★ 3
英伟达开源 Nemotron 3.5 Transcribe 支持 40 种语言 ASR
英伟达发布 Nemotron 3.5 Transcribe，这是一款开源自动语音识别（ASR）模型，覆盖 40 种语言。开源多语种语音识别有助于降低语音应用开发门槛，并扩充英伟达 Nemotron 模型家族。
Hacker News4 天前
#语音识别
共 46 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
英伟达发布开源语音转写模型，支持 40 种语言
英伟达发布免费开源的语音转文字模型，可转写多达 40 种语言，但仅支持录音文件、不支持实时音频。该模型对会议纪要和医疗转写工具意义重大，实时场景仍由 ElevenLabs 等对手占据。
TechCrunch AI4 天前
★ 3
ESP32-P4 微控制器实现本地实时语音识别，无需云端
开发者展示在 ESP32-P4 微控制器上运行 Kroko 流式语音识别模型，仅靠双 RISC-V 核心完成开放词表实时转写，无需云端或神经网络加速器。模型权重经 2/4 比特量化压缩至 26.65MB，存于 SD 卡并加载到 PSRAM，还附带语音控制演示。
Hacker News6 天前
★ 3
Qwen 团队发布 Omnilingual-MsASR 多语种多人长视频语音识别基准
研究团队推出 Omnilingual-MsASR，一个覆盖六种语言、最长 30 分钟录音、最多 20 位说话人的多模态多语种长视频多人语音识别基准，同时提供音频与视频输入以评测跨模态一致性。对主流全模态大模型的评测显示其 tcpWER 常超过 100%，暴露出细粒度时间定位与说话人区分等瓶颈。
arXiv NLP10 天前
★ 3
ELARSpeech 发布 675 种低资源语言 3 万小时语音数据集
研究者发布 ELARSpeech，一个包含 30,202 小时语音、覆盖 675 种低资源语言的大规模多语言语音数据集，语料来自濒危语言档案库。实验表明该数据集可扩展 ASR 与 TTS 在长尾语言上的能力，伪标注无标签数据还能进一步提升效果。团队同时公开数据集、训练好的 ASR/TTS 模型及完…
arXiv NLP17 天前
★ 3
Oracle 引导微调提升生成式 ASR 后编辑
研究者提出 oracle 引导微调方法，将 ASR 的 N-best 候选列表转化为监督信号，通过纠错、正则化与难负样本三类数据池训练「选择或重写」策略。该方法在约 3B 参数规模上效果最明显，可抑制过度编辑与幻觉，但公共朗读语料结果不一致，提示预训练重叠可能掩盖真实增益。
arXiv NLP18 天前
★ 3
Whistle：仅 16.9 MB 的语音转文字工具
Whistle 是一个体积极小的语音转文字工具，仅 16.9 MB，在 Hacker News 上获得 610 分热度与 135 条评论。该工具以极致轻量化为卖点，引发社区对端侧语音识别可行性的讨论。
Hacker News24 天前
★ 3
TransferBreaker：阻断语音识别对抗迁移攻击
论文揭示在公开预训练 ASR 模型上构造的对抗扰动可有效迁移到微调后的黑盒目标模型，严重降低性能。作者提出 TransferBreaker 统一微调框架，整合基础对抗微调、潜在雅可比正则化与 HybridGrad-AFT，在三种语言、四个大型 ASR 模型上将对抗词错率从 92.6 降至 27.8…
arXiv cs.LG24 天前
★ 3
研究：音频大模型无法判断自身转录是否可靠
研究发现音频大模型对自身转录可靠性判断很差，多数情况下都认为转录可靠，现有语音质量预测、生成不确定性与 WER 估计信号有限。但可靠性信息强烈编码于音频编码器表示中，据此训练的轻量预测器在域内与跨域 macro-F1 达 81.10% 与 78.09%，可在生成前触发澄清请求，且标签可跨模型家族迁…
arXiv cs.AI34 天前
★ 3
Grok语音转写2.0发布，准确率翻倍
SpaceXAI发布Grok Voice Transcribe 2.0语音转文字模型，支持批处理与流式音频。公司称其准确率较1.0翻倍，19种语言短句词错误率从20.6%降至6.8%，价格维持每小时0.10美元（流式0.20美元）。
MarkTechPost44 天前
★ 3
阶跃发布StepAudio 3语音大模型系列
阶跃星辰推出StepAudio 3系列语音大模型，覆盖语音识别、语音生成、实时交互与音乐创作四大方向。该系列将语音能力整合进统一模型体系，强化实时对话与音频生成场景的竞争力。
InfoQ AI45 天前
★ 3
τ-Elicitation：语音智能体多轮实体抽取基准
论文推出τ-Elicitation，一个包含200个任务、10类实体、三种环境的语音基准，用于评估语音智能体精确采集姓名、地址、日期等实体的能力。匹配的文本智能体全部通过，但四种语音配置的稳健成功率仅0.14至0.41，且仅24-37%的已验证错误被修复。加入拼写、复读、纠正与确认的脚手架可将成功…
arXiv cs.AI47 天前
★ 3
低秩投影抑制Whisper幻觉转录
提出无需训练的推理时方法，通过低秩投影将解码器激活移出幻觉子空间，显著降低Whisper在非语音输入上的幻觉率，同时可权衡语音识别性能。
arXiv cs.AI55 天前
★ 3
Gemini 3.5 Transcribe智能转录
Google推出了Gemini 3.5 Transcribe，提供更智能的语音转文字功能。该工具利用先进的AI模型，提高了转录的准确性和智能性，适用于多种场景。
Google DeepMind67 天前
★ 2
研究：教育ASR需按说话人角色分场景评估WER
论文指出聚合词错率（WER）会掩盖学习者语音、语码转换与说话人归属上的集中错误。作者在英语母语者学习西班牙语的在线课堂数据上比较平台集成、开源、适配与商用ASR，并用LoRA微调Whisper large-v3与MOSS-Transcribe-Diarize。结果显示MOSS适配在各说话人角色与语…
arXiv NLP2 天前
★ 2
arXiv 论文提出块循环 ASR 架构，参数少一个数量级
研究指出深度 ASR 模型中多数层学习功能相似的变换，据此提出用少量权重共享的循环块替代参数化深度。在 Open ASR Leaderboard 上，仅两个共享块的模型平均恢复大模型 97.4% 的准确率，并支持 MoE-LoRA 端侧个性化。
arXiv cs.LG2 天前
★ 2
AssemblyAI 发布语音 AI 新进展
AssemblyAI 公布语音识别/AI 相关新进展，以讨论帖形式披露。该公司长期专注语音转文字与语音智能 API，此次更新延续其在语音 AI 领域的产品迭代。
Producthunt AI4 天前
★ 2
研究者发布 885 小时孟加拉语语音语料 Lipi-Ghor
研究者发布 Lipi-Ghor，一个弱监督构建的大规模孟加拉语语音语料库，含 885 小时音频，来自 998 个 YouTube 视频、596 个频道，覆盖 17 个领域。该语料首次为孟加拉语提供大规模、带说话人分离的长音频标注，并附带可复用的构建流程。团队在零样本与微调条件下评测四个主流 ASR…
arXiv NLP4 天前
★ 2
RoleHear：半监督流式语音识别实现说话角色标注
论文提出 RoleHear，让单一缓存感知流式 transducer 通过词表内角色 token 在转写中内联输出说话角色，满足客服分析等实时场景需求。方法用离线教师模型重标注无标注音频，并由多模态大模型补充银标签，学生模型一次微调完成。在客服通话与财报电话会议数据上，RoleHear 在保持转写…
arXiv NLP5 天前
★ 2
arXiv 论文用 k-center 子集选择降低 Whisper 微调成本
研究提出基于嵌入的子集选择方法，利用 OpenAI Whisper 预训练编码器把音频映射到固定维度空间，再用贪心 k-center 算法挑选多样且有代表性的训练子集。在希伯来语和丹麦语上，k-center 选择在小样本预算下优于随机采样，且子集词汇多样性更高。
arXiv NLP5 天前
★ 2
arXiv 发布尼泊尔语-英语语码转换播客 ASR 基准
论文构建 13,044 条自发播客语句（15.45 小时）的尼泊尔语-英语语码转换 ASR 基准，并验证无机器翻译泄漏。两阶段合成到真实适配中，合成数据监督微调将混合错误率从 23.40% 降至 21.52%，切换点错误率从 35.89% 降至 28.77%；后续 GRPO 仅带来小幅显著改进。
arXiv NLP9 天前
★ 2
GRPO 强化学习提升低资源语言语音识别，开源 SunflowerASR
arXiv 新论文将 Group Relative Policy Optimisation（GRPO）强化学习扩展到非 LLM 的小型编码器-解码器语音识别模型，以 Whisper-large-v3 为基线在 51 种非洲语言上验证。该方法在训练数据稀缺、音频含噪或退化时收益最明显。所得模型 Su…
arXiv cs.AI9 天前
★ 2
KIRA：面向儿童的双通路阅读筛查系统发布
研究者提出 KIRA 系统，将词级流利度评分与音素级错误检测结合，并针对儿童语音微调预训练识别模型，词错误率从 13.88% 降至 8.84%，音素错误率从 41.66% 降至 23.00%。系统配套教师端网页界面，可直接用于 K-2 课堂阅读筛查。
arXiv NLP10 天前
★ 2
论文测试 Gemma 4 语音编码器冻结与适配器方案识别沙特与海湾阿拉伯语
研究在不改动 Gemma 4 与 EmbeddingGemma 2 共享的 3.05 亿参数音频编码器权重的前提下，测试沙特与海湾阿拉伯语识别。冻结系统仅训练 2260 万参数 CTC 读取器，适配系统增加 310 万低秩适配器与混合 CTC/注意力读取器。适配系统在公开沙特客服通话 WER 上与…
arXiv NLP10 天前
★ 2
研究：ASR 式转写归一化会削弱对话行为分类的有用信号
论文在三种对话语料、六种分类器上评估九种转写条件，发现重度归一化在全部 15 个神经模型-语料组合上都降低 Macro-F1。去除标点使 Switchboard 与 MRDA 的 Macro-F1 分别下降 0.036 与 0.078；仅去除 um、uh、erm 时 MRDA 仍受损，而 SLUE…
arXiv NLP13 天前
★ 2
孟加拉语语音痴呆检测与句子补全系统发布
该研究提出一套集成系统，通过孟加拉语语音与文本分析检测痴呆迹象，并在对话中提供句子自动补全支持。系统采用 Transformer 模型将语音转写为文本，并用带注意力机制的 Bi-LSTM 完成孟加拉语句子补全。研究填补了低资源语言在痴呆分析领域的空白。
arXiv NLP16 天前
★ 2
基于预训练文本模型与Read-Tag-Write策略的流式逆文本归一化
论文提出一种高效的流式端到端逆文本归一化（ITN）系统，适配预训练文本到文本模型以利用其语言知识。通过架构调整、专门训练策略和 Read-Tag-Write 解码策略实现流式处理。在越南语数据集上，其准确率与非流式基线相当，优于混合方法并满足实时延迟要求。
arXiv NLP17 天前
★ 2
CAFE：面向紧凑多语言语音识别的特征蒸馏方法
论文发现特征蒸馏在多语言 ASR 中未必增益，CKA 损失的梯度与英语所用子空间高度重叠。作者提出 CAFE，将 CKA 梯度限制在英语绕过的适配器中，在 Open ASR 排行榜上将平均 WER 从 8.55% 降至 8.02%，并在 24 种语言 48 个测试集上具竞争力。
arXiv NLP17 天前
★ 2
ASSET：基于强化学习的自适应语音分段压缩框架
论文提出 ASSET，用强化学习将声学编码器输出切分为变长片段并池化为连续音频 token，以压缩语音 LLM 的输入序列。在英语 LibriSpeech 上以约少 25% 音频 token 达到接近转录辅助字符边界 oracle 的性能，中文 AISHELL 上亦优于音素边界 oracle。
arXiv NLP18 天前
★ 2
研究提出利用语音基础模型语言选择维度检测语码转换
该论文提出一种轻量级方法，直接从语音中检测语码转换（同一话语内语言交替），无需依赖准确的多语言转录文本。方法利用预训练语音模型帧级的语言信息，可在大型语音集合中高效筛选含语码转换的语句，用于扩充训练数据。
Apple Machine Learning Research19 天前