标签
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。
本文提出 EA-SURF，一种在训练过程中自适应调节标量化权重的先验方法，使多任务语音大模型能够沿帕累托前沿收敛至用户指定的任务偏好。在语音识别、时间戳预测和语音翻译任务上，相比固定损失加权方法，该方法将归一化超体积提升了 17.8%。
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。
该论文针对上下文 ASR 提出一种上下文引导推理框架，在转录前先生成基于音频的描述，以评估热词候选的相关性；通过监督微调与定向轨迹注入来增强 GRPO，在提升转录质量和罕见实体识别的同时，保持对无关候选的鲁棒性。
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%。
该论文提出一种基于双向音频-文本交叉注意力的多模态框架，用于视频级别的矛盾与犹豫状态识别，在BAH数据集上取得77.95%的A/H F1分数。
inclusionAI 发布 Ming-3.0-audio-flash，一个 126B 总参数（每步激活 6.5B）的原生音频-语言 MoE 模型，支持中英文语音识别、语音问答、长音频理解、音频推理以及可选的语音合成输出，采用 MIT 许可证。
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。
SPARC 提出了一个包含超过 12,500 名说话人和 150 万条话语的基准数据集，用于研究仅从转录文本中能在多大程度上验证说话人身份和人口统计属性，并对归属模型和 LLM 对抗方进行了评估。研究发现，LLM 能够区分同一说话人的配对，并在机会水平之上验证性别/口音标签，而 50 词的短摘录可降低关联风险。
网易推出终身免费的 AI 语音输入工具「叭哥说」，具备边说边整理、中英互译、耳语识别和本地隐私存储等功能，并悬赏 10 万元招募用户反馈以驱动产品迭代。
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。
提出了一种基于Transformer的孟加拉语语音识别与诊断系统，通过声学与文本特征检测痴呆症迹象，并利用Bi-LSTM注意力模型在对话中为患者自动补全未说完的句子，填补了低资源语言在认知障碍分析领域的空白。
IBM 推出 Granite Switch 4.1（8B 与 30B），通过 aLoRA 适配器在同一端点上组合聊天、决策与语音转写能力，几乎不额外占用 VRAM。新增 Decision 与 Guardian aLoRA，并嵌入 OpenASR 榜单最快的 Granite-Speech-5.0-Turbo-CTC 模型。
NANI??? 是一款 Mac 应用，通过语音识别说话人，在任意通话中悬浮显示实时翻译字幕，无需机器人入会，并可在通话后生成带行动项的摘要。
作者发布了 VoxEntity-EU 基准，测试 ASR 系统在德语和法语中对口述电话号码等实体的逐字符精确捕获能力：Whisper large-v3-turbo 的精确匹配率仅为 34.2%，而将相同的正确文本输入提取器后，精确匹配率可达 90.8%，表明瓶颈在 ASR 而非提取环节；该结果作为阴性结果公开发布，并附带可复现代码与结果试听。
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。
该论文提出一种基于预训练text-to-text模型和Read–Tag–Write解码策略的高效流式端到端逆文本正规范化（ITN）系统，在越南语数据集上达到与非流式基线相当的精度，同时满足实时延迟要求。