★ 4
科大讯飞发布全国产语音基座大模型Spark-Audio
科大讯飞发布基于全国产化算力训练的语音基座大模型Spark-Audio-1.0-Preview，支持文本与语音双模态输入、文本输出，覆盖语音转写、多语言翻译、多方言识别、情感分析及音频问答等任务，覆盖99种语言及202种方言识别。目前开放体验，API后续上线讯飞开放平台。
36氪47 天前
#语音大模型
共 4 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
讯飞发布新一代端到端交互模型，语音大模型调用量暴涨 20 倍
科大讯飞发布新一代端到端交互模型，语音大模型调用量暴涨 20 倍，端侧已实现约 70% 的云端能力。该进展显示讯飞在端云协同与语音交互方向上的持续投入。
InfoQ AI9 天前
★ 3
阶跃发布StepAudio 3语音大模型系列
阶跃星辰推出StepAudio 3系列语音大模型，覆盖语音识别、语音生成、实时交互与音乐创作四大方向。该系列将语音能力整合进统一模型体系，强化实时对话与音频生成场景的竞争力。
InfoQ AI45 天前
★ 2
相对时间间隔表示实现词级时间戳预测
语音大模型在细粒度时间对齐输出上能力不足。提出用相对时间戳替代绝对时间戳，采用混合微调策略和掩码时间戳训练目标，增强模型鲁棒性。实验显示在时间戳预测准确性上显著提升，同时保持语音转写性能。
arXiv cs.AI68 天前