在传统语音降噪方法中，都基于以下四个假设假设一、语音和噪声是统计独立的；假设二、噪声相比于语音更加平稳；假设三、时频点是统计独立的；假设四、人耳对语音相位不敏感；第一个假设是合理的，然而其他三个假设在某些条件下并不真正成立。假设二是传统语音降噪中噪声估计模块的基础，然而实际场景中非稳态噪声也是普遍存在的。对于假设三来说，语音和噪声频点之间必然存在相关性，这就导致基于统计模型的方法比不可能完全成立，

第十五届中文口语语言处理国际研讨会(ISCSLP2026)将于2026年11月14-17日在马来西亚槟城举行。作为ISCA下属旗舰会议，该会议涵盖语音识别、合成、理解等前沿方向，接受4-8页论文投稿（截止2026.6.12），采用双盲评审。会议还将举办特别专题、挑战赛和教程（提案截止2026.6.8）。槟城以其多元文化和科技氛围为参会者提供学术交流与文化体验的双重机会。详情请访问会议官网。

这是一个好问题。先说结论，大模型的训练用 4090 是不行的，但推理（inference/serving）用 4090 不仅可行，在性价比上还能跟 H100 打个平手。事实上，H100/A100 和 4090 最大的区别就在通信和内存上，算力差距不大。H100 这个售价其实是有 10 倍以上油水的。2016 年我在 MSRA 的时候，见证了微软给每块服务器部署了 FPGA，把 FPGA 打到了沙子

也就是说，问题可能不只出在“静态几何对齐”，而是出在。

武汉大学计算机科学与技术专业三年级硕士生，昆山杜克大学语音及多模态智能信息处理实验室研究实习生, 研究方向为声纹识别、说话人日志。

本文是由郭理勇在第二届SH语音技术研讨会和第七届Kaldi技术交流会上对新一代kaldi项目在学术及“部署”两个方面报告的内容上的整理。如果有误，欢迎指正。

此外，我们还引入了一个基于CNN网络的情感增强网络，根据情感特征来增强FLAME参数的表现力，将Audio2FLAME模型预测的FLAME面部参数映射为情感增强的面部参数。相反，我们发现情感识别网络的最终softmax层之前的情感logits，包括七种情感的七维向量，如快乐、愤怒等，与感知到的情感强度高度一致。因此，我们将它们用作模型训练的情感先验，并与用户的情感控制向量相结合。我们可以看到，与没

未来，希尔贝壳将秉持长期开源、优质开源的原则，持续迭代并开源更多覆盖多元场景、适配特殊需求的高质量语音数据集，为全球语音技术领域的模型创新、算法优化及应用落地提供坚实的数据支撑，助力破解非典型语音研究中的技术瓶颈，推动语音智能技术向更精准、更普惠、更多元的方向发展。希尔贝壳联合昆山杜克大学开源项目，语料库在安静的录音棚环境中采集，包含约29.8小时的耳语语音与平行录制的29.5小时正常语音，和同步

标题：FlashLabs Chroma 1.0: A Real-Time End-to-End Spoken Dialogue Model with Personalized Voice Cloning链接：https://arxiv.org/pdf/2601.11141作者单位：FlashLabs发表日期：2026年1月16日开源地址：https://github.com/FlashLabs-A

SpeechLMs作为一种新兴的语音交互技术,展现出了巨大的潜力。它不仅能够克服传统ASR+LLM+TTS方案的局限性,还能实现更自然、更丰富的人机语音交互。随着研究的深入,我们有理由相信SpeechLMs将在未来的AI语音交互中扮演越来越重要的角色。