消息详情
黑洞资源笔记 · @piracy6 · 2026年11月21日 22:58
把语音生成、编辑、修复揉进一个模型里 腾讯混元开源了 AuK,想解决的不是单点配音,而是把文本转语音、语音编辑、增强、分离、说话风格调整等任务放进同一套自然语言指令框架里,用一句话加音频上下文就能驱动模型完成不同工作。 这项目的分量,一方面在能力整合:官网给出的任务族覆盖语音生成、内容编辑、增强与分离、副语言编辑和声学编辑;另一方面在数据规模:团队称构建了约30.3亿条指令-音频样本、195万小时有效监督,目标是把“做一个任务训一个模型”的老路,推进到更通用的语音基础模型范式。 对开发者来说,它不只是论文展示,仓库已放出源码、模型权重、微调脚本,还提供 Gradio、ComfyUI 和 SGLang Omni 支持,落地门槛比很多只发 demo 的项目低不少。 真正值得关注的是这个方向背后的判断:未来语音模型未必再按“合成、降噪、分离”各自割裂演进,而会越来越像一个可被语言统一调度的音频操作系统。
相關消訊
- 科研AI工具别只看星数,能不能跑通才是分水岭 | 帖子 有人把 GitHub 上 56 个面向科研流程的 AI 项目做了一轮硬测,按文献检索、精读笔记、写作…
- Google Cloud 分享了一套更像工程方法、而不是“玄学调度”的多智能体实践:把生成和验收拆开,让不同线程分别负责“做”和“查”,避免模型在同一上下文里…
- 把 Z-Library 搬进命令行 heartleo 做了个名叫 zlib 的开源工具,不是压缩库那个 zlib,而是一套面向终端的 Z-Library C…
- 1500万行Lean代码对决12年手写草稿,数学界迎来新范式碰撞 | remark.pdf Anthropic研究科学家Levent Alpöge宣布与Cl…
- 当你不再亲手写代码,你审查代码的能力也在退化 | blog 一篇探讨AI编程时代工程师能力退化的技术随笔引发共鸣。作者指出,在跑步、弹吉他或文学创作等任何需…
- 「MIT免费公开课:从马克杯到土星五号火箭,教你用CAD三维建模万物」 麻省理工学院(MIT)航空航天系在开放式课程平台(OCW)上放出了一门极接地气的硬核…
- 「算力倾斜下的体验错位:DeepSeek付费热搜背后的B端逻辑」 最近 DeepSeek 的热搜词“付费体验直线上升”让不少人产生了误解,以为官方终于开了 …
- 「高三根本不是你的智力巅峰,而是你这辈子唯一的“高密度反馈巅峰”」| 帖子 很多成年人常感慨高三是自己“上知天文下知地理”的智力巅峰,但用机器学习的视角拆解…
- 「告别应用商店拒审连环坑:能自动拦截AI编程工具提审的开源合规守门员」 如今借助AI编程工具一下午就能手搓出App原型,但应用商店的审核门槛却水涨船高——苹…
- 「把博导十年顶会经验装进大模型:你的24小时AI科研副导师」 初入科研大门的研究生常面临理论与实践脱节、导师指导精力有限的“最后一公里”难题,而在大模型时代…