深入探讨小米公司推出的开源音频语言模型MiDashengLM。我们探索其创新的“通用音频字幕”方法，该方法将语音、声音和音乐融合成一个丰富的描述。我们将讨论这种方法如何挑战传统的基于ASR的模型，从而在音频理解方面取得卓越性能和令人难以置信的效率提升。我们还将解析驱动该模型的新型ACAVCaps和MECAT数据集。

在本期节目中，我们深入探讨了用于端到端语音识别的连续整合触发（CIF）模型。我们讨论了它如何解决传统注意力机制的局限性，其灵感来源、核心算法，以及一系列创新的支持策略，并分析了它在多个标准测试集上取得的卓越性能。

本期播客深入探讨了查尔斯大学（CUNI）在IWSLT 2025同声传译任务中提交的创新系统。我们详细解读了他们如何将离线的Whisper语音模型和大型语言模型EuroLLM应用于实时同声传译，并取得了超越基线2至22个BLEU点的惊人成果。内容涵盖捷克语到英语的直接翻译，以及英语到德语、中文、日语的级联翻译方法，同时还介绍了一种新颖的ASR延迟评估方法。

本期节目，我们深入探讨Simul-Whisper，一种无需微调即可将强大的Whisper模型应用于流式语音识别场景的创新策略。我们将讨论其核心技术：注意力引导解码和截断词检测，并分析其相比传统方法的显著优势和性能表现。

本期播客深入探讨了Whispy系统，这是一个旨在为强大的OpenAI Whisper模型赋予实时处理能力的创新框架。我们将讨论Whisper模型在实时应用中的局限性，并详细介绍Whispy如何通过其独特的架构（包括输入管道、移位数据寄存器和转写器）来解决这些问题。我们还将重点介绍其核心算法，如基于莱文斯坦距离的建议生成机制，以及它在平衡转写准确性和低延迟方面的出色表现。

本期节目深入探讨了Whisper-Streaming，一个创新的系统，它将强大的离线模型Whisper转变为实时转写工具。我们将详细解析其核心的LocalAgreement算法，讨论在延迟和质量之间的权衡，并探索其在多语言会议等真实世界场景中的应用。

大家好，欢迎收听AI Radio FM - Technology Channel，您的专属生成式AI播客！今天我们要深入探讨一个非常前沿的技术话题，那就是“ThinkSound”——一个利用多模态大语言模型和思维链（CoT）推理来实现视频到音频生成和编辑的框架。

Exploring the cutting edge of AI and 3D world generation with HunyuanWorld 1.0.

深入探讨阿里巴巴的 CosyVoice 3 模型。我们将剖析其关键创新，从新颖的语音分词器和强化学习技术，到其海量的数据和模型扩展。我们还将讨论它在多语言和情感语音合成方面的顶尖性能。

In this episode, we dive deep into the Step-Audio 2 technical report. We explore how this end-to-end multi-modal large language model is revolutionizing audio understanding and speech conversation. We discuss its unique architecture, reasoning-centric reinforcement learning, innovative tool-calling capabilities like audio search, and its state-of-the-art performance against competitors like GPT-4o and Kimi-Audio on various industry benchmarks.