标签
Meta发布了Muse Voice Transcribe，这是一款实时语音转文本模型，具有3.1%的词错误率和自适应流功能，使其适用于语音代理。
本文介绍了第二届MLC-SLM挑战赛的技术，包括随机前置静音裁剪和合成数据生成，以提升多语言对话语音任务，实现了准确率提升和错误率降低。
Indic DiarBench 是一个多语言联合说话人日志与自动语音识别基准，覆盖印度全部22种官方语言，包含108小时人工校正的多说话人音频，捕捉了语码混合、说话人重叠等对话细节。
Microsoft 发布了 vibevoice，这是一个7B参数的模型，可以一次性转录长达一小时的音频，内置说话人日志和时间戳，支持50多种语言，并且本地运行，无需API费用。
MOSS-TD是一个说话人感知的ASR系统，在SGLang-Omni服务栈中进行了优化，能够在单张H100上以约49秒转录38分钟的多说话人音频，并支持16个会议的并发处理。
本文提出一个诊断框架，用于在基于LLM的公共话语立场分析中分离预处理流程不稳定性和测量方法不稳定性，发现跨方法的不一致性比流程效应更大且更具系统性，并且聚合指标可能会掩盖这些不稳定性。
本文介绍了为MLC-SLM 2026挑战赛设计的系统，该系统结合了说话人日志与微调后的Qwen-ASR，采用监督式全参数微调、合成语音上的LoRA以及GRPO强化学习，在最终评测集上实现了17.97的tcpMER。
Meetily 是一款隐私优先的开源会议记录工具，100% 本地运行，支持实时转录、说话人分离和自动摘要，使用 Rust + Tauri 构建，MIT 协议，适合律师、医生等有隐私要求的行业。
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。
微软开源了语音AI框架VibeVoice，支持60分钟长音频一次性转写、多说话人分离和时间戳标注，同时提供多角色TTS合成能力，底层基于Qwen2.5并配有0.5B轻量实时版本，已在GitHub获得24.8k星标。
MUSCAT是一个新的多语言科学对话基准数据集，用于评估ASR系统在具有挑战性的多语言场景中的表现，包括代码混合、特定领域词汇和混合语言输入。该数据集包含使用不同语言的说话者之间关于科学论文的双语讨论，结果表明当前的最先进系统在应对这些多语言挑战时存在困难。