标签
parakeet.wgsl 使用原生 WebGPU 计算着色器和 SIMD WASM，在浏览器中实现 NVIDIA Parakeet TDT 0.6B V2 语音转录的快速与准确，并提供实时演示与开源库。
NVIDIA 的完整语音技术栈——ASR、TTS 和编解码器——现已量化为 GGUF，并通过 NeMo-Speech.cpp 在设备端本地运行，同时发布了 Magpie-TTS、Nemotron Speech Streaming 和 Parakeet 的新模型。
本文介绍了MERaLiON-GR，一个面向英语和东南亚语言的语音性别识别模型，基于MERaLiON-SpeechEncoder-2，使用LoRA和ECAPA-TDNN头部进行微调，在多语言基准上取得了最先进的性能。
LiveTranscriber 是一款开源 iOS 应用，可在 iPhone 上完全离线运行 Whisper、Qwen3-ASR、Nemotron、MOSS 和 Qwen3，提供语音转写、多说话人支持、摘要和实时翻译。开发者分享了工程挑战，并邀请 ASR 和端侧 AI 社区提供反馈。
微软研究院重点介绍了关于使用SocialRL进行小型语言模型谈判、PazaBench V2用于非洲语言语音评估、EvoLib帮助智能体从经验中学习、改进的A/B测试方法以及AI驱动的精准肿瘤学的新研究。
Audio8的开源ARK-ASR-3B以4.76的平均WER在Hugging Face Open ASR排行榜上夺得第一，同时其0.6B模型也进入前五，展示了一个有竞争力的开源语音技术栈。
Voice Memory提出了一种仅推理的方案，用于代理式语音识别：一个冻结的纠正器读取每个领域的记忆文件，为每个话语决定是采取行动还是放弃，从而在不更新权重的情况下降低多个领域的词错误率。
本文使用Montreal Forced Aligner评估印地语-英语代码混合语音的强制对齐，证明引导策略和代码混合训练数据相比单语替代方案，对齐精度提高了十倍。
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。
Yap 是一款开源的 macOS 应用，利用 Apple 的 Speech 框架实现极速本地语音听写，无需下载模型、API 密钥或互联网连接。
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。
WhisperLive 是一个开源实时转录工具，使用OpenAI的Whisper，支持多种后端（如faster-whisper和TensorRT）用于实时语音转文字。
WeNet 是一个开源端到端语音识别工具包，它将训练代码、预训练模型和部署运行时统一在一个项目中，支持多种模型架构和运行时后端。
本文比较了最先进的ASR系统与人类听者在识别多样化荷兰语语音方面的表现，发现ASR系统在某些情况下与人类表现相当甚至更优，其中Google Telephony表现最佳。文章强调了说话者年龄、地方口音及测试集选择对基准测试结论的影响。
本文针对ASR模型中转录风格这一未被控制的潜在变量，提出了一种方法，利用覆盖感知的解码器任务令牌实现可调控的逐字转录，并具备准确的词级时间信息，通过零样本跨语言迁移达到了较高的不流畅检测F1值。
微软研究院宣布扩大了其 ASR 模型的覆盖范围，新增了 22 种语言，覆盖 38 个非洲国家，并提供了新的数据集和测试样本。
微软研究院宣布PazaBench的第二个版本发布，这是一个用于评估跨非洲语言自动语音识别模型的基准测试。
NVIDIA 发布了 Nemotron，一个原生音频模型，能够进行转录、翻译、声音识别、音频问答、TTS 以及完整的语音到语音转换，开放 2B 和 30B 参数权重。
Pipecat是一个开源的Python框架，用于构建实时语音AI Agent，处理语音识别、文本转语音、对话逻辑，并支持多个AI服务提供商。