@seclink: 英文干净朗读已经商品化；2026 年 ASR 的难处是叠音里认对人、流式里敢不敢落字、方言和术语别装看不见，以及语音塔怎么剪还不把 Speech LLM 拖垮。
摘要
英文干净朗读已商品化，但2026年ASR面临叠音识别、流式落字、方言术语处理等挑战，以及如何优化语音塔以避免拖垮Speech LLM。
相似文章
@aigclink: 阿里通义实验室最新发布了款ASR：Fun-ASR 1.5，核心能力：方言工业级可用 单模型即可无缝覆盖30种语言、汉语七大方言体系及20+ 地方口音，古诗词吟诵也能精准转写 典型方言场景CER相对上代下降56.2%，有5种方言准确率破 9…
阿里通义实验室发布Fun-ASR 1.5，单模型覆盖30种语言、汉语七大方言及20余种地方口音，典型方言场景字错率较上代下降56.2%，5种方言准确率突破90%。
@FeitengLi: 其实这些问题都能很好的解决了 1. 扔掉 whisper，换 ASR 模型，Qwen3-ASR 就很不错幻觉很少、也有一些别的ASR选择，whisper 幻觉多也要求 30s片段，Qwen3-ASR 塞更长的音频识别越准确，最大支持 20…
推荐使用Qwen3-ASR替代Whisper以减少幻觉，使用LattifAI工具进行精确的音文本对齐和字幕生成，并介绍自己的OmniVAD-Kit项目用于语音活动检测。
@MaxForAI: 如果你在做语音Agent，你应该试一下这个项目 来自南洋理工、新国立和上海 AI Lab的团队发布了：Mega-ASR 这个完全开源的ASR基于 Qwen3-ASR构建，目的是打破长期困扰ASR的在嘈杂、混响或其他受损现实环境中表现的瓶颈…
南洋理工、新国立和上海 AI Lab 联合发布 Mega-ASR，一个基于 Qwen3-ASR 构建的完全开源 ASR 模型，通过 Voices-in-the-Wild-2M 数据集和渐进式声学到语义优化，在真实世界嘈杂环境中实现最高 30% 的相对词错误率下降，且仅 1.7B 参数可在消费级硬件高效推理。
@FeitengLi: 下周把说话人标记和语音生成加上 就不是这个便宜的早鸟价了
EdgeSpeak 正式发布，一款本地优先、保护隐私的精准转录工具，支持语义分段和时间戳，兼容 OpenAI Audio API 等，后续将增加说话人标记和语音生成功能。
ASR-Roundtrip Evaluation Can Mask Context- and Convention-Dependent Reading Errors in Chinese News TTS
This paper studies a failure mode in ASR-roundtrip evaluation for Chinese news TTS, showing that fluency errors in context-dependent reading decisions can be masked by ASR surface recovery. A targeted audit across TTS and ASR systems quantifies these false negatives and proposes a human-audited protocol.