标签
ElevenLabs 推出 Cue，一款强制对齐模型，可将音频中的每个字符精确到亚毫秒级时间线，准确度超过其测试的所有对齐器，覆盖 29 种语言，且一小时内音频的对齐耗时不到一秒。
NVIDIA 发布了 Nemotron 3.5 Transcribe，这是一款开放权重的可提示模型，支持多语言转录、说话人分离、翻译和音频问答，在排行榜上取得了顶尖成绩；同时推出的还有 Granary v2 数据流水线以及用于领域适配的 NeMo 微调方案。
ETC-Bench 是首个面向评估端转录文本规范化的综合性多语言基准，涵盖 12 种语言中的 181 种现象类型，并提出了一项新的 SENA 指标和一种由分类体系引导的智能体方法（TACS），该方法的表现优于基线系统。
Mistral 发布 Voxtral 3 语音模型家族与语音代理 SDK，支持 50 多种语言的实时转录、情感自适应语音合成以及多步工具调用，可通过欧盟托管的 API 或自部署方式使用，以保障数据主权。
SpeechFast 是一款 Mac 本地语音转文字工具，按住 fn 键即可在任意应用中输入，所有音频与文本均在本地处理、完全离线，并支持 Apple Intelligence 清理口头语及自定义词表。
IBM 发布 Granite Switch 4.1 30B/8B，这是一个模块化 LLM，将基座模型、多个 aLoRA 适配器（决策、guardian）和语音编码器组合在一起，通过单个端点即可在聊天、通用/专业决策和语音转文本之间切换，采用 Apache 2.0 许可。
Maybloc 推出了一款全新的先进语音转文本产品，专为多人音频设计，宣称在多项基准测试中实现了最低的说话人分离错误率，支持 45 种语言和最多 25 位说话人，并提供字幕、个人身份信息（PII）脱敏、摘要和翻译等附加功能。
实践者分享构建电话语音AI代理的核心瓶颈并非模型能力，而是轮次切换时机：单靠VAD静音检测会导致打断或迟钝，改用STT置信度与部分转录文本的语义线索来判断发言是否结束效果更好。
Lipwise 是一款开源的跨平台智能听写应用，本地运行语音识别并在输出前用 LLM（如 Qwen3.5）自动修正、标点和改写文本，同时支持选中文本的指令式变换。应用采用 Rust 和 Tauri 构建，MIT 许可，无账户、无遥测，安装包约 5 MB。
谷歌的 EmbeddingGemma 2 嵌入模型被改造成了一款语音转文字工具，通过在冻结的音频编码器之上添加一个经过训练的小型读取器，可在基础款 MacBook Air 上完全于本地运行，用约 13 秒转录一小时的音频。
Show HN：BetterWispr 是一款免费、开源的 macOS 本地语音听写应用，支持在任意应用中按住快捷键说话，内置 Whisper、Parakeet 等九个本地模型，语音数据不离本机，并提供应用级语气风格和会议笔记功能。
一个基于 Qwen3.5 4B 的本地语音助手项目，支持技能与工具调用，无需独立 GPU，集成 Voxtral 本地语音识别与 Pocket TTS 语音合成。
一位从业者反思语音智能体为何总是打断来电者，指出真正的元凶往往是 VAD 设置误读了背景噪声，而非 STT 延迟；调整静音阈值会改变智能体给人的拟人感。
OpenWhispr 推出 iOS 应用，提供 100% 开源的设备端 AI 语音转文字功能，本地运行，无需账户、订阅或使用限制。
NihonSub 是一个开源的实时日语动漫字幕与翻译引擎，它将运行在 Groq 上的 Whisper-Large-v3 与 DeepSeek/LLaMA-3 相结合，用于生成上下文感知的双语字幕，并具备基于 VAD 的音频分段、保留敬语的 LLM 翻译，以及同步双字幕影院播放器等特性。
作者分享为电话语音机器人调优对话轮替（turn-taking）的经验：单靠 VAD 静音阈值不够，需结合 STT 的部分文本判断句子是否完整，再配合 TTS 延迟一起调试，才能让机器人响应更自然。
Cactus Compute 发布了 Whistle，这是一个 16.9MB 的语音转文字模型，在与 Needle 相同的引擎中运行于 CPU 上，支持七种语言，声称在文件体积小 9 倍、速度快 6 倍的情况下，准确率大多优于 Whisper base。
Angebotsmeister 是一款面向德国工匠行业的语音报价工具：工人在现场口述内容即可自动生成包含明细和价格来源的报价单，客户可在线接受 PDF 报价，一键生成发票，免费起步。
Cactus-Compute 发布 Whistle，一个仅 16.9 MB 的端侧语音转文字模型，支持转录、词级时间戳和语音嵌入，可在手机、可穿戴设备、机器人及微控制器上无 GPU 运行，并在多项基准上与 Whisper 和 Moonshine 竞争。
Krisp发布了一个开放基准和数据集，显示语音隔离将语音转文本模型的单词错误率降低了73%，在工作场所和呼叫中心录音中都有显著改进。