于上一代半双工豆包端到端语音模型，Seeduplex 基于“边听边说”的全新框架设计，交互体验的自然感、顺畅度大幅提升。 如果说端到端架构通过统一“听”“说”模块，让 AI 拥…
49 0 0
告别 “聊不到一块去”！港中大提出TurnGuide：让全双工语音大模型兼具“极致拟人”与“满分语商”！
文章链接：https://arxiv.org/pdf/2508.07375 想象一下，当你和AI 语音助手聊天时，它可以像真人一样自然地倾听、适时地“嗯、啊”附和，甚至在你打断它时迅速反应。这就是全双工语音大模型(FD-SLMs)的魅力所在…
26 0 0
WEST 更新：语音大模型后训练方案来了
WEST 新增了 GRPO 强化学习和 On-Policy Distillation 两个 recipe，支持对 Qwen2-Audio、Qwen2.5-Omni 等音频模型做后训练。GRPO 方案可复现 r1-aqa、Ke-Omni、Om…
30 0 0
SpeechMedAssist | 健康咨询从“打字”走向“对话”，如何让语音大模型听懂病人？
项目资源 代码 & 语音样例：https://github.com/SirryChen/SpeechMedAssist 论文链接：https://arxiv.org/abs/2601.04638v1 Demo：https://speech.…
16 0 0
VoxPrivacy发布: 首个面向语音大模型的交互隐私评测基准
本文来源丨Amphion 当语音大模型（SLM）从“个人设备”走向“智能家居/车载/公共服务”等多人共享场景时，新的风险出现了：模型可能将用户A的私密日程、隐私信息，误传给用户B。简单来说，语音助手需要明确 “哪些话能说、该对谁说”，团队称…
14 0 0
听力和智商只能选一个？TARS对齐框架解决语音大模型降智问题
论文题目： Closing the Modality Reasoning Gap for Speech Large Language Models 论文链接： https://arxiv.org/abs/2601.05543 从 GPT-4…
24 0 0