MMS-LLaMA是一款高效的多模态语音大语言模型框架，专注于自动视觉语音识别（AVSR），在优化标记长度的同时保留了语言内容。该框架通过整合视觉和语音数据，提供了一种全新的方法来提升语音识别的准确性和效率。MMS-L...

DEX-TTS是一种全新的富有表现力的文本转语音（TTS）模型，它采用参考语音来改善风格表示和模型泛化。这种新型技术的出现，为语音技术领域开创了新的可能性。DEX-TTS模型通过参考语音，能够更准确地捕捉到语音风格的...

Cartezia公司，由SSMs、Mamba和子二次方变换变体的创造者们成立，最近开发了一款名为Sonic的全新语音模型。这款模型以其超低延迟和逼真的语音效果而备受瞩目，预示着虚拟助手领域的技术革新。Sonic模型以其快速响应...

Pipecat是一个构建语音和多模式对话代理的框架。这个框架使开发者能够更便捷地创建和管理语音交互系统。多模式对话代理则是指可以处理多种类型输入（如文字、语音、图像等）的人工智能系统。Pipecat不仅适用于创建语...

Hume公司近日发布了一项创新产品——情感语音界面（Empathic Voice Interface，简称EVI），这是首款集成了情感智能的对话式人工智能技术。EVI能够理解和模拟人类情感，通过语音交互提供更为自然、贴心的用户体验。这一...

本文敦促UX设计师在GenAI界面中创新超越Quick Actions和Multi-Turn模式，强调需要更直观、适应性更强的设计来适应人工智能的不断发展。强调用户赋权和上下文理解，重点介绍了有前途的替代UX模式，如拖放、语音交互和...

近日，研究人员推出了一种名为SpeechGPT-Gen的新语音合成模型，该模型能够高效地处理语言和声音特性的复杂性。SpeechGPT-Gen是一种基于GPT-2架构的语音合成模型，通过对大量语言数据进行训练，使得模型能够预测下一...

Meta最近展示了一项新的技术，可以实现不同语言之间的语音克隆和翻译。该技术可以通过对一段语音进行分析和深度学习来实现。在语音克隆方面，该技术可以将一个人的语音克隆到另一个人身上，从而实现更加自然的语音交...