标签
Reson8 发布了 Rumble-2-Flash,这是一个免费的开源权重语音转文字模型,专为处理嘈杂的真实世界音频而训练,包括浓重口音、多人同时说话、电话通话和背景噪音,覆盖 40 多种语言,采用 Apache 2.0 协议。
Reson8 开源了 Rumble-2-Flash,这是一款采用 Apache 2.0 许可证、拥有 5 亿参数的语音识别模型,支持 40 多种语言及自动语言检测,实时速度倍数(RTFx)超过 7,000,并在呼叫中心基准测试中达到与 NVIDIA 的 300 亿参数模型 Nemotron 3.5 Transcribe 相当的表现。该模型基于 Qwen3-ASR 架构构建,通过结合 GOLD 分词器对齐的同策略蒸馏技术,从规模更大的 Rumble-2 模型蒸馏而来。
Subtitle Foundry 的开发者解释了为什么在字幕处理流程中,即使使用最先进的语音和语言工具,也需要让 ASR(自动语音识别)、翻译和时间轴错误能够被分别检查。这篇文章概述了三项独立检查、针对不同服务提供商的评估实践(包括 ElevenLabs Scribe v2 的词级时间戳),并附上了采用 AGPL-3.0 许可证的项目链接。
Arc-Transcriber 是一款约 70MB 的流式语音模型,可在单个步骤中完成自动语音识别(ASR)和命名实体识别(NER)/实体链接。它通过共享编码器上经过训练的任务头,每 100 毫秒输出一次转录文本、已链接的名称、数字、说话人角色和音频事件,从而省去常规的多模型处理流水线。目前已发布两个版本(Arc mini 和 Arc-v1),权重托管于 Hugging Face,代码托管于 GitHub。
NVIDIA 发布了 Nemotron 3.5 Transcribe,这是一款开放权重的可提示模型,支持多语言转录、说话人分离、翻译和音频问答,在排行榜上取得了顶尖成绩;同时推出的还有 Granary v2 数据流水线以及用于领域适配的 NeMo 微调方案。
Lipi-Ghor 推出了一个时长 885 小时、标注了说话人、涵盖多个领域的孟加拉语语音语料库。该语料库通过可复现的流程从 YouTube 视频中构建,并提供了四种自动语音识别(ASR)模型的基准测试结果,以及一个经人工核验、依据 CC-BY-4.0 许可发布的黄金评估子集。
IBM 发布了 Granite Speech 5.0 2B,这是一款紧凑的多语言语音语言模型,支持六种语言的语音识别(ASR)和语音翻译,相比前代产品提升了噪声鲁棒性、语言识别提示(language-ID prompting)能力,并支持多达 2000 个关键词的偏置引导。
IBM 发布 Granite Speech 5.0 系列更新,包括新的 2B 语音语言模型以及改进的 470m-turboctc 和 4.1-2b-plus 版本,在转录、翻译、抗噪和说话人归属方面更准确快速,采用 Apache 2.0 许可。
该论文提出一个多粒度评估框架,结合字符错误率、音节错误率和分词错误率,评估藏语语音识别在多方言与不同适配策略下的表现,发现低字符错误率并不总带来更优的高层级指标,且 LoRA 适配在测试范围内仍逊于全量微调。
本文探讨了在自动语音识别(ASR)中应用激活引导(activation steering)技术。研究发现,通过有监督优化引导向量,不仅能提升ASR的整体性能,还能改善不同性别、年龄和方言群体之间的人口统计学公平性,同时支持利用声学特征相似的说话者实现少样本或零样本适配。
该论文提出 MoPE-LoRA,一种基于音素类别(发音方式)而非口音身份组织低秩专家的参数高效适配框架,用于带口音的英语语音识别;在 L2-ARCTIC 上零样本口音评估中相对单 LoRA 提升 12.3%。
蚂蚁集团(inclusionAI/Ant Ling)发布 Ming-3.0 系列语音与音频模型,涵盖 TTS、ASR 及音频模型,已在 Hugging Face 和 ModelScope 上线,参数规模从 0.5B 到 128B 不等。
推文分享了一套实用配方:找到可重复任务,用任意模型完成并记录运行结果,然后微调最小的开源权重模型(如 FastConformer)达到目标精度,从而以极小算力获得接近 SOTA 的速度与性能。作者以自己用 Parakeet 采集数据训练 FastConformer 的实际经验为例。
该论文评估了 ASR 转录文本归一化(如去除填充停顿、标点)对对话行为分类的影响,发现重度归一化会在多个模型与语料库上一致降低 Macro-F1,主张应采用任务相关的选择性归一化而非一刀切处理。
AuroraASR-1M 发布:一个参数量低于 1M 的极小权重共享 Conformer-CTC 语音识别模型,在 LibriSpeech 上训练,支持 FP32/FP16/INT8 多精度,CPU 上也能实现远超实时的推理速度。
Hojo-ASR-Multi-V1 开源多语言语音识别模型以 3.54 的平均 WER 横跨 5 种语言取得出色成绩,其采用声学编码器搭配 Qwen3-4B 大语言模型解码器的架构,已在 Hugging Face 上以 Apache 2.0 许可发布。
Maybloc 推出了一款全新的先进语音转文本产品,专为多人音频设计,宣称在多项基准测试中实现了最低的说话人分离错误率,支持 45 种语言和最多 25 位说话人,并提供字幕、个人身份信息(PII)脱敏、摘要和翻译等附加功能。
发布开源权重的 ASR 模型 TYGER,集成全双工轮流控制,可检测用户说完、打断及语气词,中位端点延迟 250 毫秒;配套语音 Agent tyger-s2s 仅需一块 32 GB GPU 即可运行最多 4 路对话。
ELARSpeech 推出了一个包含 30,202 小时语音、涵盖 675 种代表性不足语言的数据集,数据精选自濒危语言档案库,同时提供训练好的自动语音识别(ASR)和文本转语音(TTS)模型以及完整的数据处理流程,以推动长尾多语言语音技术的发展。
Reson8 发布了 Rumble-2-Flash,这是一款拥有 5 亿参数的开放语音识别模型,支持 45 种语言,原生集成 Hugging Face Transformers 和 vLLM,在 Open ASR Leaderboard 英语赛道上报告的平均词错误率(WER)为 6.60,采用 Apache 2.0 许可证。