标签
一段视频演示了一个 GUI 前端实验，该实验使用 Skred 声音引擎作为音频效果处理器，其设计灵感来自 Korg DW-8000 的数字延迟线。该项目在 GitHub 上以 MIT 许可证开源。
一个GitHub项目，利用FFmpeg模拟磁带音频特征，包括磁带噪声、抖动/颤动、带宽限制以及均衡器调整。提供针对不同磁带类型的脚本。
Microsoft 发布了 vibevoice，这是一个7B参数的模型，可以一次性转录长达一小时的音频，内置说话人日志和时间戳，支持50多种语言，并且本地运行，无需API费用。
MOSS-TD是一个说话人感知的ASR系统，在SGLang-Omni服务栈中进行了优化，能够在单张H100上以约49秒转录38分钟的多说话人音频，并支持16个会议的并发处理。
Inkling 是一个 975B 参数的混合专家模型（41B 激活参数），支持 100 万上下文窗口，采用 Apache-2.0 许可证。它引入了一种新颖的音频前端，使用一个 790 万参数的查找表替代传统编码器，在语音任务上取得了强劲性能。该模型在 45 万亿文本、图像、音频和视频 token 上进行了预训练。
基于浏览器的工具，可将歌声转换为可打印的乐谱，并具有可调参数，包括音高容差、噪声门和音符分割灵敏度。
Mirelo AI与Kyutai Labs合作，推出了一款开源的Audio-to-MIDI模型，该模型能将完整的音乐混音转录为每个乐器的单独MIDI音轨，并直接从混音中检测和弦、调性和节奏，无需分离的音轨。
MuScriptor 是一个开源的多乐器音乐转录模型，能够将录音转录为每种乐器的 MIDI 音符，无需事先知道存在的乐器。
UniSE 是一个统一的、无需提示的、自回归语音增强模型，基于纯解码器语言模型，支持单一模型内完成语音恢复、目标说话人提取和语音分离等多种任务。
一篇技术博文，描述了一个实时系统的开发，该系统通过使用锁相环从鼓点中估计节奏和相位来跟随鼓手，使软件能够适应人类的感觉，而不是强迫鼓手跟随机器。
OrukLabs的一项研究表明，仅通过转录或掩码音频任务训练的语音模型，会自动在深层中学习表达情感，这一点通过映射真实语音片段得以揭示。
audio.cpp发布重大更新，新增音乐/SFX生成和源分离功能，支持ACE-Step、HeartMuLa、Stable Audio 3和HTDemucs，在原生C++/GGML中实现长音乐生成高达10倍的实时速度。
DSPi 是一款开源固件，可将树莓派 Pico 变身为全功能数字音频处理器，支持房间校正、参数均衡器、矩阵混音等功能。
本文介绍了首个公开的多模态数据集，包含100个土耳其诈骗和良性电话通话，评估了七种大语言模型在原始音频、ASR转录和人工纠正转录下的表现。结果表明，基于转录的输入优于直接音频，凸显了在低资源语言中进行包容性AI安全研究的必要性。
本文分享了构建实时语音AI代理的宝贵经验，强调了正确的轮流发言、VAD处理、计费意识以及避免回声循环的重要性。
一个本地CLI工具，利用OpenAI的Whisper检测并去除音频录音中的填充词（um、uh、erm），采用技术避免点击声和背景嘶嘶声等音频伪影。
微软发布了VibeVoice开源模型，可一次性处理一整小时的音频，并返回带有说话人识别和时间戳的结构化文本，颠覆了付费转录服务。
Resonate 是一种低延迟、低内存的算法，用于对音频信号进行感知相关的频谱分析，采用带有指数加权移动平均的谐振器模型。
Santiago 指出了传统 STT 管道在丢失语调和情感方面的局限性，然后介绍了 Modulate 公司的 Velma，这是一个原生语音 AI 模型，通过分析原始音频来捕捉意图、情感及其他声学信号，通过 API 获取，其成本比基于 LLM 的方法便宜 10 倍。