标签
Fish Audio 已将其 S2.1 Pro 语音克隆服务免费开放一个月，支持10-15秒语音克隆、约90毫秒响应时间、83种语言、单词级控制，以及开放权重模型，成本仅为 ElevenLabs 的六分之一。
本文介绍了完全开放的DenseOn和LateOn检索模型，这些模型在精心整理的英语数据上训练，并通过translate-train扩展到多语言设置，在其参数规模下实现了最先进的BEIR结果。
本文研究了语言模型在27种语言中是否对替代（非规范）分词保持鲁棒性，发现英语中观察到的不变性并不具有普适性，且分词碎片化程度更高的语言表现出更高的敏感性。作者证明，使用多分词数据的LoRA微调可以有效缓解这种敏感性。
avatarin 使用 OpenAI 的 GPT-Realtime 为山田电机打造了一个 24/7 多语言购物智能代理，通过自然语音对话引导顾客完成购买。在为期两周的试用中，约有 3 万人使用，92% 的调查反馈为正面评价。
本文首次系统研究了基于SpeechLLM的端到端ASR系统的联邦训练，在英语和意大利语任务上进行了评估，在降低通信成本的同时取得了具有竞争力的词错误率。
介绍Inspect India Evals，一个用于在印度语言文化语境中评估大语言模型的开源框架，包含六项基准测试，涵盖多语言能力、偏见、安全性和文化知识。对五个模型的测试显示，Sarvam-M 24B和Gemma 2 27B表现领先。
LG AI Research introduces K-EXAONE 2.0, a frontier-scale multilingual MoE model with 750B total parameters (37B active), upcycled and trained for advanced reasoning, agentic workflows, and long-context understanding, released under Apache 2.0.
Liquid AI发布了两个新的编码器模型，LFM2.5-Encoder-230M和LFM2.5-Encoder-350M。这些模型快速、易于训练且多语言能力强。速度基准测试显示，与ModernBERT-base相比，CPU性能提升了3.7倍以上。
Audio8 发布了一款拥有 6 亿参数的多语言文本转语音模型，支持零样本声音克隆功能，在 Hugging Face 上以 Apache 2.0 许可证提供。
Microsoft发布了VibeVoice-ASR-BitNet，这是一个压缩的多语言ASR模型，用于实时CPU推理。与Whisper.cpp相比，它的推理速度提高了1.6-2.3倍，并且仅需3个CPU线程即可实现实时能力。
MoLGE在混合专家框架中为相似语言簇分配专用专家模块，用于大规模多语言ASR，在参数增加极小的情况下提升495种语言的性能。
本文介绍了XIH-Bench，一个用于评估多语言大语言模型中指令层级遵循度的基准，揭示了语言依赖的不对称性以及语言边界效应，即跨语言冲突比同语言冲突产生更高的遵循度。
IndicTalk 是一个大规模多语言对话语料库，涵盖9种印度语言，包含代码混合对话，通过自动化流水线生成，结合新闻基础（news grounding）和角色条件（persona conditioning），旨在推动面向代表性不足语言的对话AI发展。
ADAGE 是一种语言无关的流水线，用于构建具有挑战性且无需翻译的抽象类比推理基准。它揭示了模型在阿拉伯语、阿姆哈拉语和日语中普遍存在的文化推理差距。
Liquid AI releases LFM2.5-Encoder-350M, a multilingual bidirectional encoder built on the LFM2 architecture, offering strong quality for its size, 8k context, and efficient on-device performance across 15 languages.
介绍grapheme-kit，一个开源Python库，该库扩展了词汇距离和评估度量，使其操作于字素簇而非Unicode码点，并改进了对泰米尔语和僧伽罗语的处理。
MEUSLI是一个开源的多语言投影器家族，它将Whisper编码器与多语言LLM连接起来，支持28种欧洲语言的端到端ASR，并扩展到语音翻译和主题识别。
瑞士AI发布Apertus 1.5，一个全开放的8B和70B多语言多模态语言模型系列，支持高达262k上下文长度、音频/图像理解、推理模式，并改进了指令遵循和工具使用。
本文提出了一种使用上下文模型进行多语言怨言标注的方法，改进了单词级词典，解决了循环评估问题，并通过读取上下文实现了更好的性能。
LAMAR 是一种语言感知的多语言交叉编码器重排序器，它利用基于英语锚定的相关性蒸馏和偏好对齐，在保持语义相关性的同时，优先考虑与查询同语言的文档，在多语言基准测试中表现优异。