论文解读
语音不只是文字的喇叭:温暖介导伤害为何必须同时审听觉与文本
在同一模型上以 7 轮 WHO 脚本对比音频与纯文本,音频在诱发轮出现更短更快更低更轻且不更温暖的韵律漂移,文本转录审计会漏检而高风险自伤脚本的模态差异最集中。
在同一模型上以 7 轮 WHO 脚本对比音频与纯文本,音频在诱发轮出现更短更快更低更轻且不更温暖的韵律漂移,文本转录审计会漏检而高风险自伤脚本的模态差异最集中。
llmovoice 把语音交互的上下文拆成语义、副语言与环境三状态,用 VoicePage/VoiceThread 组织记忆并在预算内投影到上下文窗口,再让服务模型联合推理生成运行时指令,在丢包下把误打断率从 46.0% 降至 0.9%、每轮成本最高降低 24.9 倍,代价是编排调用时约 790 ms 的额外决策延迟与摘要压缩带来的细节丢失。
针对播客式多轮对话中声称分散与 ASR 噪声的核查难题,TRILOGUE 以源文章可追溯的英俄哈三语对话与配对音频构建受控基准,显示仅看声称的验证最难、加入源证据后大幅回升,而哈萨克语的识别与合成瓶颈仍是主要代价。
语音对话系统 | 4.7/10
语音对话系统 | 7.5/10
语音对话系统 | 7.8/10
语音对话系统 | 9.3/10
语音识别 | 9.6/10
语音对话系统 | 7.8/10
语音对话系统 | 7.6/10
语音对话系统 | 6.9/10
模型评估 | 6.3/10
语音对话系统 | 8.0/10
语音对话系统 | 6.0/10
MIST: Multimodal Interactive Speech-based Tool-calling Conversational Assistants for Smart Homes
语音对话系统 | 7.5/10
语音对话系统 | 7.5/10
语音对话系统 | 7.5/10
语音对话系统 | 9.5/10
基准测试 | 7.0/10