「音频建模」共找到 382 篇相关文章
语音“PS”来了！蚂蚁又放大招，ASR+TTS+编辑的全能语音模型开源了！
在大模型浪潮下，语音领域迎来“整合与统一”趋势。阿里蚂蚁团队推出端到端统一语音模型Ming - UniAudio，能在一个框架下完成识别、生成、编辑等任务，语音编辑能力创新，开发者上手简单。
炸裂，Directus要干掉后台团队！GitHub 31K+星神器：SQL秒变API，你只管设计界面！
Directus是开源开放数据平台，能将SQL数据库升级为有REST+GraphQL API的实时数据后端，提供无代码数据管理界面。它功能亮点多，技术架构优，适用于多种场景，与同类项目相比有独特优势。
56亿颗芯片撑起230亿市值！北交所芯片第一股今日上市
8月12日杰理科技于北交所上市，成“芯片设计第一股”。其以蓝牙音频为基本盘，产品进众多品牌供应链。2023 - 2025年营收有波动，业绩在2025年回落。募资投向三大项目，后续表现待察。
Agentic的风又吹到了世界模型~
这篇42位作者联合完成、综述400余篇工作的论文，第一次用'能力×法则'双轴框架，把所有叫'世界模型'的系统放到同一张地图上，为领域建立公共语言，还得出了关键结论。
西湖大学王东林团队论文：机器人需要“通古今，知未来”丨CVPR 2026
西湖大学王东林团队提出论文《HiF-VLA：Hindsight, Insight and Foresight for Vision-Language-Action Models》，介绍HiF-VLA模型，它以“运动”表达时间信息，实现稳定连续决策，性能提升且计算成本低，推动机器人从“看到就做”到“边想边做”。
实时语音翻译
Sokuji 是跨平台桌面应用，用 OpenAI、Google Gemini 等 API 提供实时语音翻译。支持多系统，有桌面版和浏览器插件，适配会议场景，还具备音频可视化、虚拟音频设备等特色功能。
MSSP | 西北工业大学马启悦，高传强等：融合激波位置的跨声速抖振气动载荷辨识
本文提出融合激波位置的跨声速抖振气动载荷辨识方法，从时序流场提取激波特征，用稀疏辨识构建参数化代数方程，增强预测精度与泛化能力，为准确预测跨声速气动载荷提供新思路。
10%训练数据超越100%表现，机器人学习领域迎来重要突破
密歇根大学和瑞典皇家理工学院团队提出 ViSA - Flow 框架，能从人类视频提取语义动作流，提升机器人数据稀缺时学习效率。在 CALVIN 测试中，用 10% 训练数据超越 100% 数据方法，有技术优势也存在局限。
智源悟界·RoboBrain Orca：多模态表征世界模型
智源研究院悟界·RoboBrain Orca团队发布技术报告，探索让模型学习世界表征，从‘预测下一个词’走向‘预测下一状态’。它通过多模态数据学习，经实验验证有效，虽处早期阶段，但提出值得扩展的方向。
ChatGPT Images 2.0震撼发布！碾压谷歌Nano Banana，设计真要完了
北京时间凌晨3点，OpenAI发布ChatGPT Images 2.0，是先进模型，能处理复杂视觉任务。它精度控制力高、多语言能力强，风格表达成熟，支持多种宽高比，有现实世界理解能力等，已向相关用户开放，但也有局限性。