语音与音频

技术方向 · 语音合成、实时对话、音乐生成与音频理解 · 共 168 条

只展示置信度达到公开门槛且每篇排名前三的主题标签，降低泛化误贴。

8月13日周四 · 1 条

01:02

正文结构化主题已通过公开置信门槛

Hugging Face New and Trending Models一手来源模型发布

NVIDIA 发布流式说话人日志模型 Streaming Sortformer 4spk v2

NVIDIA 发布了 Streaming Sortformer Diarizer 4spk v2 模型，这是一个用于说话人日志的流式端到端神经模型，基于 FastConformer-Transformer 架构，参数量为 117M。该模型在 DIHARD III 和 CALLHOME 等基准测试上取得了较低的 DER 值，并支持 NeMo Voice Age

8月11日周二 · 1 条

00:42

正文结构化主题已通过公开置信门槛

Hugging Face Blog一手来源模型发布

NVIDIA 发布 Magpie 多语言 TTS：开源权重，低延迟部署

NVIDIA 发布 Magpie 多语言 TTS 模型，新增阿拉伯语、韩语和巴西葡萄牙语支持，共支持 12 种语言。该模型为 3.64 亿参数的开源权重模型，可通过 NVIDIA NIM 部署，在 B200 GPU 上实现 32 毫秒的首音频延迟和 320 倍实时吞吐。通过帧堆叠和局部 Transformer 架构优化，在保持语音质量的同时降低推理延迟，适用

8月10日周一 · 4 条

22:00

正文结构化主题已通过公开置信门槛

The Verge AI观点

Bose CEO 谈转型：多品牌战略与音频技术授权

Bose CEO Lila Snyder 在访谈中介绍了公司转型：从单一品牌转向多品牌，收购了 McIntosh 和 Sonus faber 进入豪华音频市场，并新增了 B2B 的 Audio Tech 业务，将 Bose 技术授权给其他公司，如 Motorola、Xreal 和 Sena。她认为声音的重要性日益增加，并讨论了 AI 可穿戴设备对音频行业的潜

19:26

正文结构化主题已通过公开置信门槛

Hugging Face Blog一手来源研究

阿拉伯语TTS排行榜方言偏差调查：并非刷榜，而是方言差异

Hugging Face 团队在收到社区关于阿拉伯语 TTS Arena 排行榜与用户体验不符的反馈后展开调查。他们最初怀疑存在刷榜行为，但通过逐条听取投票音频和检查提示词，发现异常投票其实是用户使用海湾方言进行真实评测的结果。进一步分析表明，不同阿拉伯语方言下最佳模型各不相同，单一排行榜掩盖了这种差异。最终，团队保留了所有投票，并为排行榜增加了方言筛选功能

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.IR一手来源研究

从分类到推荐：音频嵌入模型在基于内容的音乐推荐中的实证分析

该研究系统评估了六种预训练音频编码器在三种音乐推荐系统（基于内容、序列和基于语义ID的生成式推荐系统）中的有效性。研究发现，音频-文本对齐和音乐领域的表示在直接使用预训练嵌入几何时通常更有效，而基于交互的序列训练会显著缩小编码器间的性能差异。此外，增加语义ID容量并不总能提升生成式推荐系统性能，甚至可能引入不稳定性。这些发现为现代音乐推荐系统选择音频编码器和

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.CL一手来源研究

分离语音语言模型中的决策规则错位与读出覆盖限制

该研究提出了一种生成对齐的诊断阶梯方法，用于分离语音语言模型在副语言任务中决策规则与读出覆盖范围的性能差距。实验发现，状态解码平均比生成准确率高27.8个百分点，且标签无关的logit修正能改善生成准确性。结果表明，情感信息在原生读出之外可泛化到未见说话者，但替换读出外部方向对生成答案影响甚微。

8月8日周六 · 1 条

05:23

正文结构化主题已通过公开置信门槛

llama.cpp Releases一手来源产品发布

llama.cpp b10326 发布：TTS 计时改进及多平台支持

llama.cpp 发布 b10326 版本，主要更新是在 TTS 功能中，将声码器（vocoder）的波形生成时间计入计时行，使报告的总时长与音频处理比例更准确。该版本提供了适用于 macOS、Linux、Windows、Android 等多个平台的预编译二进制文件，并支持多种硬件后端。

8月7日周五 · 1 条

15:43

正文结构化主题已通过公开置信门槛

量子位产品发布

阿里发布国内首个AI语音平台CosyVoice Studio

阿里巴巴于8月7日推出国内首个一站式AI语音生产力平台CosyVoice Studio，基于自研语音模型Qwen-Audio，该模型在Artificial Analysis上获得ASR、实时交互和TTS三项全球第一。平台包含语音键盘、音频内容创作工具和语音智能体三大功能，面向企业和个人用户，支持语音转写、语义理解、声音复刻和智能体搭建。该平台将阿里的语音能力

8月6日周四 · 1 条

21:18

正文结构化主题已通过公开置信门槛

Hugging Face Blog一手来源模型发布

Vaani-LID v0：覆盖42种印度语言的语音识别前端

Hugging Face 与 ARTPARK-IISc 联合发布 Vaani-LID v0，这是一个开源语音语言分类器，可识别印度 42 种语言，覆盖四个语系。该模型基于 Vaani 语料库预训练的 FastConformer 编码器，在冻结状态下跨域表现优于微调的 Whisper，并采用分层 softmax 提升泛化能力。研究还发现，对预训练编码器进行微调

8月4日周二 · 2 条

16:58

正文结构化主题已通过公开置信门槛

量子位模型发布

腾讯混元发布Hy ASR 3.0 preview，语音识别理解上下文

腾讯混元于8月4日发布新一代语音识别模型Hy ASR 3.0 preview，基于大语言模型Hy3，融合高精度语音识别与语义理解，在通用识别、上下文感知、多场景鲁棒性及方言覆盖等维度显著提升。该模型在开源和自建评测集上WER表现领先，已上线腾讯云提供API服务，并集成于腾讯元宝等产品。

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.CL一手来源研究

DLLM-TTS：用于语音合成的块离散扩散语言模型

DLLM-TTS 是一种将文本到语音合成（TTS）建模为基于 X-Codec2 神经音频编解码器令牌的条件块离散扩散的框架。该模型将序列分解为块，在块内应用掩码扩散，同时顺序处理块，以学习局部声学一致性和全局文本-语音对齐。在推理时，块内并行令牌预测实现了 0.15 的实时因子（RTF），一个在 20K 小时数据上训练的 0.6B 参数模型在 Seed-TT

8月3日周一 · 1 条