西北工业大学开源了一个语音理解模型：OSUM，支持8种语音理解任务，从ASR到情感识别，以及语音到文本的深度理解支持语音识别(ASR) 带时间戳的语音识别(SRWT) 声音事件检测(VED) 语音情感识别(SER) 说话风格识别(SSR) 说话者性别分类(SGC) 说话者年龄预测(SAP) 语音到文本对话(STTC) 它结合了Whisper和Qwen2，采用ASR+X训练策略，支持多任务同时

#西北工业大学 #OSUM #语音理解 #开源模型 #ASR #情感识别 #Whisper #Qwen2 #多任务支持 #语音识别技术 #科技新品

相关新闻

宝玉

18小时前

让娃用Sora2生成了个生日祝福视频，爷爷没看出来这孙子是AI生成的

Gorden Sun

1周前

阿里又发布一系列新模型和新产品其中开源的是Qwen3-VL和Qwen3Guard。 · Wan2.5-Preview：最新版的视频模型，对标Veo 3 可以同时生成视频和音频。未开源。在线使用： · Qwen3-VL：开源最佳视觉模型。开源的是235B-A22B版本，包含推理和非推理模型，推理模型在推理任务上表现优异。之前基于Qwen 2.5 VL的Agent可以升级一波了。模型：

Y11

1周前

cloudflare和openai开源新模型的时候，不只是找大V付费宣传推广，还把cookbook以及对应sdk ，api用法，开源到了github... 而国内发布新模型，基本只是发一个完全用不了的精心制作的幻灯片，大V估计自己都完全没用过一次，就收钱瞎吹... 哎，真应该跟vercel、cloudflare学一学，多一些预算给开源界吧....

Compute King

1周前

凌晨，阿里重磅开源三款模型，一举刷新32项业界SOTA 太卷了呀，兄弟们！我想回农村。今日凌晨，阿里通义大模型团队一口气发布三款开源模型：原生全模态大模型Qwen3-Omni；语音生成模型Qwen3-TTS；以及完成重要升级的图像编辑模型Qwen-Image-Edit-2509。其中，Qwen3-Omni可同时处理文本，图像，音频与视频输入，并实现实时流式的文本与自然语音输出。在36项音

歸藏(guizang.ai)

1周前

通义的开源图像编辑模型 Qwen-Image-Edit 也获得了大幅更新支持了多图编辑，可以进行多张图片的参考和融合了单图支持保持人像和产品一致性文字处理能力也获得了增强这次更新还内置了 Depth. Edges. Keypoints 三个 ControlNet 模型