论文解读
SpatialNet-Echo: Real-Time Acoustic Echo Cancellation via Integrated Narrow-Band and Cross-Band Processing
语音增强 | 7.5/10
流式处理
论文解读
Spike-Driven Low-Power Speech Bandwidth Extension
语音增强 | 8.0/10
论文解读
Str-DiffSep: Streamable Diffusion Model for Speech Separation
语音分离 | 7.5/10
论文解读
Streaming Speech Recognition with Decoder-Only Large Language Models and Latency Optimization
语音识别 | 7.0/10
论文解读
SynaSpot: A Lightweight, Streaming Multi-modal Framework for Keyword Spotting with Audio-Text Synergy
关键词检测 | 7.5/10
论文解读
Syncspeech: Efficient and Low-Latency Text-to-Speech Based on Temporal Masked Transformer
语音合成 | 7.5/10
论文解读
Train Short, Infer Long: Speech-LLM Enables Zero-Shot Streamable Joint ASR and Diarization on Long Audio
说话人分离 | 9.0/10
论文解读
VChangeCodec: An Ultra Low-Complexity Neural Speech Codec with Built-In Voice Changer for Customized Real-Time Communication
语音转换 语音增强 | 8.0/10
论文解读
VoXtream: Full-Stream Text-To-Speech With Extremely Low Latency
语音合成 | 8.5/10
论文解读
WhisperPipe: A Resource-Efficient Streaming Architecture for Real-Time Automatic Speech Recognition
语音识别 | 6.5/10
论文解读
Hallo-Live: Real-Time Streaming Joint Audio-Video Avatar Generation with Asynchronous Dual-Stream and Human-Centric Preference Distillation
音视频 | 8.5/10
论文解读
MAGIC-TTS: Fine-Grained Controllable Speech Synthesis with Explicit Local Duration and Pause Control
语音合成 | 7.0/10
论文解读
Hierarchical Policy Optimization for Simultaneous Translation of Unbounded Speech
语音翻译 | 7.5/10
论文解读
FastTurn: Unifying Acoustic and Streaming Semantic Cues for Low-Latency and Robust Turn Detection
这篇论文针对全双工语音对话系统中需要低延迟、高精度判断用户是否结束发言（轮次检测）的难题，提出了FastTurn统一框架。其核心方法是将流式CTC解码提供的快速部分语义信息，与Conformer编码器提取的声学特征，通过适配器输入给大语言模型（LLM）进行推理，并最终融合声学与语义特征进行轮次预测。
论文解读
Reducing the Offline-Streaming Gap for Unified ASR Transducer with Consistency Regularization
1. **问题**：训练一个既能高精度离线转录又能低延迟流式识别的统一ASR模型极具挑战性，传统方法在低延迟下性能会急剧下降。 2. **方法核心**：提出一个统一的Transducer框架，结合分块注意力（含右上下文）和动态块卷积（DCConv）来适配两种模式。核心创新是引入了模式一致性正则化损失
论文解读
Towards Streaming Target Speaker Extraction via Chunk-wise Interleaved Splicing of Autoregressive Language Model
1. **要解决什么问题**：现有基于生成模型（如扩散模型、自回归模型）的目标说话人提取（TSE）方法依赖全局上下文，难以直接用于实时流式场景，强行适配会导致性能严重下降。 2. **方法核心是什么**：提出首个面向流式TSE的自回归（AR）框架，核心是“分块交错拼接范式”。该范式将混合语音分块
论文解读
X-VC: Zero-shot Streaming Voice Conversion in Codec Space
1. **问题**：零样本语音转换需要同时实现高质量的说话人特征迁移和低延迟的流式推理，这是一个尚未很好解决的挑战。 2. **方法核心**：提出X-VC系统，在预训练的SAC语音编解码器的潜在空间中进行一步转换。核心是一个双条件声学转换器，它联合处理源语音的编解码器潜在表示和目标参考语音的帧级梅尔
论文解读
Reducing the Offline-Streaming Gap for Unified ASR Transducer with Consistency Regularization
本文旨在解决训练单一自动语音识别（ASR）模型同时高效支持高精度离线转写和低延迟流式识别这一挑战。现有统一模型在低延迟流式模式下性能下降明显。作者提出了一个统一的RNN-Transducer (RNNT) 框架，其核心是结合了**带右上下文的chunk限制注意力**和**动态chunk卷积（DCCo
论文解读
Towards Streaming Target Speaker Extraction via Chunk-wise Interleaved Splicing of Autoregressive Language Model
这篇论文旨在解决生成式目标说话人提取（TSE）模型在流式实时应用中因依赖全局上下文而导致性能严重下降的核心问题。作者首次提出了一个基于自回归语言模型（LauraGPT）的流式TSE框架。其核心创新是“分块交织拼接范式”，通过将混合音频块与对应的目标语音离散编码块交错排列作为模型输入，严格保证了推理的
论文解读
UAF: A Unified Audio Front-end LLM for Full-Duplex Speech Interaction
**核心贡献**：本文提出了首个专为全双工语音交互设计的统一音频前端大模型（UAF）。它打破了传统级联式前端处理的范式，将语音活动检测（VAD）、说话人识别（SR）、自动语音识别（ASR）、轮次检测（TD）和问答（QA）等多个任务，统一建模为一个自回归序列预测问题。 **关键方法**：模型采用“音