标签
一个针对 llama.cpp 的拉取请求在 mtmd（多模态）模块中添加了对 Nemotron 3.5 Transcribe 的支持，扩展了该库的音频转录能力。
balbal-v2 发布了两个 CPU 高效的土耳其语语音识别模型（3.13 亿和 4500 万参数，CTC + KenLM），训练成本不到 250 美元，在 Mu-Bench TR 基准测试中仅次于 Google Chirp 3 排名第二，在普通硬件上运行速度最高可达实时的 236 倍。
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。
该论文提出了有据生成式语音识别（Grounded Generative Speech Recognition，GSR）这一新范式，将语音识别重新定义为生成语义有据的文本，而非单一转录，并发布了 GSR-Bench 基准与多维评估框架，揭示了转录保真度与生成重构能力之间的权衡及常见失败模式。
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。
Granola 为 Mac 推出语音听写功能，可在所有应用中清理和格式化语音内容，与 Wispr 展开竞争。随着语音 AI 初创公司纷纷将笔记记录与听写工具整合，iOS 和 Windows 版本也即将推出。
ServiceNow 发布了 Apriel Voice 27B 预览版，这是一个基于 Gemma 4 骨干网络的开源语音、推理与工具调用模型，支持语音理解、多模态上下文和函数调用，可搭配外部语音合成器构建语音助手。
IBM 发布 Granite Switch 4.1.1，这是其模块化 Switch 架构的一次向后兼容的补丁更新，新增了更新的多语言 Granite Speech 自动语音识别（ASR）模型和改进的 Decision 适配器，无需重新训练基础模型。
VoxLock 是一个无需注册步骤的因果性目标说话人提取模型，通过微调 REAL-TSE 实现，在真实录音上达到接近商业级的语音识别精度（Krisp 基准 WER 4.95%），且 CPU 占用和延迟极低，模型与代码均已开源。
Deepgram 新推出的 Flux TTS 旨在解决语音智能体处理流程中一个关键的准确性瓶颈：对于药品名称和快递追踪号等棘手的字母数字字符串，其词错误率仅为 3.4%，同时在整个语音交互闭环中保持自然流畅的语音。
这是 NVIDIA Nemotron-3.5-Transcribe-30B-A4B 语音大语言模型的一个衍生版本，采用 REAP 剪枝，无需重新训练，将模型体积从 67.5GB 缩减至 10GB（4 位量化），同时将词错误率（WER）保持在 5.16%，而教师模型为 4.12%；在 H200 上使用 vLLM 运行时，其单流吞吐量提升了 27%。
NVIDIA 推出了来自各大 OEM 厂商的全新 RTX Spark 轻薄笔记本，并发布了开放权重的 Nemotron 3.5 Transcribe 语音模型、面向智能体的 GPU 资源管理工具，以及支持 DLSS 4.5 和路径追踪的全新游戏。
Nvidia 发布了免费开源权重语音转写模型 Nemotron 3.5 Transcribe（30B 参数，支持 40 种语言）以及 Granary 开源语音数据集 v2，瞄准会议记录和医疗转写等企业应用场景。该模型声称在 Open ASR 等基准上超越竞争对手，且可在单芯片上运行。
提出一个基于LLM代理的多语言ASR数据采样框架，通过语言学感知的错误驱动优化在12种Common Voice语言上以更少数据和算力超越全数据训练效果，并显著加速收敛。
RoleHear 是一种半监督流水线，它通过轻量级的词表内角色标记，使单个具备缓存感知能力的流式转导器能够在输出中内嵌说话人角色，并利用离线教师模型生成伪标签，利用大语言模型为未标注音频生成银标准角色标签。
CHiME-3 背景噪音录音现已在 Zenodo 上以 CC BY 4.0 协议开放提供，包含六通道平板阵列在公交、咖啡馆、步行区和街道四种真实环境中录制的 16 kHz 音频，允许商用及再分发。
该论文提出了 OmniLingual-MsASR，一个多语言、多模态、长时序多人说话的自动语音识别基准，用于评测 omni 大模型在音视频跨模态转写中的能力上限，并揭示了当前模型在时序定位、说话人消歧和跨模态协同方面的显著瓶颈。
KIRA 是一个面向儿童早期阅读筛查的全栈系统，结合词级流利度评分与音素级错误检测的双通路分析，将儿童语音识别的词错误率从 13.88% 降至 8.84%、音素错误率从 41.66% 降至 23.00%，并配套教师端 Web 界面以支持课堂部署与针对性干预。
本文在不修改权重的情况下，评估了拥有 3.05 亿参数的 Gemma 4/EmbeddingGemma 2 语音编码器在沙特及海湾阿拉伯语自动语音识别（ASR）任务上的表现，将冻结的 CTC 解码器和引入适配器的系统与 Cohere Transcribe Arabic 及其他基线系统进行比较，结果显示其字符错误率（CER）具有竞争力，且效率显著提升。代码和结果均已公开。