实体
WavTokenizer
WavTokenizer
PulseAugur coverage of WavTokenizer — every cluster mentioning WavTokenizer across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的SLM-SS框架使用语音语言模型进行高级语音分离
研究人员开发了SLM-SS，一个利用语音语言模型处理多说话人混合语音的新型语音分离框架。这种基于令牌的方法将语音离散化为序列，并采用自回归模型进行说话人排序和语言内容处理，然后使用非自回归模块进行优化。SLM-SS系统在词错误率和主观质量得分方面均有显著提高，甚至在未重新训练的情况下，在处理未见的嘈杂和中文混合语音方面也优于现有方法。
-
Apertus 1.5 发布，具备多模态理解能力和 262k 上下文窗口
Apertus 发布了其开源 AI 模型 Apertus 1.5 的更新版本。这一新迭代通过整合多模态理解能力，显著扩展了其功能，使其能够处理图像和音频以及文本。该模型还具有增强的“思考模式”以改进推理，并将上下文窗口扩大至原来的四倍，达到 262,144 个 token。Apertus 1.5 通过公开权重、数据和训练细节，继续坚持其开放承诺。
-
新研究探究音频条件化大语言模型中的声学信息丢失
研究人员调查了音频条件化语言模型为何常常无法利用韵律和情感等关键声学线索。他们的研究发表在arXiv上，在一个Qwen3.5-4B语言模型管道中测试了包括Whisper-Tiny、Whisper-Small、EnCodec、DAC-VAE和WavTokenizer在内的各种音频编码器。研究结果表明，仅更换编码器并不能完全解决问题，因为在情感识别和声音描述等任务中，Whisper变体仍然是最有效的。进一步的分析表明，虽然区分性的声学信息…