自动生成的语音无处不在，从驾驶中的人声导航，到手机上的虚拟助手，还有家中的智能扬声器设备。虽然为了使生成语音更加逼真而进行了大量研究与实验，例如为低资源语言（low-resource language，LRL）生成语音以及使用 Tacotron 2 创建模仿人类的语音，但如何评价生成的语音呢？找出答案的最好方法是询问那些能分辨出声音是否「以假乱真」的专业人士。
质量评估指的是通过人为或自动化的方法评价语音的质量。在实践中，通常可以根据评价方式分为主观评价和客观评价两类。
在业界，实时音视频的 QoE（Quality of Experience） 方法一直都是个重要的话题。之所以这么重要，其实是因为目前 RTE（实时互动）行业中还没有一个很好的可用于评价实时互动场景的 QoE 评价方法。
下面是 2022.05 月的知识图谱新增内容快照（图片被平台压缩不够清晰，可以加文章后面微信索要清晰原图）：
大家好，我是 cv 君，涉猎语音一段时间了，今天提笔浅述一下语音的传输前后，质量如何过关，也就是说，怎么评价我们语音的质量，比如麦克风等声音设备等等。
人类因为具有语言能力而区别于其他物种，而智能语音互动将人与机器巧妙的联系起来，让机器识别并懂得人类语言。生活中使用最多的就是手机语音交互，它可以解放用户双手，实现更加便捷、优质的交互体验。作为越来越重要的一项功能，我们应该从哪些维度来判断语音交互的好坏？
智能客服机器人用于解决重复性客服问题，降低客服人员工作量和劳动强度，并且能够通过与客户的交互式多轮对话自动积累客服知识。
百度机器翻译团队创新性地提出了全球首个感知上下文的机器同传模型，并基于此发布了最新的语音到语音的机器同传系统：DuTongChuan（度同传）。
区分说话主要是通过音高（基频）和音色（频谱包络-频谱最大幅度的连接线） 音高：http://ibillxia.github.io/blog/2013/05/16/audio-signal-processing-time-domain-pitch-python-realization/ 音色：http://ibillxia.github.io/blog/2013/05/18/audio-signal-processing-time-domain-timbre-python-realization/ 此工具箱通过提取语音的三个特征，然后对其进行修改，从而改变语音的音色等特征，从而转换语音特性 比如：通过调高基频，可以偏女性化，通过改变基频未固定值，可以类似机器人等等 f0 : ndarray F0 contour. 基频等高线 sp : ndarray Spectral envelope. 频谱包络 ap : ndarray Aperiodicity. 非周期性
这几天，一篇关于语音-文本多模态大模型的论文出现在arXiv上，署名公司中出现了李开复旗下大模型公司01.ai——零一万物的名字。
TTS是Text To Speech的缩写，即“从文本到语音”，是人机对话的一部分，让机器能够说话。
一场突如其来的疫情给很多行业带来了影响，但是，在此之中，有一门行业却意外火热了起来，它就是在线教育。由于在线教育主要依托于直播平台，因此它的火热，也直接带动了直播的又一波发展，因此，很多互联网平台借助直播“足不出户”的优势，开始打造自己的教育直播系统。
导语 数据万象（Cloud Infinite，CI）处理平台涵盖图片处理、内容审核、音视频处理、智能语音、内容识别、文档预览等各项存储云原生能力，其中智能语音围绕“声音”提供多元化内容服务，在通勤导航、智能家居、网络K歌、虚拟社交各场景下为用户提供助力。 上班路上，红灯之前，午饭时间，谁没有点张开小耳朵听听音频的需求呢？ 比如以小王的普通一天举例，这也是千千万万当代年轻人的现状，可以看到从早到晚都有丰富的音频活动，娱乐工作生活面面俱到，横跨数个产品，多个行业，软硬件之间来回跳跃，当然小王能在如此多的活
由于新冠疫情的影响，视频会议和线上教育迎来了飞速的发展。而让这一切成为现实的基础就是实时音视频通讯技术，但在实时音视频通讯过程中，会面临各种各样的问题，有可能是网络问题，也有可能是产品问题，在一定程度上左右了用户体验（QoE）。尽管服务质量（QoS）是一个产品或者服务非常重要的参考标准，但是对于用户而言，他们更关心是 QoS 指标。
本发明公开了一种基于卷积神经网络的语音特征匹配方法,包括:S1,预处理,提取音频信号的梅尔谱图,在时域上切割成图像片段,对图像片段做傅里叶变换得到频谱信号;并提取出特征向量;S2,将音频样本的特征向量按照时间顺序排列后进行池化处理形成语音记录文件,并将语音记录文件转换成二值特征序列;S3,语音特征匹配,利用语音查询文件与语音记录文件进行比较,查找出与语音查询文件具有相同内容的语音记录文件。本发明提高了语音识别的准确率,降低了语音识别系统的复杂性,增强了软件健壮性。
---- 新智元报道 编辑：张乾 【新智元导读】昨天下午，微软全球技术院士黄学东博士、微软大中华区副总裁兼市场营销及运营总经理康容、ROOBO CTO雷宇接受了包括新智元在内的媒体专访，详细解答了微软的语音技术、产品落地以及生态合作。 在昨天的微软人工智能大会上，微软全球技术院士黄学东展示了微软多项语音、翻译等技术，微软Build大会上的“黑科技”全球首创AI会议系统再次被演示。 昨天下午，黄学东博士、微软大中华区副总裁兼市场营销及运营总经理康容、ROOBO CTO雷宇接受了包括新智元在内的媒体专访
在这个平台上，用户可以向客服人员咨询问题或寻求帮助，客服人员则可以实时回答问题和提供帮助。
2016年，王小川在正式论坛里秀出AI同传，那是机器实时翻译技术，首次在高规格国际会议上实战应用。
机器学习是通过学习现有的训练数据，获得”知识“，然后把该”知识“应用到新的数据中。机器学习学习现有的训练数据主要分为四个步骤：
李根 发自 芳草地 量子位 报道 | 公众号 QbitAI △ 出门问问创始人李志飞 “起了大早，赶了晚集？” 这是出门问问创始人李志飞推出智能音箱时的说法。此时，距离这家语音交互为核心业务的公司创立
T客汇官网：tikehui.com 原文作者|Steve Andriole 编译|杨丽 Gartner上月刚刚对2017年十大战略性技术趋势进行了预测，分别是：AI与高级机器学习；智能应用；智能对象；
Netflix或Amazon Prime推送您喜欢看的电影，这背后的逻辑你不觉得惊讶吗？或者，你不好奇是什么让Google地图可以预测您所行驶的路线上的路况？
新的一周，又有什么新的 AI 应用呢？在 AI 专场，这次是文本生语音和双语对话模型，前者能解决你的语音问题，后者则是清华开源的模型，能让你搞个自己的类 ChatGPT 对话助手。此外，还有升级版的 MiniGPT-4 搞定基于图片的文字工作，像是诗歌生成、图片描述等等。
在今天的内容开始之前，大家可以先戳下面的声音听一下，不长，只有18秒，是一个妹子在唱Adele的知名歌曲Rolling in the Deep。
2024年6月12日-15日，AVS工作组第八十九次会议在浙江绍兴召开。会议上，工作组正式宣布，AVS3P10标准已经完成最终委员会草案（FCD）阶段，即将正式对外发布。
语音的基本概念 语音是一个复杂的现象。我们基本上不知道它是如何产生和被感知的。我们最基础的认识就是语音是由单词来构成的，然后每个单词是由音素来构成的。但事实与我们的理解大相径庭。语音是一个动态过程，不
“结构清晰，主次分明”，用解构的方式去理解一款产品，这才是人工智能从业者思考的专业化表现。
吴恩达老师课程原地址: https://mooc.study.163.com/smartSpec/detail/1001319001.htm
7月4日、5日，第二届百度AI开发者大会在北京举行，此次大会还首次举办了AI设计论坛，论坛上除了发布机器人自然情感人机交互模型 NIRO，还从交互的角度解读了AI 时代的环境、用户行为变化以及用户体验的新特点，同时宣布与湖南大学达成战略合作，共建联合创新实验室及博士后基地，探索中国AI时代的设计。
随着计算机技术的快速发展。应用和应用之间的功能差别越来越小。谁家的APP可以在应用体验上更极致，从体验上与竞品拉开差距，谁才能更好的留住用户。 为了使输入法应用达到更极致的用户体验，原始的功能测试+客观数据评测已经不能满足目前的目标。所以要加入主观评测。 一、什么是主观评测 主观评测是指使用软件后，通过主观感受对功能进行评价。此类评测类似于酒店体验师对酒店进行评价。酒店体验师到酒店真正住宿后，对酒店的各个方面进行评价，形成体验报告。功能的主观评测同理，从用户角度体验功能，发现功能存在的问题，并对功能进行
因为这是从2017年1月至12月期间发布的最佳开源机器学习库、数据集和应用程序里精心挑选出来的。挑选的基数高达8800个。
本次线下技术沙龙重点围绕游戏体验测试标准3.0、AI语音助手测试标准2.0（手表部分）、跑步机对接测试标准1.0这三大标准进行了多轮讨论和正式评审，并针对多屏互动测试标准立项深入探讨。后续工作组成员将结合自身业务与需求提出修改意见及补充建议，共同推动技术业务创新、标准及规范落地，为行业发展做出贡献。
检信智能创始人李剑峰，工业自动化专业，中国心理学会会员，最初履历在中国电子信息产业集团一家上市公司担任科研项目开发及管理工作，曾参与国家863计划项目一项，信息产业部电子产业发展基金专项计划一项，涉及金融和医疗信息化等技术领域，于2009年自主创业成立了长沙警通信息技术有限公司，公司成立之初与中科院自动化研究所下属企业合作开展心理测试仪在公安、监察委等部门应用，在2013年以色列的LVA语音心理分析技术在我国公安、察院等得到一定的应用，但是由于以色列LVA不属于国产技术，我们政府相关部门采购需要向以色列国防部备案管理。在这种背景下，2016年检信智能创始人李剑峰决定成立一家专注于心理情绪识别开发与应用的初创型公司，来代替以色列LVA语音心理分析系统。
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。
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
内容概要：Apple 在 WWDC 2020 上发布了一款全新的 APP--Translate，官方表示该 APP 会成为最好用的翻译软件，试用后我们发现，Translate 的进步空间还很大。
虚拟数字人从技术层面理解，是通过计算机图形学、深度学习、语音合成技术、动作捕捉、图形渲染等技术手段聚合合成，具有“人”外观、行为甚至思想的可交互虚拟形态。
随着元宇宙的火爆以及数字人建模技术的商业化，AI 数字人驱动算法，作为数字人动画技术链的下一关键环节，获得了学界和工业界越来越广泛的兴趣和关注。其中谈话动作生成 （由声音等控制信号生成肢体和手部动作）由于可以降低 VR Chat, 虚拟直播，游戏 NPC 等场景下的驱动成本，在近两年成为研究热点。
机器之心发布 机器之心编辑部 清华大学和字节跳动智能创作语音团队业内首次提出神经网络配音器，让 AI 根据配音脚本，自动生成与画面节奏同步的高质量配音。 影视配音是一项技术含量很高的专业技能。专业配音演员的声音演绎往往让人印象深刻。现在，AI 也有望自动实现这种能力。 近期，清华大学和字节跳动智能创作语音团队业内首次提出了神经网络配音器（Neural Dubber）。这项研究能让 AI 根据配音脚本，自动生成与画面节奏同步的高质量配音。相关论文 Neural Dubber: Dubbing for Vid
1987年：Lim和Oppenheim发表语音增强的维纳滤波方法； 1987年：Boll发表谱减法； 1980年：Maulay和Malpass提出软判决噪声一直方法； 1984年：Ephraim和Malah提出基于最小均方误差短时谱幅度估计的语音增强算法；
机器之心专栏 机器之心编辑部 华为东京研究所 - Digital Human Lab 与东京大学等合作进行了研究，提出了目前为止最大规模的数字人多模态数据集：BEAT。 随着元宇宙的火爆以及数字人建模技术的商业化，AI 数字人驱动算法，作为数字人动画技术链的下一关键环节，获得了学界和工业界越来越广泛的兴趣和关注。其中谈话动作生成 （由声音等控制信号生成肢体和手部动作）由于可以降低 VR Chat, 虚拟直播，游戏 NPC 等场景下的驱动成本，在近两年成为研究热点。然而，由于缺乏开源数据，现有的模型往往在由姿
每周一期，纵览音视频技术领域的干货。 新闻投稿：contribute@livevideostack.com。 ---- AI双眼皮，让您重焕“睛”彩 AI 双眼皮生成是快手 Y-tech 自研的人像美化项目，提出的基于形状和纹理显示分离的生成式算法解决了 domain 间小风格迁移的难题，所生成的双眼皮能够兼顾真实和美感，已经上线“一甜相机"app->美型->眼睛->双眼皮 和"快手"app拍摄页面->美化->医美级->双眼皮，欢迎关注和使用。 KALOS.art AI 作品每周精选 001 2022年
苹果语音助手Siri，秉持期待买进来，深受乔布斯期许，永远被等待着创造惊喜，但即便AI语音交互火热非常的当下，也只是：依然活着、蠢着，一次次被嘲笑着。
据国家市场监督管理总局消息，8月5日，国家标准化管理委员、中央网信办、国家发展改革委、科技部、工业和信息化部等五个国家部门联合印发了《国家新一代人工智能标准体系建设指南》（以下简称《标准指南》）。旨在加强人工智能领域标准化顶层设计，推动人工智能产业技术研发和标准制定。
出门问问于近日完成了由Google投资的C轮融资，累计融资7500万美金。现有投资方包括红杉资本、真格基金，SIG海纳亚洲、圆美光电、及歌尔声学。此轮投资Google并不控股，出门问问团队依旧有绝对控制权。 李志飞在媒体沟通会上说，出门问问目前已估值3亿美元。 目前来说，出门问问的主要产品是从 Android 开源代码项目深度定制而成的智能手表操作系统 Ticwear，以及基于该系统的智能手表 Ticwatch。在该系统当中，出门问问基于自己的语音识别和分析引擎，提供了语音搜索和交互的功能。除此之外，
Sequence to sequence（序列）模型在机器翻译和语音识别方面都有着广泛的应用。下面，我们来看一个机器翻译的简单例子：
https://blog.csdn.net/u011239443/article/details/79973269
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
对象存储
即时通信 IM
