在实时通信、语音交互和音频修复等场景中，语音超分辨率（Speech Super-Resolution, SR）技术扮演着重要角色——它能够从低采样率的语音信号中重建丢失的高频成分，…

在安静环境里，语音识别的问题很直接：用户说什么，模型就转录什么。但在会议、车内或咖啡厅里，用户的声音经常会和旁人交谈一起进入麦克风。 假设用户说“打开导航”，旁边的人同时说“我们明…

首 Token 时间（Time to first token，TTFT）是团队在为语音场景挑选推理 API 时使用的指标，也是最容易误导他们的指标。TTFT 标记的是生成开始的时刻…

无需分词，即可实时克隆人声！VoxCPM 是一个开源TTS文本转语音系统，它在连续空间中建模语音，而不是使用离散 token。 大多数 TTS 系统会在生成前将语音转换为离散 to…

FlexiSLM 带来的意义，并不只是“又做了一个更低帧率的语音模型”。我们觉得它的价值在于，为 Speech LLM 引入了一种新的部署范式。

语音技术曾经给人一种噱头的感觉。你问手机一个问题，得到一个似是而非的答案，然后就结束了。如今，AI 语音工具正在重塑你的工作、学习、创造和沟通方式。这种转变意义重大，因为说话比打字…

地铁里、会议室中、医院病房内——很多场合我们都需要“说点什么”，却又不便发出声音。 苹果公司近日公开了一项专利申请（WO2026159706A1），提出一种默声语音检测方案：用户在…

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…

零样本语音转换旨在保留语音语言内容的同时，将源说话人音色迁移至任意未见过的目标说话人。随着实时通信、直播互动、在线会议、游戏语音等应用场景的发展，语音转换系统对低延迟、轻量化和高保…

近年来，基于大语言模型的语音合成技术快速发展。在普通文本上，模型已经能够稳定生成自然度很高、音色也足够相似的语音。然而，一旦遇到复杂生僻词、排比句或连续重复结构，重复、漏读甚至无限…

语音功能已正式突破智能音箱的局限。随着 AI 更深入地融入日常电子产品，音频已成为人机之间主要的、直接的交互界面。如今的消费者和企业用户期望设备能够自然地响应语音指令，即时适应复杂…

XMOS 发布了新一代语音处理器 VocalFusion XVF3620，它将 AI 降噪技术与完整的片上语音处理流程相结合，即使在嘈杂、混响和动态环境中也能提供可靠的语音采集。该…

近年来，基于大语言模型（LLM）的文本转语音技术快速发展，基于大语言模型（LLM）的TTS方案已经在自然度、音色相似度和零样本音色克隆（zero-shot voice clonin…

阿里团队的最新研究 STAR-VAE 已被机器学习顶级会议 ICML 2026 接收。这项工作聚焦音频生成中一个长期被忽视、却决定效果上限的底层环节——音频 VAE（连续 toke…

CoCoEmo是一种轻量、可组合、可控的情感语音生成框架。不同于重新训练模型或设计复杂 emotion prompt，CoCoEmo 直接在预训练 hybrid TTS 模型的中间激活空间中注入 emotion steering vector，从而引导模型生成目标情感表达。

近年来，零样本语音复刻技术快速发展，AI 已经能够仅凭一段文本和一小段参考音频，合成出自然度颇高的目标说话人语音。然而，在生成质量持续提升的同时，一个更基础的问题仍未被认真回答： …

本文提出 MagiCodec，一个单层、流式Transformer音频编解码器，通过多阶段训练 + 高斯噪声注入 + 隐空间正则化，显式提升token的语义表达能力，同时保持高保真重建。

在澳大利亚，接线板被称为“tail board”。在英国，负责摄像机音频匹配的工程师通常被称为“racker”，而不是“shader”。 在国际足联世界杯上，这些差异会迅速消失。 …

AI 迅速重塑了科技世界，无论是在现代娱乐领域还是在数字文化领域。虽然大多数讨论都集中在 AI 生成的图像和文本工具上，但 AI 语音已成为一项新兴技术，正在改变人们创作、消费乃至…

2026年6月15日，Syntiant Corp. 确认了两项重要的战略收购。Syntiant 收购了 Orosound 和AudioSourceRE，为其机器学习模型组合增添了先…