元语音研究网

METASPEECH

[浏览需要 0 积分] 发布于2天前

开源儿童数据，南开大学
大家好，我们开源了一个 3-5 岁的儿童语音数据集，包括 397 名儿童的 41.25h 的语音，说话人覆盖了 22 个省市，目前已经在 huggingface 上开放下载了，论文链接：https://arxiv.org/abs/2409.18584

赞 2

评论

浏览 42

语音
METASPEECH

[浏览需要 0 积分] 发布于2022-05-14 11:37:49

端到端语音识别-01-田正坤
论文优势：（1）CTC 模型介绍（2）基础 Attention 模型（3）Encoder 模型探讨（4）软、硬 Attention 机制（5）多任务学习结构（6）Transformer 结构（7）训练技巧与个人思考论文下载链接：

赞 3

评论 8

浏览 1659

开源分享
METASPEECH

[浏览需要 0 积分] 发布于2022-03-06 21:41:54

清华大学 - 语音识别基本法
下载链接

赞 6

评论 35

浏览 2286

开源分享
METASPEECH

[浏览需要 0 积分] 发布于9天前

《初探muP：超参数的跨模型尺度迁移规律》
https://kexue.fm/archives/10770 本文以尽可能简明清晰的方式介绍了 muP（Maximal Update Parametrization），这是旨在研究超参数跨模型尺度的迁移规律的工作。基于 muP，我们可以在小模型上以相对较...

赞 2

评论

浏览 27

文本
Speech

[浏览需要 0 积分] 发布于15天前

【CP-力作鼎推】OWLS: Scaling Laws for Multilingual Speech Recognition and Translation Models
论文链接 Neural scaling laws offer valuable insights for designing robust sequence processing architectures. While these laws have b...

赞 2

评论 1

浏览 73

语音
Speech

[浏览需要 0 积分] 发布于16天前

【CP】Unveiling the Potential of LLM-Based ASR on Chinese Open-Source Datasets
论文链接代码链接

赞 2

评论 1

浏览 104

语音
Speech

[浏览需要 0 积分] 发布于17天前

【CP】Audio-CoT: Exploring Chain-of-Thought Reasoning in Large Audio Language Model
论文链接

赞 2

评论

浏览 89

语音
METASPEECH

[浏览需要 0 积分] 发布于17天前

《MoE环游记：3、换个思路来分配》
https://kexue.fm/archives/10757 本文介绍了 MoE 负载均衡问题的 Loss-Free 方法，它由 DeepSeek 提出，其核心在于通过引入一个简单的偏置项来实现负载均衡。本文进一步思考了它与 Aux Loss 的联系，以...

赞 2

评论

浏览 67

文本
Speech

[浏览需要 0 积分] 发布于18天前

【优秀博士生】Jinchuan Tian—CMU
学术链接 Git 链接

赞 2

评论

浏览 79

语音
METASPEECH

[浏览需要 0 积分] 发布于23天前

《Muon续集：为什么我们选择尝试Muon？》
https://kexue.fm/archives/10739 本文介绍了我们在 Muon 优化器上的一次较大规模实践（Moonlight），并分享了我们对 Muon 优化器的最新思考。

赞 2

评论

浏览 136

文本
Speech

[浏览需要 0 积分] 发布于23天前

【JP】High fidelity zero shot speaker adaptation in text to speech synthesis with denoising diffusion GAN
论文链接

赞 2

评论

浏览 189

语音
Speech

[浏览需要 0 积分] 发布于29天前

【资源】AudioLLM / SpeechLLM方向论文、代码、数据汇总GIT
论文链接

赞 2

评论

浏览 228

语音
Speech

[浏览需要 0 积分] 发布于29天前

【JP】A speech recognition method with enhanced transformer decoder
论文链接

赞 2

评论

浏览 201

语音
Speech

[浏览需要 0 积分] 发布于29天前

【TR】OSUM: Advancing Open Speech Understanding Models with Limited Resources in Academia
论文链接代码链接 Large Language Models (LLMs) have made significant progress in various downstream tasks, inspiring the development of ...

赞 3

评论

浏览 271

语音
METASPEECH

[浏览需要 0 积分] 发布于29天前

《MoE环游记：2、不患寡而患不均》
https://kexue.fm/archives/10735 本文介绍了 MoE 的负载均衡问题，并给出了一种构建 Aux Loss 的一般思路。

赞 2

评论

浏览 160

文本
Speech

[浏览需要 0 积分] 发布于2025-02-17 14:29:24

【CP】End-to-End Speech Recognition with Pre-trained Masked Language Model
论文链接 We present a novel approach to end-to-end automatic speech recognition (ASR) that utilizes pre-trained masked language mode...

赞 2

评论 1

浏览 207

语音
METASPEECH

[浏览需要 0 积分] 发布于2025-02-14 16:07:25

《生成扩散模型漫谈（二十九）：用DDPM来离散编码》
https://kexue.fm/archives/10711 本文介绍了扩散模型的一个新脑洞，它将 DDPM 生成过程中的噪声限制在一个有限的集合上，并结合条件生成的思路，将 DDPM 免训练地变成一个类似 VQ-VAE 的离散自编码器。

赞 2

评论

浏览 220

文本
Speech

[浏览需要 0 积分] 发布于2025-02-11 11:27:05

【CP】RFWAVE: MULTI-BAND RECTIFIED FLOW FOR AUDIO WAVEFORM RECONSTRUCTION
论文链接代码链接

赞 2

评论

浏览 323

语音
METASPEECH

[浏览需要 0 积分] 发布于2025-02-08 16:18:01

《MoE环游记：1、从几何意义出发》
https://kexue.fm/archives/10699 本文从 Dense 模型的最佳逼近出发来推导和理解 MoE，得到了一种特定的 MoE 形式，它比现有 MoE 多了一个 Normalize 步骤，但能让 MoE 的几何意义更加明显。当然，不管...

赞 2

评论

浏览 279

文本
Speech

[浏览需要 0 积分] 发布于2025-02-07 19:17:38

【Code】k2 官方提供AudioLLM配方，复现Qwen-Audio
代码链接

赞 3

评论

浏览 297

语音

METASPEECH
257 帖子 • 51 评论

1526
Speech
166 帖子 • 24 评论

1278
AI柠檬
13 帖子 • 16 评论

455
江南一点红
1 帖子 • 1 评论

46
懵
懵懵懂懂的新手
1 帖子 • 17 评论

39
M
Mephisto
0 帖子 • 4 评论

28
後藤ひとり
0 帖子 • 0 评论

22
心行
2 帖子 • 0 评论

20
出东巷
0 帖子 • 0 评论

15
betciso
0 帖子 • 1 评论

12