#语音识别
共 20 篇相关文章
Angebotsmeister：说句话就能生成报价单的德国工匠神器
Angebotsmeister 是一款面向德国手工业者的语音报价工具，工匠口述即可生成结构化报价单、透明价格来源与在线可接受的 PDF，并支持一键开票。免费起步，登上 Product Hunt 当日第15名。
语音识别远未解决：Mistral音频研究负责人深度解析
Mistral AI音频研究负责人Pavan Kumar Reddy深度解析语音识别为何远未解决：从Voxtral模型架构、连续隐变量生成、流式与批量权衡、说话人分离难题到DPO修复幻觉，以及语音技术在真实企业场景的落地短板。
语言区分能力提升多语言语音模型的语言学习表现
研究发现，强化多语言自监督语音模型的语言区分能力，可缩小甚至消除其与单语言模型的性能差距，同时保留跨语言共享优势。基于英语/法语HuBERT实验，验证了辅助语言任务等干预手段的有效性。
微调NVIDIA Nemotron适配沙特阿拉伯方言：低资源语言的落地路径
NVIDIA分享如何微调Nemotron语音模型以识别沙特阿拉伯方言，并提炼出一套可迁移到其他低资源语言的通用路径，为全球语音AI本地化提供参考范例。
TutlAit v1：摩洛哥塔马齐格特语语音数据集的众包实践
TutlAit v1 是一个众包构建的摩洛哥塔马齐格特语语音数据集，包含约20.9小时音频、阿拉伯语转写和地区口音标签，可用于语音识别、语音翻译和口音识别，为低资源语言技术提供基础素材。
AI语音分析自动评估运动神经元病患者语言流畅指数
一项arXiv研究提出利用WhisperX语音识别与Silero停顿建模自动估算运动神经元病患者的语言流畅指数（VFI），临床启发特征表现优异，P-words任务R²达0.9，展示医疗语音AI的应用潜力。
Oído开源语音识别：5美元单片机跑赢Whisper-tiny
开源项目Oído在5美元的ESP32-S3微控制器上运行语音识别，采用13M参数的NVIDIA Conformer-CTC模型，LibriSpeech与噪声环境下的词错误率均优于笔记本上的Whisper-tiny，为边缘离线语音AI提供了低成本新方案。
噪声警务音频难题：预训练ASR伪标签方法的机遇与边界
最新 arXiv 论文系统评估伪标签方法在噪声警务音频（BPC）上适配 Whisper、Qwen3-ASR 的效果，揭示内部置信度指标失灵，并提出 LLM-as-a-judge 过滤与跨模型伪标签两大新范式。
PTC-Bias：用音素级时间竞争提升语音大模型的稀有词识别
arXiv 最新论文提出 PTC-Bias 框架，通过音素级时间竞争实现语音大模型的两阶段上下文偏置。在 LibriSpeech 上，2000 词偏置列表下 B-WER 相对 CTC-Filter 降低超 23%，且无需额外模型前向计算。
半监督联邦语音识别实用方案：在线伪标签与服务端更新稳定化
本文解析半监督联邦学习在自动语音识别（ASR）中的实用方案，重点探讨在线伪标签与服务端更新稳定化两大设计维度，剖析ASR为何脆弱以及如何缩小与全监督联邦学习的性能差距。
传音的说话人归属多语种ASR系统：MLC-SLM 2026挑战赛亚军方案解析
传音语音团队在MLC-SLM 2026挑战赛提交的说话人归属多语种ASR系统解析。基于DiariZen说话人日志、Qwen3-Omni多语种ASR与CTC对齐的级联框架，以15.41%的tcpMER排名第二。
阿拉伯语流式语音识别频繁断句？技术解析与应对方案
阿拉伯语流式语音识别（Streaming STT）频繁半句断句，而英语西班牙语正常？本文解析端点检测原理、方言与MSA训练数据不匹配等根源，并给出延迟与准确率权衡的实用应对方案。
Canto语音模型：为真实世界场景打造的语音AI
Canto是一款主打真实世界应用场景的语音AI模型，强调在噪声、口音等复杂环境下的鲁棒性。本文解析其定位、语音AI落地挑战及开发者评估要点。
AI Agent 流水线中的劣质音频处理：架构策略与实战指南
面对回声、含混、噪声严重的劣质录音，AI Agent 语音流水线该如何设计？本文梳理音频预处理、STT 置信度护栏、幻觉检测与多 Agent 交叉验证等实战架构策略，帮你避免转录幻觉与上下文丢失。
用声学掩蔽量化辅音对词语可懂度的贡献
arXiv 新论文提出用声学掩蔽与 ASR 模型量化辅音对词语可懂度的贡献，定义掩蔽诱导误识率 MMR，覆盖英语等四种语言和三类 ASR 架构，发现辅音贡献因语言而异。
产品体验GetThis测评：语音截图自动生成任务清单的AI效率工具
深度体验GetThis这款AI任务管理工具，支持语音、文字、截图三种方式自动生成和分类任务清单。分析其核心功能、使用场景及与Todoist等传统工具的差异化竞争优势。
科技前沿Qwen3.5-Omni发布：215项任务SOTA，阿里全模态大模型硬刚Gemini
阿里发布Qwen3.5-Omni全模态大模型，基于1亿小时音视频数据原生多模态预训练，215项任务拿下SOTA，多项指标超越Gemini 3.1 Pro。支持音视频Web Coding、长音频分析、113种语言语音识别等能力。
教程攻略Whisper本地部署教程：手把手搭建免费语音转文字工具
详细图文教程教你在本地部署OpenAI Whisper语音识别工具，涵盖Conda环境配置、PyTorch安装、模型选择到实际转录操作全流程，支持近百种语言，免费生成SRT字幕文件。
深度解读视频转文字开源工具：字幕提取+Gemini AI听写双模式方案
介绍开源项目claude-skill-video-transcribe，支持YouTube、B站和本地视频转文字。采用优先提取字幕、无字幕时Gemini 2.5 Flash AI听写的双路策略，Python开发，高效实现视频内容转录。
产品体验Speak2Prompt：语音转AI提示词开源工具，打破编程语言壁垒
Speak2Prompt是一款开源工具，可将越南语语音实时转换为结构化英文AI提示词，适用于Claude、Cursor等编程助手。本文解析其设计理念、技术架构及对中文开发者的启发。