论文解读
VoXtream: Full-Stream Text-To-Speech With Extremely Low Latency
语音合成 | 8.5/10
语音合成
子标签
下方只统计已核验方向的论文记录，按已核身份去重，身份待核时按页面保留。“直接”只含明确标注该方向的论文；“含子树”同时包含下级方向。点击名称进入论文库继续筛选；数量与上方按标签名称收录的页面数不同。
论文解读
Wave-Trainer-Fit: Neural Vocoder With Trainable Prior And Fixed-Point Iteration Towards High-Quality Speech Generation From SSL Features
语音合成 | 7.0/10
论文解读
Wavenext 2: Convnext-Based Fast Neural Vocoders with Residual Denoising and Sub-Modeling for Gan And Diffusion Models
语音合成 | 9.0/10
论文解读
When Voice Matters: A Controlled Study of Audio LLM Behavior in Clinical Decision-Making
模型评估 | 7.0/10
论文解读
ZSV2C-MLLM: Zero-Shot Visual Voice Cloning Via Multimodal Large Language Models
语音克隆 | 6.5/10
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
Talker-T2AV: Joint Talking Audio-Video Generation with Autoregressive Diffusion Modeling
语音合成 | 7.5/10
论文解读
TTS-PRISM: A Perceptual Reasoning and Interpretable Speech Model for Fine-Grained Diagnosis
语音质量评估 | 7.5/10
论文解读
UniSonate: A Unified Model for Speech, Music, and Sound Effect Generation with Text Instructions
音频生成 | 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 | 7.5/10
每日研究速递
语音/音乐/音频论文速递 2026-04-25
共分析 2 篇语音/AI 论文
论文解读
ATRIE: Adaptive Tuning for Robust Inference and Emotion in Persona-Driven Speech Synthesis
语音合成 | 7.0/10
论文解读
MAGIC-TTS: Fine-Grained Controllable Speech Synthesis with Explicit Local Duration and Pause Control
语音合成 | 7.5/10
论文解读
Preferences of a Voice-First Nation: Large-Scale Pairwise Evaluation and Preference Analysis for TTS in Indian Languages
语音合成 | 7.5/10
论文解读
Qwen3.5-Omni Technical Report
这篇论文介绍了Qwen3.5-Omni，一个支持文本、图像、音频和音频-视频输入的全模态大语言模型。为解决现有模型在实时交互、跨模态推理和工具使用上的不足，其核心方法是采用“Thinker-Talker”架构，并引入混合专家（MoE）设计以提升效率。与前代相比，主要创新在于：1）模型规模扩展至数千亿
论文解读
SpeechParaling-Bench: A Comprehensive Benchmark for Paralinguistic-Aware Speech Generation
1. **问题**：现有大型音频语言模型在副语言（如情绪、语气、音色）生成与理解能力上的评估存在特征覆盖不全、评估方法主观且不可扩展的问题。 2. **方法**：提出了SpeechParaling-Bench，一个包含1000余个中英平行语音查询、覆盖超过100个细粒度副语言特征的综合基准。基准
论文解读
Text-To-Speech with Chain-of-Details: modeling temporal dynamics in speech generation
1. **问题**：现有基于离散token的TTS模型，其“粗到细”的生成范式主要体现在从语义token到声学token的转换，而对语音固有的时间动态（temporal dynamics）缺乏显式建模。 2. **方法核心**：提出Chain-of-Details (CoD)框架，将语音生成分解为多
论文解读
ATRIE: Adaptive Tuning for Robust Inference and Emotion in Persona-Driven Speech Synthesis
本文针对现有语音合成系统在生成角色驱动、情感丰富的语音时难以同时保持角色身份一致性和情感表达准确性的问题，提出了ATRIE框架。其核心是**Persona-Prosody Dual-Track (P2-DT) 架构**，将语音生成解耦为静态的**音色轨道**（通过标量量化保持身份锚点）和动态的**韵
论文解读
NVBench: A Benchmark for Speech Synthesis with Non-Verbal Vocalizations
这篇论文旨在解决语音合成（TTS）领域中一个关键但被忽视的问题：如何标准化评估系统生成非语言声音（NVV，如笑声、叹息）的能力。作者提出了**NVBench**，一个包含**45类NVV统一分类体系**的双语（英/中）基准。其核心方法包括：1）构建了一个每类50例、总计4500例的高质量平衡评估数据
论文解读
Qwen3.5-Omni Technical Report
这篇技术报告全面介绍了Qwen3.5-Omni，一个能够统一理解与生成文本、图像、音频和音视频内容的全模态大语言模型。**要解决的问题**是现有模型在实时交互、跨模态推理和自主智能体行为方面的局限性。**采用的方法**是基于“思考者-说话者”架构，引入了多项关键创新：1）思考者和说话者均采用混合注意