目前本网站共收录了 65 篇博客和报告 slides,五角星标记的为精选推荐文章
2026
[12]
- [65] 语音合成 | Qwen3-TTS:当 TTS 重新回到 LLM+RVQ 2026-03-10
- [64] 语音合成 | MOSS-Audio-Tokenizer:大数据驱动的通用音频 Tokenizer 2026-02-28
- [63] ★ 专题分享 | UltraTTSData:语音合成数据分层管理体系 (II) 2026-02-15
- [62] 专题分享 | UltraData:大模型时代数据分层管理体系 (I) 2026-02-13
- [61] 语音对话 | MiniCPM-o 4.5 全双工全模态大模型-深度思考(Part II) 2026-02-10
- [60] ★ 语音对话 | MiniCPM-o 4.5 全双工全模态大模型-技术分享(Part I) 2026-02-08
- [58] 专题分享 | 副语言语音数据集开源工作汇总 2026-02-05
- [59] 社区交流 | 语音模型从设计到使用-通义百聆新年交流会 2026-02-05
- [57] 代码解读 | CosyVoice 代码研读(三):CosyVoice DiT CFM 2026-01-29
- [56] ★ 技术思考 | 端到端语音交互在教育场景落地的思考 2026-01-15
- [55] 专题分享 | ICASSP 2026 HumDial 类人语音对话挑战赛 2026-01-10
- [54] 语音合成 | 智谱 AI:GLM-TTS 语音合成模型的设计解析 2026-01-05
2025
[11]
- [53] 语音对话 | OSUM-EChat:理解驱动的共情语音对话模型 2025-12-28
- [52] 代码解读 | CosyVoice 代码研读(二):CosyVoice2 LLM + GRPO 2025-12-18
- [51] 代码解读 | CosyVoice 代码研读(一):CosyVoice2 LLM + DPO 2025-11-28
- [50] ★ 专题分享 | [slides] 基于 ARDM(自回归扩散模型)的语音合成 2025-11-03
- [49] ★ 专题分享 | 2025年10月,一文梳理国内外八大厂商 TTS 能力 2025-10-22
- [48] ★ 专题分享 | 语音生成的新范式?连续表征的「自回归 × 扩散」建模 2025-09-20
- [47] ★ 专题分享 | 小红书 FireRedTTS 系列:从基础合成能力到长对话生成的演进 2025-09-14
- [46] 语音合成 | [slides] CosyVoice 1&2:DiffRO 强化学习 2025-08-21
- [44] 语音对话 | Kimi-Audio 端到端语音大模型 2025-06-26
- [45] 专题分享 | [slides] 重新思考 Tortoise-TTS 范式下的语音合成 2025-06-26
- [43] 语音合成 | [slides] MegaTTS3:稀疏对齐思想下的 Flow Matching TTS 2025-04-14
2024
[5]
- [42] 语音合成 | [slides] FireRedTTS:小红书的 TTS 实践 2024-09-25
- [41] ★ 语音对话 | [slides] Moshi:原生端到端语音对话的新探索 2024-09-23
- [40] 语音合成 | [slides] CosyVoice:通义语音实验室 TTS 新工作 2024-07-09
- [39] 语音合成 | [slides] NaturalSpeech3:离散 Diffusion 视角的 TTS 2024-04-01
- [38] 语音合成 | [slides] MobileSpeech:高效的可用于移动端的 TTS 模型 2024-03-06
2023
[14]
- [37] ★ 专题分享 | [slides] 基于 LLM 的音频生成方案(二) 2023-11-20
- [36] ★ 专题分享 | [slides] 基于 LLM 的音频生成方案(一) 2023-11-13
- [35] 语音合成 | Mega-TTS 2:基于任意长度 prompt 的零样本复刻 2023-09-16
- [34] 语音合成 | Mega-TTS:引入先验偏置的 TTS 方案 2023-08-08
- [33] 语音合成 | [slides] Spear TTS:基于 LLM 的分阶段语音合成 2023-06-01
- [32] 音频生成 | AudioLM:基于语言模型的音频建模 2023-05-20
- [31] 专题分享 | GAN 系列之三:最小二乘 GAN 2023-03-23
- [30] 专题分享 | GAN 系列之二:GAN 的改进 2023-03-21
- [29] 专题分享 | GAN 系列之一:GAN 的基础 2023-03-12
- [28] 音频编解码 | Encodec:用于语音生成的低帧率编解码 2023-02-23
- [27] ★ 音频编解码 | SoundStream:神经网络音频编解码器 2023-01-28
- [25] ★ 专题分享 | [slides] 通过文本编辑语音:基于mask的生成式模型 2023-01-12
- [26] 专题分享 | 开源语音数据库信息汇总 2023-01-12
- [24] 技术思考 | 2023 年开篇:智能语音指南 2023-01-01
2022
[16]
- [23] 专题分享 | 基于 Adapter 的少样本 TTS 方案 2022-12-22
- [22] 语音合成 | RetrieverTTS:基于 Perceiver 架构的语音合成方案 2022-11-28
- [21] 语音识别 | Squeezeformer:高效的语音识别方案 2022-11-16
- [20] 专题分享 | [slides] 零/少样本音色克隆(三):其他方案 2022-11-13
- [19] 声码器 | Avocodo:进一步缓解伪影问题 2022-10-16
- [17] 声码器 | BigVGAN:大规模训练的通用声码器 2022-09-15
- [18] 专题分享 | [slides] 零/少样本音色克隆(二):常用方案综述 2022-09-15
- [16] 声码器 | StyleMelGAN:声码器模型结构的升级 2022-07-21
- [15] 声码器 | Multi-Band MelGAN:引入多频带建模 2022-07-18
- [14] 声码器 | MelGAN:高质量语音合成声码器 2022-07-09
- [13] 声码器 | HiFi-GAN:兼顾效率与音质的声码器 2022-06-22
- [12] 声码器 | Featherwave:多频带的 LPC 声码器 2022-06-17
- [11] 声码器 | LPCNet:基于线性预测的声码器 2022-06-08
- [10] ★ 专题分享 | [slides] 零/少样本音色克隆(一):AdaSpeech 系列 2022-05-26
- [9] 声码器 | WaveRNN:声码器的深度学习思路 2022-03-22
- [8] 语音合成 | FastSpeech:基于 Transformer 的非自回归 TTS 2022-03-10
2021
[2]
- [7] ★ 专题分享 | [slides] 基于 Lattice 的 ASR 重打分:从 WFST 到 Transformer 2021-07-01
- [6] 语音表征 | CPC:基于对比预训练的语音表征 2021-03-16
2020
[2]
- [5] ★ 专题分享 | [slides] 级联(Hybrid)语音合成概述 2020-09-17
- [4] 专题分享 | [slides] 语音识别技术分享(本科/硕士期间工作) 2020-07-20
2019
[3]
- [3] 专题分享 | [ICASSP-preprint] 基于 X-vector 的声学模型说话人自适应 2019-12-12
- [2] 专题分享 | [OpenSAT Workshop] NIST OpenSAT 2019 THU-EE 系统报告 2019-06-06
- [1] 专题分享 | [IALP-论文] 低资源语音识别的语言模型通用优化流程 2019-03-03