腾讯、西工大、CMU等国内外机构是这场对决的主办方，两项比赛内容是语音行业的前沿研究，针对真实视频会议场景。
鱼羊 发自 凹非寺 量子位 报道 | 公众号 QbitAI 一个成立不到两年的团队，两个初入职场的新人，杀入顶会挑战赛能拿下怎样的成绩？ 时限是，10天。 近日，全球语音顶会INTERSPEECH 2020「口音英语语音识别挑战赛」结果公布，一支名叫「大耳朵图图喵喵喵」的团队摘下了两大赛道的第二名和第三名。 参赛选手是这位： △大耳朵图图本喵 啊不，其实来自他们当中。 说起网易有道与AI语音技术相关的产品，大家或许都不陌生，比如丁磊多次安利、上市都带着的有道词典笔…… 相比在市场上取得的认可，许多人
你猜的没错，这段有声书并非来自某个专业制作团队，而是一个 AI 模型 Seed-TTS，而这个模型则是来自字节跳动的 Seed Team。
这个项目由微软，谷歌和古腾堡计划共同发起，有望将古腾堡计划包含的接近6万本电子书库，利用AI文本转语音技术，全部转化为有声读物。
近日，国际声学、语音与信号处理领域顶级会议ICASSP举办的 2022 ADD挑战赛落下帷幕，贝壳人工智能技术中心语音团队从全球百余支队伍中脱颖而出，在“语音攻防对抗”赛道“生成”和“检测”两项任务中均斩获桂冠。 ICASSP（International Conference on Acoustics, Speech and Signal Processing）是由IEEE主办的信号处理及其应用方面的顶级会议，在全球具有广泛而权威的学术影响力。其中，语音深度合成鉴别挑战赛(The First Audio D
机器之心原创 机器之心编辑部 空气为何突然安静？原来是开了「降噪」按钮。 「你说什么？风太大我听不见！」 这句大家经常拿来玩梗的话其实在现实中也经常发生，尤其是在短视频的录制过程中。风声、雨声、机器声…… 每一种噪声都可能让你的视频拥有「全损音质」。 为了减轻环境噪声带来的影响，人们想了很多种方法，比如给话筒穿上厚厚的「毛衣」： 但「毛衣」不是冰冰的笑容，不可能解决一切问题。更何况，我们大多数人拍视频都是手机直接收音，连专业话筒都没有。 硬件不够软件凑。噪声在视频中的广泛存在催生了一大批降噪软件，它们
你或许会说，语音识别和机器翻译——没错，传统的语音翻译通常采用语音识别和机器翻译级联的方式实现，对输入语音先进行语音识别得到文本结果，然后再基于文本进行机器翻译，这也是当前语音翻译采用的主流方法。
AI 科技评论按：语音到文字的转换是语音研究领域的重要课题。自引入神经网络的方法以来，语音识别正确率有了长足的进展，也为苹果 Siri、亚马逊 Echo、科大讯飞语音输入法等等实际产品提供了生长的土壤。面对算法识别总还是比人类要差一些的现状，微软刚刚发布一篇博文公布了自己的最新成果，达到人类水平已经不是梦想。AI 科技评论编译如下。 2016年，微软语音和对话研究团队对外公布了一则里程碑性的消息，他们在 Switchboard 数据库的对话语音识别任务中达到了人类的一致性水平，这意味着他们的系统识别对话中文
已经在语音和语言技术领域耕耘了30年，取得多个突破性进展的微软全球技术院士 (Technical Fellow)、首席语音科学家黄学东先生如此说道。
【AI科技大本营导读】大多数人都认为，智能音箱就是语音入口之争的主战场……比如双十一期间，阿里巴巴不惜血本也要99元强推天猫精灵，亏损数亿终于砸出中国智能音箱市场的第一个百万级销量。 但Echo销量超过2000万的亚马逊，却没这么想，它正大张旗鼓地把智能音箱的战火烧进其他市场。尽管此前，亚马逊Alexa与微软Cortana在功能上相互打通的计划因不明原因被推迟，但本届CES上，Alexa语音助手已确定要登陆惠普、宏碁和华硕的Windows电脑。 今天，汽车巨头丰田又宣布它的雷克萨斯和丰田车型将内置Ale
人工智能业内普遍认为，语音将成为下一个重要的技术平台，近年来随着人工智能理论与技术的迅猛发展，语音识别（ASR）、语音合成（TTS）技术在不断突破。虽然理论技术取得了长足进步，但是在实际应用过程中仍绕不开数据标注这一话题，训练数据的准确性很大程度上影响了算法模型的表现。
其实智能音箱真正的主打功能应该是家居控制和语音服务。 那些年，被称为“物联网接入口”的智能音箱，成为很多科技巨头切入智能家居领域的首选产品，比方说亚马逊的Echo、谷歌的Google Home、微软的Invoke。 但是近些年市场上也不乏一些“滥竽充数”的产品，直白来说有点“碰瓷”智能家居之嫌。这些产品或许仅仅是有一个酷炫的造型或者灯光，而在实际体验上却和“智能”毫不搭边，准确来说更像是一个蓝牙音箱，而非智能音箱。 而镁客君最近接触到的上海问之科技，则是在智能语音交互领域大胆创新，算是一匹不折不扣的黑马。
点击上方“LiveVideoStack”关注我们 ▲扫描图中二维码或点击阅读原文▲ 了解音视频技术大会更多信息 ---- 一直以来，火山语音团队都为时下风靡的视频平台提供基于语音识别技术的智能视频字幕解决方案，简单来说就是可以自动将视频中的语音和歌词转化成文字，来辅助视频创作的功能。但伴随平台用户的快速增长以及对语言种类更加丰富多样的要求，传统采用有监督学习技术来解决的办法日渐遭遇瓶颈，这让团队着实犯了难。 众所周知，传统的有监督学习会对人工标注的有监督数据产生严重依赖，尤其在大语种的持续优化以及小语
作者 | 黄楠 编辑 | 陈彩娴 9月21日，OpenAI 发布了一个名为「Whisper 」的神经网络，声称其在英语语音识别方面已接近人类水平的鲁棒性和准确性。 「Whisper 」式一个自动语音识别（ASR）系统，研究团队通过使用从网络上收集的68万个小时多语音和多任务监督数据，来对其进行训练。 训练过程中研究团队发现，使用如此庞大且多样化的数据集可以提高对口音、背景噪音和技术语言的鲁棒性。 此前有不同研究表明，虽然无监督预训练可以显著提高音频编码器的质量，但由于缺乏同等高质量的预训练解码器，以及特定于
蝙蝠使用生物声呐，为夜晚在丛林中飞行导航。他们的超声波脉冲，可以比人造声呐装置更精确地对声音进行定位。为复制、驾驭这种能力，IBM 学院奖获得者 Rolf Müller 教授协同他在弗吉尼亚理工学院（Virginia Tech）的团队，设计了一种人造蝙蝠耳。 Rolf Müller 的研究引起了 IBM 的注意。IBM 专家韩金萍（音译）的神经计算团队，和 IBM Watson 语音专家崔晓东（音译）和他的同事， 看到了 Müller 教授人造“动态外耳”（dynamic peripheral，蝙蝠可转
【新智元导读】 微软语音识别研究团队在黄学东的带领下，去年将语音识别的单词错误率降至5.9%，又在最近降至5.1%。在本次专访中，我们讨论了语音识别错误率百分之几的小数点在研究和实际应用上的意义。黄学东认为，从研究角度来说，这个意义十分重大，即便是0.1%的差距，无论是运算量还是时间，耗费都是巨大的。 达到人类水平，超越人类水平，人工智能研究领域的突破性进展。 以上赞誉被给予了微软最近的语音识别研究成果：其语音识别研究团队在黄学东的带领下，去年将语音识别的单词错误率降至5.9%，又在最近降至5.1%。 从研
跟大家分享一个好消息！ 腾讯会议旗下、GME 背后的黑科技团队天籁实验室参加由国际音频顶级会议 ICASSP 联合微软发起的 2023 语音信号质量增强挑战赛（SSIC），并荣获 SSIC 全部两个赛道的冠军，并在降噪、混响、卡顿、响度、音质修复等多个子项均达到了领先水平！ 图示：比赛成绩 去年，天籁实验室在 ICASSP DNS 2022 全频带实时个性化语音增强 track 2 比赛已获得总分第一。点击查看详情>> ICASSP 2023 语音信号质量增强挑战赛（SSIC）主要面向如何在实时通信系统中
机器之心原创 参与：高静宜、藤子 前段时间，一个来自猎户星空的工程师在工位上安装了一套人脸识别系统用于侦测老板的出没，这条消息霸屏程序员们的朋友圈。实际上，猎户星空的人脸识别已在门禁、手机等生活场景中落地。此外，其语音技术已能实现全链路远场景交互，并已应用于小雅音箱，并为小米音箱提供了语音合成技术。 白发苍苍的老人修剪着盆景：「小雅，给我来一段《沙家浜》吧。」小雅播放了《沙家浜》，并根据老人的要求调高了音量。 小女孩趴在桌子上：「小雅，我想听昨天的《黑猫新警长》。」小雅告诉小女孩，《黑猫新警长》没有更新，随
语音处理技术的进步，是人工智能改变大众的生活的重要一环。深度学习技术的兴起，也让这一领域近年来得到了长足的发展。在过往，该领域的主要方法是为不同的任务开发不同的工具包，对于使用者来说，学习各个工具包需要大量时间，还可能涉及到学习不同的编程语言，熟悉不同的代码风格和标准等。现在，这些任务大多可以用深度学习技术来实现。
AI 科技评论按：上一次你和你的电脑进行有意义的对话，并感受到它能真正地理解你，是什么时候？如果微软技术研究员、微软的语言语音小组组长黄学东博士做到了的话，那么你也将可以做到。并且，如果他以往的研究真的达到了他所说的水平的话，这一天的到来可能要比你想的还要快。
编译：AI科技大本营 参与：王珂凝 编辑部 【AI科技大本营导读】曾经，我们一度认为 Siri 将会是苹果的下一个重大创新。 但在 Siri 推出七年之后的今天，它却成了苹果的“拖油瓶”。本文讲述了 Siri 的落寞之路。 2011 年，库比蒂诺总部，苹果公司举办了 “Let’s talk iPhone” 新品发布会，那是一个历史性时刻，是新任首席执行官蒂姆·库克的第一次大型发布会。他试图通过这次发布会来续写史蒂夫·乔布斯的产品故事。 但令人失望的是，当时发布的不是一款全新的 iPhone 5，而是 i
虽然基于RNN的技术已经在语音识别任务中得到验证，但训练RNN网络需要的大量数据和计算能力。最近，Facebook的AI研究中心（FAIR）发表的一个研究论文，提出了一种新的单纯基于卷积神经网络（Convolutional Neural Network）的语音识别技术，而且提供了开源的实现wav2letter++，一个完全基于卷积模型的高性能的语音识别工具箱。
文本到语音合成（Text to Speech，TTS）作为生成式人工智能（Generative AI 或 AIGC）的重要课题，在近年来取得了飞速发展。在大模型（LLM）时代下，语音合成技术能够扩展大模型的语音交互能力，更是受到了广泛的关注。
机器之心发布 机器之心编辑部 清华大学和字节跳动智能创作语音团队业内首次提出神经网络配音器，让 AI 根据配音脚本，自动生成与画面节奏同步的高质量配音。 影视配音是一项技术含量很高的专业技能。专业配音演员的声音演绎往往让人印象深刻。现在，AI 也有望自动实现这种能力。 近期，清华大学和字节跳动智能创作语音团队业内首次提出了神经网络配音器（Neural Dubber）。这项研究能让 AI 根据配音脚本，自动生成与画面节奏同步的高质量配音。相关论文 Neural Dubber: Dubbing for Vid
【新智元导读】微软语音识别技术24年老将黄学东近日被评为“微软全球技术院士”，成功摘下这一微软技术的“桂冠”。 黄学东于1993年加入微软。1995年，黄学东最终把洪小文也拉入微软。黄学东还曾在Bing工作，一直跟随沈向洋博士。接受新智元的专访时，他谈到了去年微软对话语音识别词错率低至5.9%背后的故事。 同时，黄学东认为语音识别的下一个大难关是语义理解，目前看来最有希望的路线是 LSTM + Attention。 黄学东，微软语音识别技术 24 年老将，IEEE/ACM 双科院士，微软深度学习工具包CNT
近日，NIST说话人识别技术评测 (Speaker Recognition Evaluation，SRE）正式公布榜单，芯片初创公司清微智能和清华大学等机构组成的联队，在Conversational Telephone Speech (CTS)和Multimedia两个任务上均取得全球前十，亚洲地区第一的好成绩。
文本到语音合成（Text to Speech，TTS）作为生成式人工智能（Generative AI 或 AIGC）的重要课题，在近年来取得了飞速发展。多年来，微软亚洲研究院机器学习组和微软 Azure 语音团队持续关注语音合成领域的研究与相关产品的研发。为了合成既自然又高质量的人类语音，NaturalSpeech 研究项目（https://aka.ms/speechresearch）应运而生。 NaturalSpeech 的研究分为以下几个阶段： 1）第一阶段，在单个说话人上取得媲美人类的语音质量。为此，
近日，飞语推出了SDK解决方案，开启多人语音功能新篇章。众所周知，真正让多方语音普及的并不是我们通常都会想到的电话会议或者类似QQ语音的第三方社交软件，而是多人游戏语音。 随着智能手机的普及，手游已经
Google Research 软件工程师发表了可解决「鸡尾酒会效应」视觉-音频语音识别分离模型。 AI 科技评论按：人类很擅长在嘈杂的环境下将其他非重点的声响「静音」化，从而将注意力集中在某个特定人物身上。这也就是众所周知的「鸡尾酒会效应」，这种能力是人类与生俱来的。尽管对自动音频分离（将音频信号分离成单独的语音源）的研究已经相当深入，但它依旧是计算机研究领域上的一项巨大挑战。 Google Research 软件工程师 Inbar Mosseri 和 Oran Lang 于 4 月 11 日发表了一篇
机器之心发布 机器之心编辑部 翻唱识别（CSI）是音乐信息检索（MIR）领域的一项重要任务，在歌曲搜索，音乐分发，曲库整理，智能推荐等场景下有着重要作用，被誉为下一代音乐识别技术。 近期，字节跳动火山语音团队的最新音乐检索系统 ByteCover2 入选了 ICASSP 2022。这一系统主要面向翻唱识别（CSI）这一音乐信息检索（MIR）领域的一项重要任务，通过表征学习方法让其具备提取音乐核心特征的能力，并且该特征能够对种类繁多的音乐重演绎具有良好的鲁棒性，检索速度提高 8 倍。经 Da-Tacos 数据
30岁那年，一次毁灭性的中风，让一位47岁加拿大女性几乎完全瘫痪，此后失语18年。
当发现更多AI科技作用于日常生活时，你是否想过竟然有一天会与AI数字人做同事？日前，火山语音团队重磅推出了一位神秘新成员——首个超写实数字员工小灿！这位新同事不仅形象清新美丽，还有着很强的亲和力，大幅提升了工作幸福感，真可谓让大家率先体验到了拥有一位超写实数字人同事的快乐。
【新智元导读】微软语音识别系统取得最新突破：微软的语音对话研究小组在Switchboard语音识别任务中，将错误率从去年的 5.9% 再一次降低到 5.1%，达到目前最先进水平。 去年，微软的语音与对话研究小组宣布在Switchboard 对话语音识别任务上达到人类水平，实现里程碑式的突破。 微软技术Fellow黄学东在微软官方博客上称，这意味着，他们创造了一种技术，可以在对话中识别词语，且与人类专业的速记员水平相当。 黄学东在博客上说：“在我们的转录系统达到5.9％的错误率之后，其他研究人员进行了自己的研
每天给你送来NLP技术干货！ ---- 机器之心发布 机器之心编辑部 翻唱识别（CSI）是音乐信息检索（MIR）领域的一项重要任务，在歌曲搜索，音乐分发，曲库整理，智能推荐等场景下有着重要作用，被誉为下一代音乐识别技术。 近期，字节跳动火山语音团队的最新音乐检索系统 ByteCover2 入选了 ICASSP 2022。这一系统主要面向翻唱识别（CSI）这一音乐信息检索（MIR）领域的一项重要任务，通过表征学习方法让其具备提取音乐核心特征的能力，并且该特征能够对种类繁多的音乐重演绎具有良好的鲁棒性，检索速
翻唱识别（CSI）是音乐信息检索（MIR）领域的一项重要任务，在歌曲搜索，音乐分发，曲库整理，智能推荐等场景下有着重要作用，被誉为下一代音乐识别技术。 近期，字节跳动火山语音团队的最新音乐检索系统ByteCover2入选了ICASSP 2022。这一系统主要面向翻唱识别（CSI）这一音乐信息检索（MIR）领域的一项重要任务，通过表征学习方法让其具备提取音乐核心特征的能力，并且该特征能够对种类繁多的音乐重演绎具有良好的鲁棒性，检索速度提高8倍。经Da-Tacos数据集上的评估，准确率远超其他方案的SoTA性能
国际上利用该技术已经初步实现了英语的语音合成。然而，汉语作为声调语言通过声调表达不同的语义，英语解码的神经机制和算法无法直接适用于汉语语言，而目前汉语语言脑机接口研究仍是空白。
日前，清华大学电子工程系与火山语音团队携手合作，推出认知导向的开源听觉大语言模型SALMONN (Speech Audio Language Music Open Neural Network)。
5 月 3 日，阿里全资收购北京先声互联科技有限公司（以下简称先声互联），先声互联创始人、中科院声学所前研究员付强博士，随之率队入职阿里达摩院机器智能技术实验室，负责语音交互前端处理技术和方案的研发。
在今年的国际顶级口语机器翻译大赛IWSLT上，搜狗战胜科大讯飞、阿里等众多国内外好手，一举夺魁。
没有什么东西比不懂你口音的语音识别系统更令人沮丧。发音的语言差异使数据科学家多年来一直困扰，训练模型需要大量数据，而某些方言不像其他方言那么常见。
无社交，不游戏，游戏语音功能已成为了多数游戏的标配功能，游戏内社交的重要性不言而喻。本文将剖析《香肠派对》给玩家带来的语音体验，揭秘其如何彻底解决了开关麦时的音质、音量卡顿跳变问题，再一起来看看这一升级方案能为游戏带来怎样的想象空间。 游戏具有强社交属性，玩家在游戏中聊天、沟通游戏策略是一个自然发生的社交行为。游戏内置语音功能已成为了多数游戏的标配。 游戏内置语音的实现，一般采用的是独立语音服务商提供的解决方案。目前市面上大多数游戏语音方案，可以把语音功能和游戏场景结合起来，但这基本上还只停留在功能上的简单
脑机接口（BCI）在科研和应用领域的进展在近期屡屡获得广泛的关注，大家通常都对脑机接口的应用前景有着广泛的畅享。
另外，通过「字幕」→「加字幕」，完成字幕输入后，同样会出现「智能配音」的入口。操作相当方便。
AI 无处不在的时代，每天都有新的技术与研究成果出现。无论学术界还是商界，技术还是产品，AI 的新发现都源源不断，在带给我们全新视角的同时，也引起我们更深的思考。
最近的社交媒体上，一位玩家在“你最近最喜欢的游戏是什么”的问题下提到，他近期沉迷玩一款名为《Dark and Darker》的游戏，尤其当它重新引入了全新的语音系统（VoIP）后，游戏体验变得更好了。
去年 ChatGPT 爆火后，国内迅速迎来了“百模大战”。其中，复旦大学自然语言处理实验室在去年 2 月率先发布了国内首个类 ChatGPT 的对话式大语言模型 MOSS，开放不到 24 个小时，由于瞬时访问压力过大，MOSS 服务器显示流量过载而无法访问。
5月2日，腾讯宣布任命语音识别技术顶级专家俞栋博士为AI Lab（人工智能实验室）副主任，并成立美国西雅图AI实验室。俞栋将负责西雅图AI实验室的运营及管理，推动腾讯在语音识别及自然语言理解等AI领域的基础研究。 这是近段时间以来，腾讯在人工智能领域的第三个大动作。 一个多月前的3月19日，由腾讯AI Lab研发的围棋AI绝艺，在日本UEC杯围棋大赛中夺得冠军。这是低调运行近一年后，腾讯AI Lab首次对外展示研究成果。 就在绝艺夺冠后不久，3月23日，腾讯宣布任命人工智能领域顶尖科学家张潼博士担任腾讯AI
12月5日，阿里巴巴、蚂蚁金服和申通地铁集团联合推出新一代售票机。据悉，这其中有三项技术，是今年10月上海地铁牵手阿里云以来的最新阶段成果。目前，这些技术已经完成实验室测试，进入样机研制阶段，未来都将
作者 | 阿司匹林 ▌小冰的诞生 2013 年 9 月，刚刚加入微软的李笛一直在不停约见微软的各个产品团队。年底的时候，微软的几个同事利用业余时间开发一款叫 Bing Knows 的网页产品，Bing Knows 做的是基于知识库的深度问答，类似于百度知道和知乎。 2013 年 12 月，李笛拉着小伙伴一起，希望将 Bing Knows 做成一个聊天机器人。彼时，李笛团队对标的还是搜狗语音助手。 “当时我们认为他的产品（搜狗语音助手）做的最好。国内的语音助手也很多，我们想要进一步去了解搜狗语音助手的时
免费开放微信AI团队在机器翻译，智能语音领域的业界领先成果，使开发者简便地在小程序中加入机器翻译，智能语音能力。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
