标签
探讨在考虑替代方案和性能权衡的情况下，OpenAI 的 Whisper 是否仍是实时语音转文字应用的首选。
Google AI Edge Eloquent 现已支持 Mac，作为完全本地的 Wispr Flow 替代品，基于最新 Gemma 模型实现实时语音转录和语音命令编辑文本，免费、无订阅且隐私全本地。
患有脊髓性肌萎缩症的游戏玩家安德烈·切博塔尔分享了他日常使用的辅助工具，包括用于面部手势控制的PlayAbility、用于本地语音转文字的Handy以及Xbox自适应控制器，以进行游戏和交流。
本文记录了Montreal Forced Aligner 3.0，一款广泛使用的开源强制对齐工具，在英语、日语和韩语上实现了最先进的性能，平均边界误差低于15毫秒。
Cartesia 发布了 Sonic-3.5（文本转语音）和 Ink-2（语音转文本），声称它们是语音助手领域排名第一的流式模型，有可能颠覆呼叫中心。
一个帖子整理了多个用于内容创作的开源工具，包括视频剪辑、语音转字幕、AI绘图、媒体处理等，强调免费开源且可拼成自己的系统。
NVIDIA 发布了 Nemotron 3.5 ASR，这是一款开源的多语言语音转文字模型，在测试中延迟最低，提供多语言和纯英文两个版本，非常适合语音助手和自托管部署场景。
Telugu Thodu 是一款使用 SarvamAI 语音转文字系统构建的应用，演示了其将泰卢固语翻译成英语的高准确度，并能处理停顿和细微差别。
NVIDIA 的 Parakeet 语音转文本模型已被移植到纯 C++/ggml，实现了与 NeMo 字节完全相同的输出，GPU 上推理速度提升高达 5 倍，并提供量化的 GGUF 变体，无需 Python 或 PyTorch 即可在任何地方高效部署。
一篇个人记述，讲述 Linux 桌面即将全面转向 Wayland 的未来将如何破坏依赖 Talon Voice 等输入工具的无障碍用户体验，并指出输入无障碍相较于输出无障碍受到的关注严重不足。
推荐基于PySide6和ElevenLabs API的开源语音转字幕工具Scribe2SRT，支持多语言并优化排版，快速生成高质量SRT字幕。
本文评估了AI转录工具Wispr Flow，并将其与免费替代方案（如开源模型Whisper、Canary以及内置功能苹果听写、谷歌语音输入）进行比较，得出结论：对许多用户来说，付费订阅可能并无必要。
Parrot Speech-to-text API 为生产级语音代理提供快速准确的转写服务。
微调了最佳开源语音转文字模型Cohere Transcribe，使其支持说话人分离和时间戳。新模型已在Hugging Face上发布。
关于AI语音代理五层架构的详细解释，包括语音转文字、大语言模型（LLM）、文字转语音、编排器和电话通信，所有层均在500毫秒延迟约束下运行，以保持自然的对话流畅度。
阶跃星辰推出Step Plan订阅服务，月费6.99美元，整合了LLM、TTS、ASR、图像生成等多种AI模型，支持OpenAI SDK直连，可用于语音复刻、会议转写、AI播客生成等场景。
提出了一种用于流式语音转文本翻译的SpeechLLM架构，该架构根据音频自适应决定何时输出令牌，实现了1-2秒的延迟，且质量接近非流式基线。