stt

一个名为 voicebenchmarks.com 的开源网站，旨在集中语音AI基准测试，包括TTS、LLM、STT等，提供用户友好界面，并欢迎社区贡献。

本文讨论了在启用流式传输后，语音代理系统中隐藏的延迟来源，并寻求关于实时代理关键性能指标的建议。

一篇关于企业级语音AI架构的技术解析，该架构通过批发运营商将电话成本降低40-60%，并利用Deepgram、Claude/GPT-4o-mini和ElevenLabs/Cartesia实现低于500毫秒的延迟，通过n8n和Supabase进行编排。

作者使用 Parakeet STT、Qwen 2.5 7B 和 Qwen3-TTS 构建了一个本地实时语音栈，并与 Ollama 集成。

一位开发者询问人们在生产环境的语音智能体中使用哪些 STT API，比较了 Deepgram、AssemblyAI 和 Smallest AI Pulse，并指出了常见的故障点，如端点检测、延迟和打断。

对10,000通语音AI电话的分析揭示了关键失败点：STT错误率、前8秒混乱、中断处理、长时间静默、工具调用延迟、LLM故障以及转接失败——为代理构建者提供了实用见解。

本文讨论了在语音代理中分离概率性语言理解与确定性工具执行的挑战，建议在触发结构化操作之前对条件性短语进行置信度检查，正如使用Vomo AI所实现的那样。

LangChain 推出面向语音框架（Pipecat、LiveKit、OpenAI Realtime、Gemini Live）的 LangSmith 追踪功能，支持完整音频监控、STT/TTS 延迟跟踪、中断检测和 VAD 分析，且仅需极少量代码。

Cicero 项目支持与 AI 代理进行自托管、双向语音对话，可本地运行 TTS/STT，并能集成多种代理协议和工具（如 Claude Code 和 Hermes Agent）。

audio.cpp更新引入了流式支持和四个ASR/STT模型（Nemotron 3.5、Higgs Audio STT、VibeVoice ASR、Hviske ASR），采用原生C++/GGML实现，速度比Python快高达2.41倍，词错误率（WER）和显存占用具有竞争力。

一份使用语音转文字和文字转语音技术揭秘语音代理的指南，包含四个基于浏览器的演示代理以及使用RAG和工具的构建说明。

一款新的语音转文字工具声称可与 Windows 上的 Dragon Professional 媲美，为语音识别提供了一个有竞争力的替代方案。

描述了一个在MacBook上本地运行的医疗语音转文本系统，支持流式转录，无需依赖云服务。

作者认为，对于实时语音代理，STT延迟和实时行为比原始转录准确性更为关键，并提出了不同的评估记分卡。

一位开发者驳斥了常见的观点，即LLM延迟是语音助手响应慢的主要原因，并解释说，延迟往往源于更早的阶段，如音频捕获、语音活动检测（VAD）和语音转文字（STT）。他建议记录特定的延迟指标，并测试不同的STT/TTS提供商和编排框架来诊断问题。

一份精选的开源学习路径，用于构建语音代理，涵盖从STT到生产部署，包含190+资源和一份5周计划。

pibot 现已完全本地化，采用 Parakeet 进行语音转文字（STT），Qwen3-tts 进行文字转语音（TTS），并通过 llama.cpp 使用 Qwen 3.6 作为本地多模态大语言模型，推理引擎基于 Rust/mlx-c，实现了零 Python 依赖。

Interfaze introduces a new hybrid AI model architecture combining DNN/CNN encoders with transformers to achieve superior accuracy and cost-efficiency for deterministic tasks like OCR, vision, and STT compared to generalist models.

来自interfaze_ai的新AI模型声称在OCR、视觉和语音转文字任务上超越领先模型（sonnet 4.6、gemini 3 flash、gpt 5.4 mini）。

LiveKit Agents 是一个用于构建实时、多模态语音智能体的开源框架，这些智能体能够看、听和理解，并具备灵活的 STT/LLM/TTS 集成、任务调度、电话支持、MCP 兼容性以及内置测试框架。