FD-VAD：流式全双工语音的语义端点检测
FD-VAD 是一种无需 ASR 的流式语义端点检测模型，将有界因果音频窗口直接映射为 Continue/Stop 决策，在 TurnBench dev 集上以零样本方式达到 EOT 召回率 0.853（FP<=0.10）。模型融合冻结语音编码器、轻量模态适配器与参数高效适配的语言模型，采用末段训练目标与置信度门控端点提交机制，在领域内和对话评测中均优于强基线。
#语音
#语音
今日 2 条arXiv · Computation and LanguageAI 评分3939 arXiv · Audio and SpeechAI 评分2222 InstCharVoice：基于自然语言指令的字符级可控文本转语音框架
InstCharVoice 提出一个统一框架，将自然语言指令映射到字符级声学控制，在 WordVoice-5A-zh 语料上使用 Qwen3-Omni 构建指令标注。模型通过关键词预测与接地感知损失加权，聚焦指令相关字符并预测其声学属性，再生成语音 token。实验显示在指令遵循和关键词级声学控制上优于代表性 ITTS 系统，同时保持自然度与字符级可控性。
Together AI精选AI 评分6464 语音模型在街名转录上如何失败及应对方法
Together AI 发布 SF Streets 和 US Streets 两个新基准，测试发现 15 个主流语音模型对街名的平均转录错误率达 39%，非英语母语者比英语母语者准确率低 18 个百分点，导航偏差平均多 1.2 英里。
推荐理由：研究揭示了主流语音模型在街名转录上的显著误差，并给出小样本合成数据的改进方法，对导航和应急调度场景具有直接参考价值。