跳到正文
11月11日周三
11月10日周二
  1. TechCrunch · AI36

    Spotify AI DJ 新增多语种个性化音色与低打扰选项

    Spotify 宣布 AI DJ 功能更新,新增 7 种英语和 2 种西班牙语音色,提供个性化性格选择,并允许用户减少歌曲间的解说干扰。 更新覆盖 95 个市场,现有 94M Premium 听众使用 AI DJ;新音色取代原有的“Livi”角色。 该功能旨在满足用户在聚会等场景下仅需背景音乐、无需语音交互的需求。

  2. arXiv · ML28

    BARS:基于 Flow Matching 的节拍自适应说唱语音生成模型

    BARS 是发布在 ISMIR 2026 的非自回归说唱语音生成模型,它基于 Flow Matching 并获得了最佳论文奖提名。 模型通过 ByT5 编码器处理歌词,并提出非对称缩放 RoPE 以解决强节拍条件下的对齐不稳定问题。 该模型支持零样本音色控制,并可通过 Span Masking 实现词级编辑,实现灵活且节奏连贯的生成效果。

  3. arXiv · ML42

    MUTE:通过多层级对齐解耦保护语音免受数字人深伪滥用

    MUTE 是一个语音保护框架,通过干扰跨模态注意力与音频嵌入,解耦数字人模型中的音视频对齐。 扰动限制在短时傅里叶变换高能区域以抗后处理攻击,并可选加入说话人级目标防止 TTS 重合成绕过。 实验表明该方法能在保持感知音质的同时,持续降低白盒与黑盒模型的唇音同步精度。

  4. arXiv · AI24

    Joi-Bench-Task: 通过交互式模拟评测全双工语音智能体的任务协调能力

    Joi-Bench-Task 是一个评估全双工语音智能体任务协调能力的基准,重点考察执行、完成、沟通及剩余汇报的跟踪。 该基准采用交互式用户模拟器,在工具执行和结果播报时引入可配置干预。 评测显示5家商业语音智能体在需求变更下最高完成率仅55%,中断后4家信息遗漏率至少23%。

  5. arXiv · NLP47

    CASA实现临床语音数据的任务自适应匿名化

    CASA是一种临床自适应语音匿名化智能体,将匿名化处理转变为任务引导的优化过程,以平衡隐私保护与临床效用。 CASA在涵盖5种语言、心理健康等领域的14项临床任务中,维持了疾病分类性能且满足说话人匿名化要求,而最强固定方法仅在14项中的8项达标。

  6. arXiv · NLP42

    Pandemonium: 基于说话人交互的长文本目标说话人语音识别

    针对 DiCoW 孤立解码及短窗口限制,研究提出 DiCoP 与 Pandemonium,引入跨说话人注意力机制解决长文本转写难题。 DiCoP 整合了 DiCoW 条件化与长文本 Parakeet 骨干网络,新增 STNO 掩码优化器以重新估算声纹信息。 团队从 YODAS2 挖掘 5.4 千小时野外多说话人数据构建伪标签,在会议评测基准取得 SOTA 效果并开源模型。

  7. arXiv · NLP22

    KR A1:集成个性化语音合成与情绪感知响应的人形机器人交互原型设计

    论文提出人形机器人交互原型 KR A1,整合 Qwen2.5-3B-Instruct、OpenVoice v2 及双层情绪处理管道,面向心理健康护理场景。 采用 InsightFace 人脸识别与 FAISS 向量检索实现用户个性化交互;当前评估仅涉及语音克隆的八项声学相似度指标,未进行临床部署。 情绪识别准确率、系统延迟及临床效果尚未评估,相关测试均为开发团队非正式自测,未涉及外部参与者。

  8. arXiv · NLP21

    IRIS-Embed 改进指令感知语音检索的 LALM 嵌入基线

    IRIS-Embed 通过对比训练和指令感知的音频层加权,将大型音频语言模型(LALMs)适配为嵌入模型,在 INSPIRE 基准测试中显著超越基线。 最佳模型取得 62.92% 的宏平均 Recall@50,优于最强基线的 45.15%。该模型使用约 900K 真实与合成数据样本构建训练集,在 MAEB 基准上获得 9.4-19.8 点的宏平均提升,证明其在语音检索之外的泛化能力。

  9. arXiv · NLP21

    长文本实时语音翻译中,文本分组方式如何改变完成时间比较

    文本更新分组会显著改变两种翻译器在实时语音合成中的完成时间比较结果。 4 秒分组使 StreamAtt 在 XTTS-v2 上的平均完成领先时间从 106.6 秒增至 229.1 秒,但在 Piper 上反而从 169.5 秒降至 146.5 秒。 这表明比较语音时序时必须明确说明文本进入合成的分组方式,仅说明使用哪种合成器是不够的。

  10. arXiv · NLP23

    自监督语音模型中音素与韵律线索的层级与时间解析机制

    研究通过冻结编码器探针在 HuBERT 和 wav2vec 2.0 的预训练检查点上测试五个任务,发现声学韵律线索和音素边界在最早期检查点即可解码。 音素识别在预训练过程中构建,在 HuBERT 第二阶段目标下重新定位到上层中间层,且获取顺序跟踪抽象程度而非音段/超音段区别。 该发现扩展了关于语音、词汇和句法结构的解释,揭示了自监督学习层级结构的时间演变。

  11. IT之家31

    腾讯首款专属 AI 游戏陪伴 Agent“鹅次元”开启内测,支持实时陪聊、手机 QQ 陪伴聊天等

    腾讯首款专属 AI 游戏陪伴 Agent“鹅次元”今日开启内测,面向 PC 玩家提供拟人化陪伴与实时语音互动。 支持 PC 及手机 QQ 陪伴聊天,AI 可基于游戏画面进行互动并回答提问。目前提供“夏夏”等角色,擅长《无畏契约》《英雄联盟》及《反恐精英》等游戏。

11月9日周一
  1. arXiv · AI24

    AUTEUR:用于文本到音频模型红队测试的声学计划学习

    提出AUTEUR框架,通过声学计划学习生成测试提示以执行文本到音频模型的红队测试。 该框架结合监督微调与音频反馈强化学习训练计划生成器,在保持目标音频模型固定的情况下进行推理。 实验显示攻击成功率在TangoFlux上为79.4%,在Kling上为95.6%,测试提示具有跨模型迁移性。

  2. arXiv · NLP20

    APEX:基于查询自适应意图检测的有效口语理解方法

    论文提出 APEX 框架,通过两阶段检索实现无需微调的口语理解(SLU)。该框架先利用意图原型筛选候选意图,再在选定意图空间内检索上下文示例。 在 SLURP 数据集上,APEX 使 Qwen3 4B 和 Gemma-3-4B 的 EMA 分别提升 4.34 和 3.97 个百分点;高困惑度输入下 EMA 增益为 7.66 和 2.13 个百分点。

11月8日周日
11月7日周六
  1. Seven Minute Feed33

    Raycast 更新新增 Dictate to AI 语音听写功能

    Raycast 推出 Dictate to AI 命令,允许用户在主动应用界面直接语音向 AI 提问并自动注入上下文。 功能基于去年 8 月发布的 Screen Awareness 功能扩展,支持语音转写、风格管理及菜单栏 AI 使用量追踪。 Mac 端新增 Contacts AI 扩展,iOS 端更新 AI 键盘与 Cloud Sync,Windows 端优化窗口与元素发送能力。

  2. IT之家59

    Cursor 推出智能体实时语音聊天功能

    AI 编程工具 Cursor 推出“与智能体实时语音聊天”功能,支持通过语音与编码智能体双向对话。该功能允许用户在 IDE、网页及 iOS 端实时沟通,语音由 Grok Voice 驱动,编码任务仍由所选模型执行,并支持零数据留存的隐私模式。