[控场AI]

#语音识别

共 59 篇相关文章

16.9MB语音模型实测:Cactus Whistle能否挑战Whisper Base?
·6 分钟

16.9MB语音模型实测:Cactus Whistle能否挑战Whisper Base?

Cactus Whistle 16.9MB 语音模型与 Whisper Base 全面对比:词错误率、CPU 推理速度、流式延迟、时间戳、关键词识别与语音转工具调用,解析轻量语音模型的真实能力边界与适用场景。

阅读全文 →
Mistral发布Voxtral 3:语音转文字、TTS与语音Agent SDK
·5 分钟

Mistral发布Voxtral 3:语音转文字、TTS与语音Agent SDK

Mistral AI 发布 Voxtral 3,包含 3 款语音转录模型、1 款 TTS 模型和基于 LiveKit 的语音 Agent SDK。Voxtral Small Transcribe 3 的 AA-WER 为 2.1%,在 Artificial Analysis 排名第三。

阅读全文 →
不再猜测:语音识别错误定位新框架让系统主动提问
·4 分钟

不再猜测:语音识别错误定位新框架让系统主动提问

新论文提出 \sysname 框架,在流式语音识别中利用干净音频构造反事实监督,精准定位可能出错的片段并请求用户重复。在 70% 精确率下召回率提升 52%,WER 相对下降最高 24%。

阅读全文 →
用ONNX打造离线语音控制:自定义唤醒词与多命令识别
·7 分钟

用ONNX打造离线语音控制:自定义唤醒词与多命令识别

介绍如何用自定义唤醒词与ONNX构建离线语音控制:两级架构分离唤醒与命令识别,多关键词模型处理固定命令,并通过R0/R1两轮训练治理误触发,附ONNX与TFLite部署核对清单。

阅读全文 →
Deepgram 语音AI优化:Nova-3 移植 AWS Trainium2 实战
·5 分钟

Deepgram 语音AI优化:Nova-3 移植 AWS Trainium2 实战

Deepgram 将 Nova-3 语音模型移植到 AWS Trainium2,通过 Neuron 栈适配、内核级调优和 Rust 数据并行运行时,实现批量推理吞吐提升与成本下降。本文解析其优化路径与技术启示。

阅读全文 →
本地Whisper vs 云端听写:隐私、延迟与准确率如何权衡
·9 分钟

本地Whisper vs 云端听写:隐私、延迟与准确率如何权衡

深入对比本地Whisper与云端听写在隐私、延迟和准确率上的真实权衡,并提供一套音频与文本都不出本机的完整私密听写配置方案,附基准测试脚本。

阅读全文 →
NVIDIA方言微调配方:数据清洗比模型更关键
·6 分钟

NVIDIA方言微调配方:数据清洗比模型更关键

NVIDIA 公开 Nemotron 3.5 ASR 适配沙特方言的完整配方:SADA 2022 语料清洗保留 82.5% 数据,90% 方言加 7% 英语的重放混合让目标方言 WER 从 55.05% 降至 29.96%,同时英语与标准阿拉伯语几乎不受影响。数据清洗才是方言微调的质量杠杆。

阅读全文 →
当AI助手听不见时:一场荒诞的Mad Libs游戏暴露了什么?
·5 分钟

当AI助手听不见时:一场荒诞的Mad Libs游戏暴露了什么?

一段YouTube上Osie听不见的Mad Libs游戏引发思考:当语音交互的听觉通道失效,拼写替代方案也因近音词识别问题失败。本文从产品设计角度分析对话式AI在容错、多模态备用路径和语音鲁棒性上的盲区。

阅读全文 →
为什么我们把语音AI装进设备,而不是云端
·13 分钟

为什么我们把语音AI装进设备,而不是云端

VoxRT团队从第一天起为端侧而非云端构建语音AI。本文用真实成本账、三类端侧胜出场景、硬件碎片化等权衡,以及2026年端侧语音技术现状,说明端侧与云端如何合理共存。

阅读全文 →
Mac本地语音转文字实测:Whisper与Parakeet跑分对比
·8 分钟

Mac本地语音转文字实测:Whisper与Parakeet跑分对比

开源听写应用Plainsay作者在Apple Silicon上实测Whisper large-v3-turbo与Parakeet TDT 0.6B v3:Parakeet平均延迟0.10秒、WER 2.50%,Whisper平均延迟0.68秒、WER 2.89%,准确率差距落在归一化噪声范围内。

阅读全文 →
ONNX构建小型多语言离线语音控制管线
·6 分钟

ONNX构建小型多语言离线语音控制管线

介绍如何使用ONNX构建小型多语言离线语音控制管线,涵盖KWS与ASR的区别、运行时管线设计、多平台部署(Python/Web/Android/ESP32-S3)以及产品发布前的测试验证流程。

阅读全文 →
AI会议转录深度解析:三大核心能力与主流工具横评
·7 分钟

AI会议转录深度解析:三大核心能力与主流工具横评

AI会议转录到底哪些真正有效?本文拆解准确率、说话人识别与实时能力三大核心支柱,横评Otter.ai、AssemblyAI、Teams等主流工具,并给出隐私合规与集成选型建议。

阅读全文 →
错误率不够看:低资源语音识别数据增强的隐藏代价
·5 分钟

错误率不够看:低资源语音识别数据增强的隐藏代价

低资源语音识别的数据增强不能只看错误率。新研究在音素层级揭示 SpecAugment 与文本增强方法的互补机制、超可加性效应及其在 100 小时数据规模的边界,并给出基于训练暴露度和声学属性的选择框架。

阅读全文 →
财经语音ASR需要持续学习正则化吗?EWC与mini-KFAC实证研究
·6 分钟

财经语音ASR需要持续学习正则化吗?EWC与mini-KFAC实证研究

一项针对财报电话会议语音识别的持续学习研究发现,Whisper模型在金融语音适配中不但未发生灾难性遗忘,反而因任务互补而持续改进,使正则化适得其反;在确需正则化时,mini-KFAC EWC优于标准对角EWC。

阅读全文 →
Oído:5美元单片机实现开放词汇语音识别
·5 分钟

Oído:5美元单片机实现开放词汇语音识别

研究项目 Oído 在仅 5 美元、无神经加速器的 ESP32-S3 单片机上实现开放词汇英语语音识别,WER 低至 3.70%,准确度甚至超过笔记本上的 Whisper tiny。代码与模型已开源。

阅读全文 →
重新审视口音分类:DistilHuBERT 的说话人隔离评估与跨语料泛化
·4 分钟

重新审视口音分类:DistilHuBERT 的说话人隔离评估与跨语料泛化

一项基于 DistilHuBERT 的研究指出,口音分类的文件级评估会严重高估模型性能。通过说话人隔离评估与跨语料测试,揭示了模型泛化的真实挑战,并探讨均衡外部数据训练与伪标签方法的效果。

阅读全文 →
流式说话人分离适配的隐患:当遗忘伪装成进步
·5 分钟

流式说话人分离适配的隐患:当遗忘伪装成进步

一项 arXiv 新研究揭示流式说话人分离系统小数据适配的隐患:适配提升检测准确率的同时,可能悄然损害说话人身份的时序一致性。排练策略虽能缓解遗忘,却牺牲跨领域迁移能力,提示需联合评估检测、身份一致性与保留行为。

阅读全文 →
ASR语音识别基准测试:哪些场景最该优先覆盖?
·4 分钟

ASR语音识别基准测试:哪些场景最该优先覆盖?

如何为ASR语音识别系统构建评测基准?本文梳理单人听写、嘈杂会议、移动户外等高优先级语音场景,并给出判断ASR工具优劣的核心标准与基准测试搭建实操路径。

阅读全文 →