标签
AirCaps Audio Research Lab 推出专为复杂现实环境设计的流式语音和音频模型，声称在边缘硬件上的性能优于领先的云模型。
Nemotron-3-Diarization是NVIDIA推出的一款开放权重说话人分离模型，用于真实世界音频分析，支持流式和离线推理，最多支持八个说话人，并且允许商业使用。
StemDeck是一款免费、开源的本地AI工具，可将音频分离为人声、鼓点等音轨，并提供类似数字音频工作站（DAW）的混音器界面，无需上传或订阅服务。
文章认为，EasyEffects 是一款使用 PipeWire 和插件的 Linux 音频处理工具，应该集成到所有 Linux 发行版中，以通过软件调校显著改善笔记本电脑扬声器的音质。
Muscriptor的公共实例，作为最新、最强大的Audio-to-MIDI模型，现已可用，能通过GPU加速将任何歌曲转换为钢琴MIDI。
一个新的流式语音转换模型MeanVC2已经发布，支持跨性别和跨语言转换，在CPU上实现实时性能。
audio.cpp 0.6版本引入新音频模型，包括dots.tts和MiniMax-H3，并带来原生WebUI以及文本转音频和音乐生成的性能改进。
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。