「音频大语言模型」共找到 7942 篇相关文章
打破长视频理解瓶颈：HoPE混合位置编码提升VLM长度泛化能力
如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。
CMAME|美国西北大学，德州大学|Wing Kam Liu及 TJR Hughes 等: LLM赋能的下一代计算机辅助工程
工程仿真里有限元方法常见，但计算与人力成本高。此研究提出把大语言模型变为计算机辅助工程智能体，开发不依赖训练数据的降阶求解器，在多问题上表现佳，为下一代计算机辅助工程提供框架。
ACL 2025 高分接收 | 高感情语音技术：逻辑智能小语种TTS破局之道
语音合成技术在大语种发展好，但小语种因语料稀缺等面临挑战。逻辑智能团队提出针对低资源语言TTS的解决方案，构建泰语数据集，经先进预处理，其TTS模型效果好，有零样本克隆能力。
The Batch: 938 ｜ Gemini 的音乐生成器
Google将音乐生成器Lyria 3加入Gemini和YouTube，它接收文本或图像生成30秒音频，支持多语言歌词。在质量和遵循提示上优于前身，采取版权保护措施，对特定用户免费或提供高额度使用。
完爆ChatGPT！谷歌这招太狠：连你的「阴阳怪气」都能神还原
谷歌发布Gemini 2.5 Flash原生音频模型，可保留语调进行实时语音翻译，实现拟人化交互。还具持续监听、风格迁移等功能，提升开发者所需的函数调用、指令遵循等能力，另有实验产品Disco。
开源播客生成MoonCast：让AI播客告别"机械味"，中英双语对话更自然！
MoonCast是革新性对话式语音合成模型，已开源。它借助LLM让剧本有干货与人味，采用全面规模化策略使音频合成更自然，性能在双语长对话播客上提升显著，接近真人播音效果。
77岁「AI教父」Hinton：AI早有意识！我们打造的智能，可能终结人类文明
77岁「AI教父」Hinton在与主持人Jon Stewart的对话中表示，AI可能早已有意识，人类对「心智」的理解是错误的。他认为意识是信息处理系统的涌现属性，如今大语言模型或已有主观体验，甚至会伪装。
为 AI 智能体设计记忆机制：揭秘 LinkedIn 的认知记忆智能体
LinkedIn推出认知记忆智能体（CMA），作为生成式AI技术栈一部分，解决大语言模型缺乏状态记忆问题。CMA有三层记忆，集成多种机制，在多智能体系统中作用关键，还将人工校验融入招聘应用。
2025 年 InfoQ 趋势报告：AI、ML 和数据工程
InfoQ AI ML 趋势报告基于编辑团队与嘉宾播客，总结 AI、ML 技术发展趋势。涵盖 AI 代理、多模态语言模型等创新领域，也提及早期采用者、早期多数、晚期多数类别的技术，还对 2025 年相关领域发展作出预测。
长上下文不再难：KV Cache 全生命周期优化实战
长上下文大语言模型发展带来计算和内存挑战，现有基准测试多忽视 KV 缓存完整生命周期。微软姜慧强在 AICon2025 分享 SCBench 工具，梳理推理优化方法，介绍 MInference 等，还提出 Tri - shape 方法等成果。