论文解读
导演喊“再来一条”时，机器如何既不变声又听懂弦外之音
语音合成 | 6.8/10
语音合成
论文解读
单塔为何还能赢双塔：BiMTokenizer 用双向状态与固定格点重做 1.1 kbps 的语义-声学平衡
语音编码 | 8.3/10
论文解读
想练好一句难开口的话，机器得先学会怎么“演人”：Conversation Coach 的延迟与演技取舍
语音交互 | 6.3/10
论文解读
一句里换一种口音：用帧级掩码把全局引导切开
语音合成 | 8.2/10
论文解读
别再让大模型把“3.45 美元”直接念出来：用 40 个可解释特征把文本对齐到可朗读
语音合成 | 7.4/10
论文解读
掐点说话：TimeSteer 把联合音视频扩散模型的隐式时间搬到明处
音视频生成 | 7.2/10
论文解读
不改脸只改声：把保护藏进人耳听不见的掩蔽阴影
语音合成 | 4.3/10
论文解读
从一次性生成到先诊断再重做：LoopTTS 如何让语音大模型当韵律医生
语音合成 | 7.0/10
论文解读
一句里装不下两种心情：HybridEmo 如何让 TTS 先走完轨迹再调好混合
语音合成 | 7.5/10
论文解读
主观分数能当奖励吗？当感知预测器遇上可懂度硬约束
语音合成 | 7.6/10
论文解读
当声音在笑、文字在哭：大音频语言模型为何听不见讽刺
语音情感识别 | 8.1/10
论文解读
同音不同形，真的同音吗？当语义在频谱里留下指纹
语音识别 | 6.8/10
论文解读
说出来就变了味：当语音不再是文本的透明通道
音视频问答 | 8.1/10
论文解读
合成语音越多越好吗？在音素层面重新称量文本的价值
语音识别 | 6.2/10
论文解读
梵颂为何难唱：当吟诵的旋律不在文本里
语音合成 | 7.9/10
论文解读
克隆与匿名本是一体两面：把 27k 小时的 TTS 直接当成隐私滤镜
语音转换 | 8.0/10
论文解读
EmoTra-TTS: Smooth Intra-Utterance Emotion Transitions for Speech Synthesis
语音合成 | 9.6/10
论文解读
FireRedAudio: A General-Purpose Audio Language Model with Decoupled Continuous Representations for Understanding and Generation
音频理解 | 8.7/10
论文解读
Preference Optimization for Non-Verbal Vocalization Synthesis
语音合成 | 7.1/10
论文解读
Building and Evaluating a Synthetic Bengali Speech Resource for Telecom Customer Care
语音合成 | 7.6/10