一个动听的嗓音并不能告诉我们这位导师教得怎么样。真正的问题在于：当对话结束后，学习者能独立解释出什么？ 这是一项近期研究背后的核心问题。该研究考察了在线 MBA 课程中语音与文本辅…

现有音频评测大多按“语音、环境声音、音乐”等输入类型，或“转写、分类、问答”等任务组织。这些分类便于比较模型在具体任务上的表现，却难以说明任务背后的能力需求。同样是音频问答，辨认两…

连续表征语音生成能够保留更丰富的韵律、音色与频谱细节，但在长文本或复杂语句合成中，现有自回归扩散模型仍容易出现说话人漂移、重复、漏读、错读和语义幻觉。如何同时兼顾长程声学一致性与语…

人们会打断对方。他们会在别人话音未落时笑起来，会在发言人还没说完时就快速表示赞同，也会在音乐或车流声作背景的情况下继续交谈。对语音 AI 开发者而言，这种日常的混乱带来了一个棘手的…

NVIDIA 在 Hugging Face 平台上发布了Nemotron 3 Diarization，一个开源权重的说话人分离模型。它回答关于任何一段对话的一个问题：谁在什么时候说…

本工作为 Speech-LLM 多语种参数高效微调提供了一种新的技术思路，可进一步推广至多语种语音识别、语音理解及其他基于大模型的参数高效微调任务，为大规模多语种语音模型的训练与部署提供了新的解决方案。

自变量机器人（X Square Robot）的 X2-NativeCursor 用一个约 2M 参数的进度模型，直接从 TTS 的原生语音 token 中估计原文位置，再由客户端结合播放时钟确定播报进度。

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…