近日，亚马逊推出了一款可以用语音控制的智能微波炉。至此，亚马逊推出的由 Alexa 语音控制的智能家居产品的数量已累计超过十种。由此，我们可以看到亚马逊推广自家语音助手 Alexa 的执念。
面部动画在很多领域都是一项关键技术，比如制作电影、视频流、电脑游戏、虚拟化身等等。
---- 新智元报道 编辑：David Joey 【新智元导读】专门为元宇宙打造的AI框架，是什么样子的？ 人工智能将成为虚拟世界的支柱。 人工智能在元宇宙中可与多种相关技术结合，如计算机视觉、自然语言处理、区块链和数字双胞胎。 2月，扎克伯格在该公司的第一个虚拟活动——Inside The Lab中展示了元宇宙的样子。他说，该公司正在开发一系列新的生成式AI模型，用户只需通过描述就可以生成自己的虚拟现实化身。 扎克伯格宣布了一系列即将推出的项目，例如CAIRaoke项目，一项用于构建设备语音
《经济学人》近日刊登文章，称计算机在翻译、语音识别和语音合成上都获得了很大的进步，但它们仍然不了解语言的含义。以下是原文内容： “对不起，戴夫，恐怕我不能这样做。”电影《2001：太空遨游》里，电脑“
继推出维吾尔语、粤语识别，近期，捷通华声联合中国民族语文翻译局，推出藏、彝、蒙、朝鲜语语音识别技术，为藏族、彝族、蒙古族、朝鲜族同胞的日常办公、沟通交流提供语音识别服务。 民族语言识别 为企事业单位办公、民众交流提供便利 灵云语音识别技术，已广泛应用于国内的企事业单位会议、公检法、医疗等领域。 通过应用灵云藏、彝、蒙、朝鲜语语音识别技术，少数民族企事业单位可以应用语音识别技术，识别日常工作会议发言，快速生成会议记录;地区公安、检察、法院等政法机构可以应用语音识别来转写办案过程中的讯问发言，快速生成办案笔录;
萧箫 发自 凹非寺 量子位 | 公众号 QbitAI 只需3秒钟，一个根本没听过你说话的AI，就能完美模仿出你的声音。 例如这是你的一小句聊天语音： 这是AI根据它模仿你说话的音色： 是不是细思极恐？ 这是微软最新AI成果——语音合成模型VALL·E，只需3秒语音，就能随意复制任何人的声音。 它脱胎于DALL·E，但专攻音频领域，语音合成效果在网上放出后火了： 有网友表示，要是将VALL·E和ChatGPT结合起来，效果简直爆炸： 看来与GPT-4在Zoom里聊天的日子不远了。 还有网友调侃，（继AI搞
在这项研究中，你只要给 AI 一张照片，它就能生成照片中人物的视频，而且人物的表情、动作都是可以通过文字进行控制的。比如，如果你给的指令是「张嘴」，视频中的人物就会真的张开嘴。
“我想知道是否有人知道使用机器学习来捕获他的声音并生成新录音的任何东西。如果我可以在文字转语音引擎中使用它，就太好了。”
语音识别及深度学习领域专家、腾讯AI Lab副主任及西雅图实验室负责人俞栋博士，在2018年腾讯全球合作伙伴大会上展示了腾讯AI正在推进的跨领域前沿研究：下一代的多模态智能人机交互。以下是有补充的演讲全文，介绍了人机交互的历史与目标、下一代智能人机交 互的优势与挑战，及腾讯AI的解决方案。
英国科幻小说家 Arthur C. Clarke 曾经说过，任何足够高级的技术都近乎魔术。迅速崛起的语音计算技术证明了他的观点。使用该技术如同下咒语一样：只需要对着空气说几句话，附近的设备就可以满足愿
他们不想被传统做法困住，开发了新方法：利用语音识别，把语言学线索和声学线索搭配食用，帮助区分。
做个比较，当机器的“脑子”里想到了一段内容时，或者是看到了一段话时，知道哪些字应该怎么读：
编者按：新时代的界面将会突破现有的格局。界面将不再被滑动、轻触和点击局限，取而代之的是更自然细腻的语言呈现形式。 用于GUI（图形用户界面）的设计技法和设计语言在语音交互这个全新的领域不再适用，VUI（语音用户界面）设计的新浪潮将基于「对话」这个我们最先学会而且最擅长的交流方式。
今年的 Wwise Tour 2022，主办方 Audiokinetic 邀请了《哈利波特: 魔法觉醒》、《星球：重启》、《巅峰极速》和《暗黑破坏神·不朽》的音频团队分享项目经验，分享了魔法世界、开放世界科幻生存游戏、赛车、暗黑系列游戏的音频设计实现方法与项目经验，非常精彩。回顾内容后续会持续跟大家分享。 腾讯游戏多媒体引擎 GME 作为 Wwise 全球唯一官方语音合作伙伴，也受邀介绍了游戏音频设计与音频程序可以用 Wwise + GME 方案实现的语音互动玩法，为玩家互动设计提供了广阔的想象空间。 Ww
语音识别功能提供面向移动终端的语音识别能力。它基于华为智慧引擎（HUAWEI HiAI Engine）中的语音识别引擎，向开发者提供人工智能应用层API。该技术可以将语音文件、实时语音数据流转换为汉字序列，准确率达到90%以上（本地识别95%）。
孩子的语音特征，其与成人的不同之处。为什么现在的通用语音识别算法在识别孩子语音的时候表现糟糕，以及Sensory的解决之道 - Sensory VoiceAI for Kids!
目前有数百万人遭受语言障碍（speech impairments）的影响，根本原因主要是神经或遗传疾病导致的身体损伤、脑损伤或听力丧失。
回放链接：https://www.livevideostack.cn/video/sillon/
大型语言模型（LLMs）在人工智能生成内容（AIGC）方面引起了相当大的关注，特别是随着 ChatGPT 的出现。
可能每天大家都会使用各种自然语言对话系统，今天我想跟大家分享一下对对话技术的一些观点。
点击标题下「大数据文摘」可快捷关注 摘自：新浪科技 谷歌发布的美国语音搜索使用习惯报告显示，很多人都会在看电视时使用语音搜索，并希望语音搜索可以帮助他们找到不知所踪的遥控器。“语音搜索是谷歌搜索应用的
AI 科技评论按：医疗AI已经火热了很有一阵子了，计算机视觉相关研究的进步让医学图像辅助诊断改头换面，不仅准确率日新月异，医疗影像创业公司也已经遍地开花。 那么除了医疗影像之外，深度学习还能以别的方式
阅读本文大约需要4分钟 导语丨随着游戏市场的日益成熟, 基于H5实现的游戏需要不断提升自身用户粘性; 依托于网页形式分发的便捷, 致力于网页实现的轻应用异军突起, 市场对Web端的应用对于语音能力需求
点击观看大咖分享 随着游戏市场的日益成熟, 基于H5实现的游戏需要不断提升自身用户粘性; 依托于网页形式分发的便捷, 致力于网页实现的轻应用异军突起, 市场对Web端的应用对于语音能力需求日益强烈.
2017 年可以看做是智能语音交互的元年，在这一年里小爱同学、天猫精灵纷纷上市。2018 年里语音交互的落地突然加速，落地的产品从大公司关注的智能音箱扩展到其它品类，比如电视盒子、闹钟、灯、智能马桶等。那接下来语音交互会如何发展？
人工智能技术对于传统产业的推进作用越来越凸显，极大提升了传统产品的商业价值。“听声识我，开口即播”长虹CHiQ5人工智能电视成为全球首款搭载声纹识别的人工智能电视，可以直接通过每个人说话的声音不同而区分目前使用电视用户是谁，从而实现内容的精准推荐。无需借助遥控和手机等智能设备，通过识别家庭成员的声纹来控制电视。语音助手配备海量语音库，使用语义模糊识别功能，即使说错片名也能自动识别出你想要的内容，但是当人们在观看某一节目的时候谈论提及其他电视节目名称，语音助手功能识别后当即转换到另一个节目影响正常节目的观看。但是在价格方面，55寸售价7597元，65寸售价13997元，75寸售价21997元，价格过高难以普及，但是也从侧面证明人工智能确实可以提升产品附加值。
萧箫 发自 凹非寺 量子位 | 公众号 QbitAI 将ChatGPT打造成猫娘风格的对话AI，已经是老司机的基操了。 但有没有想过，这只猫娘还能进一步从对话框里“跳”出来，能动、会做表情，还可以互动聊天？ 这不，就在ChatGPT开放API后，视频博主@大谷Spitzer火速搞了个3D猫娘女友： 能互动玩猜谜游戏，表情像是在认真听题： 还能根据语音指令走到你身边，答应帮你“做饭”的那种： 值得一提的是，这里的猫娘3D模型只是个示例。 无论是语音模板还是模型，都可以根据个人喜好更改，说话的风格也可以调
在过去多年的键盘输入和点击手机屏幕之后，我们正在回归到最初的“用户界面”：语音。虽然我们尚未感受到语音技术带来的全部影响，但这种技术正在改变我们与数字世界互动的方式。
【新智元导读】2016 I/O大会的第三天，在喧嚣和狂欢逐渐淡去之时，一场名为“Google 机器学习展望”的对谈今日凌晨在主会场举行。谷歌大脑负责人Jeff Dean与搜索和机器智能部分副总裁John Giannandrea，以及产品高级主管Aparna Chennapragada参与对话。如今TensorFlow和Cloud Machine Learning让全世界的研究人员和开发者都能更好地合作。当下机器学习领域最激动人心的话题是什么？最顶尖的挑战是什么？机器学习的边界在哪里？ 过去十年来，谷歌在其
INTERSPEECH 是语音科学和技术领域最大、最全面的国际学术会议。INTERSPEECH 2019 将在奥地利第二大城市格拉茨（Graz）举办。在 INTERSPEECH 会议期间，来自全球学术界和产业界的研究人员齐聚一堂，讨论语音领域的新技术，包括语音合成、语音识别、语音增强这些细分领域。在会议上展示的研究成果代表着语音相关领域的最新研究水平和未来的发展趋势。恰逢 INTERSPEECH 20 周年，主办方透露在会议日程上将会出现一些别出心裁的设计，即将参会的同行们可以期待一下。
有专家预测，到2020年，企业将实现与客户对话的自动化。据统计，由于呼叫中心的员工要么没有接好电话，要么没有足够的能力进行有效沟通，公司损失了多达30%的来电。
一位银行经理接到公司董事打来的电话：公司安排了一项收购，要从账户里转出巨额资金，希望他批准这道流程，还附上了相关律师的电子邮件，以确认金额和转入账户。
【新智元导读】Nature发表华裔作者论文：通过解码大脑活动提升语音的清晰度，使用深度学习方法直接从大脑信号中产生口语句子，达到150个单词，接近正常人水平。
近年来，大规模语言模型（LLMs）建模在 NLP 领域取得了许多突破，特别是 ChatGPT 的成功，正引领大家迈入一个新的 AI 时代。截止目前，基于 encoder-decoder 框架的模型在语音处理任务中仍占主导地位，而基于语言模型（LM）的方法还处于初期探索阶段。AudioLM 和 VALL-E 作为前期工作已经证明了利用离散语义单元（Semantic Units）和离散声学单元（Acoustic Units）联合语言模型建模在音频生成任务上的有效性。
语音识别是人工智能领域的一个重要方向，现在已逐渐发展为一个具有广阔前景的高新技术产业，许多企业在语音识别技术上潜精研思。例如，百度借助自己的人工智能生态平台，推出了智能行车助手CoDriver；科大讯飞与奇瑞等汽车制造商合作，推出了飞鱼汽车助理；搜狗与四维图新合作，推出了飞歌导航；云知声、思必驰在导航、平视显示器等车载应用方面推出了多款智能语控车载产品……在如今的语音技术市场中，大量产品被人们开发出来并运用到实处上，语音识别技术的发展前景如火如荼。
带上VR头显，转动头部寻找有效的文字信息，再控制手柄一一删选，确认最终选项，这是现阶段VR中最常见的一种交互方式，但操作复杂，且不方便，并不符合VR所想带给玩家的那种自然感与沉浸感。在VR交互方面，目
AI，能读懂你的情绪吗？ 分享一则有趣的见闻， 在较早之前，一家名为Teatreneu的巴塞罗那喜剧俱乐部因为加税政策流失了30%的夜场观众，为了减少经营损失，俱乐部在广告服务商的建议下试行按笑声次数向观众收费。 即在剧院的座椅安装一个带有面部表情识别软件的设备，用来捕捉观众在观看演出的过程中笑了多少次。 首先，观众入场免费，但每笑一次就要收费0.3欧元，不过笑点低的朋友不用担心遭遇笑破产的情况了，因为封顶价格为24欧元（即发笑80次）。 根据剧院的统计，实行“按笑付费”措施以来，观众量增加了35%
游戏多媒体引擎（Game Multimedia Engine,GME）作为游戏语音的PaaS服务，致力于提升游戏语音的质量，简化语音接入的流程，创造更多的语音玩法。GME基于Wwise引擎推出了独有的解决方案，目前是Wwise官方支持的唯一语音合作伙伴，本文将对Wwise + GME方案做简单的介绍，看一看那些被解锁的游戏语音新玩法。
AI 科技评论按：人工智能发展到今天已有 60 年的历史，成果累累，当然也遗留了 60 多年没有解决的问题。那么到底哪个问题 60 年都没解决，而且会继续延续下去，其中被人提及最多的就是如何赋予 AI 情商。 在 AI 研究方面，微软有着 25 年的积累。环顾全球所有科技寡头，鲜有可与微软 AI 匹敌的公司。近日，微软全球执行副总裁、微软人工智能负责人沈向洋在北京的“未来论坛”中发表了《有情商的人工智能，让世界更美好》的演讲，深入讲述了自己多年的 AI 从业经验、微软 25 年的 AI 研究成果，以及他对赋
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
也就是说，明星本人根本不需要到场，只需要一份语料，AI就能自动将他们说话的声音、语气合成出来！
近期虚拟人方面的应用如同雨后春笋一般涌现出来。你是否在很多 App 中，看到了 AIGC 让单张照片开口说话的能力？尽管已经能够拥有清晰的画质和准确的口型，但现有的单图驱动虚拟人似乎还差了一点：呈现的结果中说话人往往采用和原图中说话人接近的头部姿态，无法像真人一样在画面中自由地运动。这是因为目前采用的技术无法对图片中说话人在 3D 世界中进行建模，因此在大姿态驱动的情况下会出现效果急剧下降的问题。
大型语言模型以其强大的性能及通用性，带动了一批多模态的大模型开发，如音频、视频等。
看到一篇CVPR 2019 论文《Learning Individual Styles of Conversational Gesture》，通过语音数据识别说话人手势，觉得蛮有意思。
3月14日，腾讯旗下知名手游《QQ炫舞》正式上线各大应用商店，并迅速登上App Store免费游戏总榜第一位。作为一代玩家的青春记忆，早在游戏发布前，《QQ炫舞》手游全渠道预约人数就已突破2000W，其火爆程度不亚于腾讯旗下两款吃鸡手游。
【新智元导读】蒙特利尔初创公司 Lyrebird 开发了一种语音合成技术，用很少的数据，训练一分钟，就能复制任何人的声音。初版展示后，已经有 10,000 人签约后续版本试用。结合某些技术，比如对视频中一个人说话的口型进行编辑的软件，“假消息”、“假新闻”或许会在 2025 年成为一个有趣但也危险的情况。 还记得《碟中谍》中汤姆·克鲁斯扮演的伊森·亨特使用当时还不可能的技术——语音合成——模仿其他人物的声音吗？ 本周，蒙特利尔一家名叫 Lyrebird（注释：琴鸟，一种擅长模仿周围声音的鸟）创业公司将这转
赋能是人工智能对人类最重要的事情，而智能语音（例如DuerOS）正在为人机交互的方式赋能。声音一直是人与人沟通的核心，而今也成为了人机交互的核心——智能语音交互。早在2016年，google声称其搜素请求中有20%是通过语音完成的。但是，语音交互设计并不是新兴的技术，在20多年前老码农刚刚参加工作的时候就可能已经存在多年了。
AudioLM 是 Google 的新模型，能够生成与提示风格相同的音乐。该模型还能够生成复杂的声音，例如钢琴音乐或人的对话。结果是它似乎与原版没有区别，这是十分让人惊讶的。
但我们至少能看到，无论巨头还是初创者，都在涌入这个领域；5G、AI、AR、分布计算，你能想到的那些技术，也正在这个领域积蓄着能量。
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
即时通信 IM
对象存储
