---- 新智元报道 编辑：Emil、小匀 【新智元导读】数据稀缺以及开发成本高，多语种识别和翻译被认为是机器翻译技术难以跨越的难题。但随着国际交流日益频繁，跨地域、跨文化间的无障碍沟通成为不断增长的刚性需求。近期科大讯飞表示，通过系统性创新，他们将在10年内让机器在70+语言之间实现互通。 下一个十年，人工智能会从「黑盒」变「白盒」吗？ 下一个十年，人机共存时代会真正到来吗？ 下一个十年，哪个学科又会与人工智能深入交叉，引发颠覆式的革新呢？ 人工智能核心技术的逐渐成熟推动智能产品的落地，以语
Facebook AI（bushi），更准确地说是Meta AI，刚刚发布了自监督语音处理模型XLS-R，共支持128种语言。
CCF-腾讯犀牛鸟基金由腾讯与中国计算机学会联合发起，旨在通过搭建产学合作平台，连接产业实践问题与学术科研问题，支持海内外优秀青年学者开展与产业结合的前沿科研工作。 2018年CCF-腾讯犀牛鸟基金共涵盖机器学习、计算机视觉及模式识别、语音技术、自然语言处理、大数据技术、区块链等6个重点技术领域，涉及31项研究命题。 上一期，我们介绍了机器学习、计算机视觉与模式识别两个申报主题，这期我们将介绍语音技术专题和自然语言处理技术专题。欢迎青年学者关注了解，希望大家可以从中找到适合自己的申报命题。 三、语音技术专
CCF-腾讯犀牛鸟基金由腾讯与中国计算机学会联合发起，旨在通过搭建产学合作平台，连接产业实践问题与学术科研问题，支持海内外优秀青年学者开展与产业结合的前沿科研工作。 2018年CCF-腾讯犀牛鸟基金共涵盖机器学习、计算机视觉及模式识别、语音技术、自然语言处理、大数据技术、区块链等6个重点技术领域，涉及31项研究命题。 上一期，我们介绍了机器学习、计算机视觉与模式识别两个申报主题，这期我们将介绍语音技术专题和自然语言处理技术专题。欢迎青年学者关注了解，希望大家可以从中找到适合自己的申报命题。 三、语音技
“想在游戏里搞点音乐互动，也太麻烦了。歌曲版权分散各平台，价格又贵，搞不起搞不起。” “想要做个出海游戏项目，但海外玩家分布各地，有那么多种语言，怎么保证大家顺畅交流呀！” 别急，你想要的GME都有。 游戏多媒体引擎 SDK 2.9.1 正式版本已上线，可在【腾讯云游戏多媒体引擎GME官网-产品文档-SDK下载指引】中下载，或点击本文下方【阅读原文】直达页面。 本次新版本具体有以下3个功能新增、1个功能优化： v2.9.1版本新动态 功能新增 01 正版曲库 AME GME SDK 新版本新增对「正版曲
预先设置好两种语言，比如中文日文。然后你说中文，谷歌助手就用中文答你，她说日语，谷歌助手就用日语回她。
本文联合撰写： 腾讯：吕志强，颜京豪，胡鹏飞，康健，阿敏巴雅尔 导语｜在刚刚结束的NIST OPENASR评测中，TEG AI语音联合清华大学，刷新世界小语种语音识别比赛6项第一。从2000年开始，NIST组织的RT（英文语音识别），LRE（语音语种识别），SRE（语音说话人识别），OPENKWS（语音关键词识别）等比赛一直是语音届的标杆竞赛，其组织比赛方向也可以看出目前学术和工业界的语音研究发展方向。长期以来，NIST组织的语音比赛受到了来自世界一线的研究单位支持与参与。而2020年新增的OPENASR
商务会议的低效问题想必困扰着每一家企业。参会人员的长时间讨论常产生大量无用信息,记录与总结又极其耗时耗力。此外,不同语言的沟通障碍及信息安全风险也是不容忽视的隐患。有没有可能简单高效地解决这些难题?
---- 新智元报道 编辑：好困 【新智元导读】近日，来自浙大、北大、CMU和人大的研究人员提出了一种全新的音频理解与生成系统AudioGPT。不仅能够实现跨模态转换，以及音频模态的理解、生成，还能能够解决20+种多语种、多模态的AI音频任务。 最近几个月，ChatGPT、GPT-4横空出世，火爆出圈，大型语言模型 (LLM) 在语言理解、生成、交互和推理方面表现出的非凡能力，引起了学界和业界的极大关注，也让人们看到了LLM在构建通用人工智能 (AGI) 系统方面的潜力。 现有的GPT模型具有极高
爱丁堡大学课程（全英文，有能力的推荐学习一遍）：https://speech.zone/courses/speech-synthesis/
语音如何转文字？这是很多人都会考虑的问题，特别是在工作中遇到这样的问题该怎么办呢？今天就来为大家介绍一下解决的方法吧，一起来看看吧。
如今，语音已经成为万物互联时代人机交互的关键入口，在智能家居、智能汽车、穿戴式设备等场景不可或缺。我们看到的各类便捷的智能语音应用，背后是语音识别、语义理解、语音合成等技术的创新发展。全球化背景下，AI 多语种智能语言技术在各行各业的应用越来越广泛。 科大讯飞作为智能语音行业的执牛耳者，在多语种智能语言技术上不断进行技术创新和应用落地实践，迎接市场环境变化下的新挑战。7 月 15 日，科大讯飞在武汉的“讯飞乐享 A.I. 技术沙龙”专场，面向开发者，对科大讯飞在 AI+ 多语种智能语言技术上的研发、实践、求
重构出版：语音交互技术的冲击与机遇 1 摘要：语音交互技术是人工智能技术的重要分支，包括语音识别、语音合成和语义理解三个部分。语音交互技术不仅从出版实务上重构了出版业，而且重构了出版业的核心概念。出版机构面对语音交互技术的冲击要主动培养音频编辑人才，提前布局市场，在下一次知识服务转型的风口占得先机。 关键词：人工智能；语音交互技术；重构；出版业 2 人工智能将对人类社会产生重大影响，而语音是人工智能技术重要应用领域之一。近年来语音交互技术日趋成熟，数字出版领域有声读物快速发展，市场不断扩大。“国内已经先
在课堂上、讲座上，每一点都是不容错过的精彩，让人想把其牢牢记在脑海，手写记录难以跟上别人口头讲解的速度，埋头苦记的话往往会错过一个又一个得重点，将语音实时记录下来这才是正确的方式。
多语言识别翻译的研究一直都是学术界研究的重点。目前全球有几千种语言，在全球化背景下不同语言人群之间的交流越来越密切，然而学习一门外语的成本是非常大的。前两年的研究主要集中在一对一、一对多的研究，然而当面对这么多的语言时，既需要「考虑模型准确率，还需要考虑语种的识别」。最近，随着人工智能大型自然语言模型的发展，利用统一模型实现多语种识别翻译来实现不同语种之间交流逐渐的变成了可能。
小编新接触语音SDK项目，SDK无UI、底层调用多个C++算法库、提供的是AI服务。语音AI项目，识别效果是至关重要的一环，识别效果评测也是一项测试重点。为了制定一个专业、全面的效果评测的方案，小编学习了相关知识，对方案制定有了初步思路。希望对测试小伙伴有所帮助~~(●—●)
伴随着5G、人工智能技术的发展，智能语音已经随着各种智能终端产品渗透到人们的日常生活中，带来了更多便捷和可能性。作为新兴市场智能终端产品和移动互联服务提供商，传音聚焦人工智能领域持续创新，不断推进AI语音技术的研究和应用，挖掘更多本地化用户场景要求，为新兴市场用户带来全场景智能交互体验。
机器之心专栏 机器之心编辑部 能说会唱的 AudioGPT 惊艳亮相。 最近几个月，ChatGPT、GPT-4 横空出世，火爆出圈，大型语言模型 (LLM) 在语言理解、生成、交互和推理方面表现出的非凡能力，引起了学界和业界的极大关注，也让人们看到了 LLM 在构建通用人工智能 (AGI) 系统方面的潜力。 现有的 GPT 模型具有极高的语言生成能力，是目前最为先进的自然语言处理模型之一，广泛应用于对话、翻译、代码生成等的自然语言处理领域。除了书面语言，用户在自然对话中主要使用口语 (Spoken Lan
让郭德纲飙英文、让霉霉说中文的翻译视频生成工具HeyGen和掀起AI证件照热潮的“妙鸭相机”一样，在一阵疯狂刷屏之后，又迅速在各大群里销声匿迹了。
---- 新智元报道 编辑：好困 桃子 【新智元导读】让机器像人一样思考又迈进了一步？ 最近，第十六届国际语义评测大赛（SemEval 2022）落下帷幕。 科大讯飞认知智能国家重点实验室率队杀出重围，连夺3个主要竞赛项目的冠军。 就在几天之前，实验室还以76.06%的准确率，刷新了常识推理挑战赛CommonsenseQA 2.0的世界纪录，比第二名领先了近3个百分点。 那么，这些所谓的挑战，到底难度如何呢？ 刷新常识推理世界纪录 故名思义，常识推理就是利用自身了解的知识，比如科学事实、社会惯例
先来欣赏一段音视频，或许你会有惊喜发现呢？ 没错，这就是动漫海绵的配音模仿者的声音呈现。 不同的是，这位即将奔四的美国喜剧动画主角，如今在模仿者的演绎下一改往日的单一语言以及固定风格，居然一股脑儿说出了译制腔、TVB腔、粤语甚至上海话。 更重要的一点，所有风格以及语言，都是基于一段仅仅两分钟时长的纯中文音频训练而成。 话说两分钟时长的音频究竟可以包含多少内容？ 经过语音方向的专业人士估算，基本等同于人们正常语速说出的20句话的内容量。 而这样既能保留本尊音色，又能实现多风格多语种无缝切换的“神奇语音”，还要
2019年度腾讯“犀牛鸟精英人才培养计划”开放申请中，该项目是一项面向学生的校企联合人才培养项目，为期一年。入选学生将受到业界顶尖技术团队与高校导师的联合指导及培养，并获得3个月以上带薪到访腾讯开展科研的机会，基于真实产业问题及海量数据，验证学术理论、加速成果应用转化、开阔研究视野。同时项目组将引进沟通技巧、商业分析、创新思维等定制课程，全面提升学生综合素质。 今年共有10大方向，81个子课题 申报截止日期：2019年1月28日 同学们，抓紧时间申报哦 下面让我们一起来看看第六个方向吧 语音技术
精英人才培养计划是一项校企联合人才培养项目，入选学生将受到业界顶尖技术团队与高校导师的联合指导及培养。培养期间，学生将获得3个月以上到访腾讯开展科研访问的机会，基于真实产业问题及海量数据，验证学术理论、加速成果应用转化、开阔研究视野。同时项目组将引进沟通技巧、商业分析、创新思维等定制课程，定期举办线上线下交流活动，全面提升学生综合素质。入选学生还将获得线上实名社群平台“十分精英圈”的在线访问权限，结识志同道合的科研伙伴，获取业界信息及资源。 今年共有10大方向，81个子课题 申报截止日期：2019年1
点击上方“LiveVideoStack”关注我们 ▲扫描图中二维码或点击阅读原文▲ 了解音视频技术大会更多信息 // 编者按：随着长视频制作行业和消费市场的持续发展，国外越来越多优秀内容“走进来”，同时更多的国内优秀作品“走出去”，这对配音本地化提出了极大的挑战。爱奇艺在自有的海量内容优势下，基于Voice Conversion，MDX，Denoise等AI技术，研发了面向影视剧场景的AI配音技术IQDubbing，有效地缓解了影视剧配音本地化的问题。LiveVideoStackCon 2022
最近爆火的“元宇宙”概念，从“Meta+Verse”的词义直译而来，最早来源于美国科幻小说《雪崩》，指的是一个平行于现实的网络世界。游戏是最接近“Metaverse”的形态。在目前主流的观点里，“Metaverse”游戏具有真实、沉浸的互动与社交体验；允许玩家自由的互动、创作和进行价值交换；具备多元与包容的文化和内容。
5月4日，有着最难语音识别任务之称的CHiME-6成绩揭晓：科大讯飞联合中科大语音及语言信息处理国家工程实验室（USTC-NELSLIP）在给定说话人边界的多通道语音识别两个参赛任务上夺冠。
4月29日，腾讯云正式发布金融、音视频等多个领域专属语音识别模型。最新发布的模型不仅识别准确率得到大幅提升，同时也增加了对粤语、韩语的支持，后面会陆续开放对上海话等方言以及日语、泰语、印尼语等国外语言的支持。
论文链接：https://www.researchgate.net/publication/353652910_Dynamic_Multi-scale_Convolution_for_Dialect_Identification
游戏多媒体引擎 SDK 2.9.4 正式版本已上线，可在【腾讯云官网-游戏多媒体引擎GME产品页-产品文档-SDK下载指引】中下载，或点击本文下方【阅读原文】直达页面。
机器之心报道 作者：蛋酱 又是一年 1024 ，对于全球开发者来说相当特殊的一天。 1024 这一天，无论你身处何方，都能感受到浓浓的节日氛围。但说到场面最宏大、参会人数最多、内容最丰富的 1024 活动，还是要来合肥看看这家老牌 AI 企业的玩法。 10 月 23 日上午，2020 科大讯飞全球 1024 开发者节在合肥开幕。作为科大讯飞举办的第四届 1024 开发者节，今天的大会比往年来得都早了一些。 「创业的过程就像是登山，我们只有胸怀登顶的梦想，一步一个脚印，踏踏实实地积累高度，最后才能登顶。而
6月28日，中国人工智能峰会（CAIS 2019）上，腾讯民汉翻译从诸多项目评选中脱颖而出，获得“紫金技术创新奖”。 “CAIS紫金奖”颁奖现场 作为一款定位于贴近用户的民汉信息互译产品，腾讯民汉翻译已经成为国内首个在小语种领域布局维、藏、蒙、哈、朝、彝等多语种全方位同声传译、实时互转的民汉交流工具。腾讯正在用技术践行“科技向善”理念。 腾讯民汉翻译产品整体框架 性能优势明显，各类竞赛获奖无数 经过团队多年对海量民族语音、语言、图像、文本的海量标注，以及多轮功能迭代和用户交互体验优化，使得“腾
整理 | 禾木木 责编 | 王子彧 出品 | CSDN（ID：CSDNnews） 去年11月，谷歌曾宣布“1000 种语言计划”，通过建立一个机器学习模型，从而支持世界上使用人数最多的 1000 种语言。 近日，谷歌正式发布 20 亿参数通用语音模型——USM，可支持 100 多种语言自动识别内容检测。谷歌将其描述为“最先进的通用语音模型”，拥有 20 亿个参数，经过了 1200 万小时的语音、280 亿个句子和 300 多个语种数据集的预训练。 目前该模型在 Youtube 的字幕生成中已展现
腾讯犀牛鸟精英人才培养计划是一项面向学生的校企联合培养方案，项目覆盖机器学习、量子计算、计算机视觉、语音技术、自然语言处理等产学研热点方向，入选学生将到腾讯开展科研访问，基于真实产业问题，借助腾讯海量数据、专家指导等资源，验证学术理论，加速成果应用转化，全面提升自身科研能力和综合素质。 2018年度申请时间已经过半，小伙伴们要抓紧哦~ 今年共有8个课题方向，54个子课题供大家选择，总有一款适合你！ 上一篇文章已经介绍了机器学习及相关应用研究方向、量子计算方向的课题及导师，接下来为大家介绍语音技术方向及
在一个安静而又普通的午后，我坐在电脑前，思索着如何将一个看似遥不可及的愿望化为现实。那个愿望，是一个来自虚拟世界的幻想，一个关于“重生”的故事。
游戏内置语音，已经成为游戏不可或缺的功能之一。玩家通过游戏内置语音与队员/好友沟通，能够加强团队操作协同，大幅提升沉浸式游戏体验、对战质量，增强游戏粘性及社交性。因此，在游戏出海发行的趋势下，选择一款全球服务的优质游戏语音互动服务提供方，保障游戏玩家在世界各地都能拥有极致流畅的游戏语音体验至关重要。
关键技术顶天，行业认知立地。当打破了实验室和现实的隔阂之后，技术不再局限于自身，而是和广大的外部场景做关联，最终成就了科大讯飞AI技术能够迅速从研发到规模化落地的能力。 作者 | 月行、青暮 编辑 | 岑峰 自然语言处理（NLP）一直是人工智能渴望攻克的难题。 直到2006年，来自上世纪末的互联网时代累积的大量电子化的文本数据，以及深度学习的加持，终于让机器翻译乃至自然语言处理，走上了快车道。 深度学习秉承统计方法的概率传统，不同的是，它基本不需要做特征工程，而特征工程需要大量的专家知识。 但盛志超发现，
TRTC=腾讯实时音视频，全称Tencent Real-Time Communication。拥有QQ十几年来在音视频技术上的积累，致力于帮助企业快速搭建低成本、高品质音视频通讯能力的完整解决方案。 随着视频互动、语聊交友等场景应用的飞速发展，用户的内容也以多种形态在广泛的传播，如何有效的识别应用中潜在的涉黄、涉暴、低俗等不良内容，已经成为了行业的课题。 近日，腾讯云通信TRTC (文中简称TRTC) 联合腾讯安全天御团队，推出实时音视频+实时内容审核服务，帮助平台运营者解决不良内容审核的痛点。 告别自建
与市面上各种VoIP语音通话系统类似，腾讯云中的语音解决方案也需要面对包括PSTN电话机等接入形式，进行双向通话。由于历史原因，PSTN电话机采用了传统窄带通话引擎；与之相对应的，腾讯云内置的是宽带通话引擎。因此，用户在使用腾讯云客户端与对端持有PSTN电话机的朋友进行通话时，只能接收到窄带话音，体验大打折扣。这个窘境怎么破？ 图1. 下行侧窄带语音和宽带语音 在公布答案前，先做一些常识科普。如下图所示，所谓窄带话音的采样率是8000Hz，表示每秒钟声音信号有8000个采样点，高频的
今年 4 月，QQ 浏览器宣布 「小说频道」正式变更为 「免费小说」频道，这意味着阅文平台旗下的万千小说将免费供用户阅读。网络文学已浮浮沉沉二十余载，其阅读方式也随之几经改变。
“中国语音识别技术的突破，将带动着场景下的语音交互更加智能化、实用化，更在未来十年带动万物互联的整体布局与发展，赋能人工智能的黄金新十年。”
据悉，近日富士通实验室对外表示，他们研究出了世界上首款胸卡大小的免提式语音翻译器。 在与患者交流病情的同时，医院的医务人员手中总是有很多事情要做，伴随着国际化，患者常常不是本国人，在这样的情况下，交谈
游戏内置语音，已经成为游戏不可或缺的功能之一。玩家通过游戏内置语音与队员/好友沟通，加强团队操作协同，大幅提升沉浸式游戏体验、对战质量、玩家粘性、游戏社交性。因此，在游戏出海发行的趋势下，选择一款全球服务的游戏语音互动服务提供方至关重要，从而保障游戏玩家在世界各地都能拥有极致流畅的游戏语音体验。 服务好游戏的全球语音互动场景，有以下 5 大挑战：全球顺畅通信有挑战、海外布点服务器成本高、海外玩家机型众多、海外合规政策复杂、海外玩家语种多沟通难。「腾讯游戏多媒体引擎 GME」助力游戏开发者轻松搭建全球语音互动
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%
入世21年，中国的产业经济、消费市场、技术创新、文化娱乐等各个方面的发展都紧密地与世界联系在一起。
然而，创业并非易事。更重要的是，他们选择以一项在当时不被看好的技术——语音合成起家。
刚结束了腾讯云BI的体验活动，在文章提到了SaSS、PaSS的概念，腾讯云BI是一个SaSS，而今天要写的腾讯云语音识别就是一个PaSS，平台即服务，用户只需要调用接口就能实现语音识别的功能，而语音识别所需要的算法、计算资源都是PaSS来分配。
随着物联网技术和智能设备技术的快速发展，人与机器的交互，不再仅依赖于鼠标和键盘，更有可能的是直接采用语音。 这其中的关键技术就是自动语音识别（Automatic Speech Recognition，ASR）。其所要完成的工作，简单地说，就是在与机器进行语音交流时，能够让机器听懂你在说什么。 但语音识别技术的发展日新月异，新的理论和方案不断出现，读者除了掌握基本原理，也亟须了解语音识别最新的前沿技术，例如加权有限状态转换器（WFST）、端到端（E2E）语音识别等。 本次博文视点学院公开课，我们特邀厦门大
论文题目：CIF: Continuous Integrate-and-Fire for End-to-End Speech Recognition
点击上方“LiveVideoStack”关注我们 ▲扫描图中二维码或点击阅读原文▲ 了解音视频技术大会更多信息 ---- 一直以来，火山语音团队都为时下风靡的视频平台提供基于语音识别技术的智能视频字幕解决方案，简单来说就是可以自动将视频中的语音和歌词转化成文字，来辅助视频创作的功能。但伴随平台用户的快速增长以及对语言种类更加丰富多样的要求，传统采用有监督学习技术来解决的办法日渐遭遇瓶颈，这让团队着实犯了难。 众所周知，传统的有监督学习会对人工标注的有监督数据产生严重依赖，尤其在大语种的持续优化以及小语
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
