Microsoft 语音模型 MAI-Transcribe-2 上架 OpenRouter
微软的语音转写模型 MAI-Transcribe-2 上架 OpenRouter 了，想用 API 做转写的朋友可以直接去试试。
#语音识别
共 95 条 · 7 天 6 条 · 30 天 46 条
信息流里打上「语音识别」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月17日
10月16日
开源多语言语音识别模型 Hojo-ASR-Multi-V1 发布，平均 WER 3.54
把 Qwen3-4B 接到语音识别解码端，5 种语言平均 WER 3.54，Apache 2.0 开源可本地跑，做语音转写的可以试试。
10月15日
用 EmbeddingGemma 2 微调越南语 ASR 模型，78 美元做到 SOTA
78 美元、3 小时微调就做出越南语识别 SOTA，WER 还赢了 Gemini，小语种 ASR 可以照这个路子抄作业了。
AssemblyAI Universal-3.6 Pro 语音转写模型上线 OpenRouter
AssemblyAI 的 Universal-3.6 Pro 上线 OpenRouter 了，短句错误少 30%，$0.30 一小时，还新加了粤语。
10月12日
TII 发布 Falcon-ASR：1.6B 阿拉伯语语音识别模型
TII 出了个 1.6B 的阿拉伯语语音识别模型 Falcon-ASR，在 6 个测试集上 WER 20.92%，不过权重和 API 还没放出来。
10月9日
Voice Arena 发布 Monsoon 语音数据集：50 种语言、10 万小时
Monsoon 是个 10 万小时的多语言语音数据集，微调 Whisper 后孟加拉语词错率从 85% 降到 7.65%，做语音方向的可以试试 API 测测效果。
Whisper Medium 用 Monsoon 语料微调，孟加拉语词错率从 85.27% 降到 7.65%
小模型靠数据逆袭的实测案例：Whisper Medium 微调后孟加拉语错字率从 85% 掉到 7.65%，做低资源语言 ASR 的可以参考。
10月7日
Setel 推出 Voice Fuelling 语音加油功能，支持四种语言
马来西亚加油 App Setel 出了个语音加油功能，对着手机说油枪号就能开泵，还支持中文，在 Petronas 加油可以试试。
SmallestAI 登顶 VoiceArena 说话人分离与语音识别榜首
SmallestAI 在 VoiceArena 语音榜单拿了第一，这个榜用远场真实录音测试、每人单独麦克风做标注，比传统干净音频基准靠谱多了。
10月5日
10月4日
10月2日
9月30日
9月29日
9月28日
VoiceArena 发布 Monsoon：50 语言语音数据集让 Telugu 语音识别错误率从 92.7% 降到 16.1%
同一个 Whisper Medium，换个数据集微调就把 Telugu 错误率从 92.7% 干到 16.1%，还故意保留噪声做分层，思路很值得学。
祖父遭AI换声诈骗后，她创办 DetectifAI 实时识别假语音
一个 San Francisco 创业者因为爷爷被假语音骗了，做了个能装进手机、打电话时实时识别 deepfake 的小模型，正在 Disrupt 参赛。
Modulate 融资 2500 万美元，用语音模型检测 deepfake 和诈骗
一家叫 Modulate 的公司拿了 2500 万美元融资，专做语音检测，能识别 deepfake 假声音和电话诈骗，做风控的可以看看。
Muslim：已上线的阿拉伯语语音平台，提供有据可查的伊斯兰知识问答
这篇不聊概念，讲一个真实上线的阿拉伯语语音产品怎么搭：6 个 MCP 服务器做检索、自训的 6B 路由模型和 TTS 都开源了，做语音 Agent 的能抄不少作业。
9月27日
9月25日
Edge0开源Audio8-ASR-Infinite：中英文流式语音识别模型，支持7x24小时不间断转写
Edge0开源的流式语音识别模型，中英文都能转，延迟几百毫秒，显存占用恒定不爆内存，直播听写可以直接跑起来。
BRIDGE ASR 2.0 发布：18 种印度语言加西语葡语越语的真实对话语音识别基准
humynlabs 出了个语音识别新基准，专测真实对话和混语言场景，23 个模型已上榜，做语音方向的可以拿来自测。
VeriSpeak 基准揭示语音事实核查短板：检索加推理达 86.1% 准确率
研究者做了个 3879 条语音声明的核查基准，发现 LALM 听到语音就变笨，加上推理才能到 86.1%，做语音事实核查的可以看看。
面向加纳三语青少年健康语音识别的基准测试与领域适配研究
加纳团队用 Qwen3-ASR-0.6B 给三种本地语言做语音识别，Ewe 错误率砍掉近一半，还上线了健康问答应用 KasaHealth，低资源语言落地的完整参考。
Apple 发布半监督联邦 ASR 训练方案：在线伪标签配合服务器端更新稳定化
Apple 发了一篇联邦学习论文，讲怎么用伪标签在无标注数据上训 ASR 模型，还给了稳定训练的实操配方，做语音方向的可以看看。
用 WhisperX 在 SageMaker AI 上实现带说话人标签的语音转写
AWS 出了个现成的 WhisperX 容器，一键部署到 SageMaker 就能拿到带说话人标注的逐词转写，还讲了扩缩和省钱细节。
9月24日
VoiceArena 推出 Diarization Bench，同规则评测 12 款说话人分离系统
VoiceArena 搞了个 diarization 评测榜，12 款系统同题同规则比拼，还能看时间容差一变分数差多大，做语音的可以去看看。
英伟达发布 Nemotron 3 Diarization，支持 8 说话人日志
英伟达新出的说话人日志模型，100M 能本地跑，专门负责“谁在何时说话”，配 ASR 就能做分角色转写，比 Qwen 那个更专精。
Audio8 ASR Infinite 开源：流式语音识别无限时长无漂移
一个叫 Audio8 ASR Infinite 的流式语音识别开源了，能 7x24 无限时长转写不漂移，靠语义轮次检测解决长音频老毛病，做实时转写可以看看。
NVIDIA 开源 Nemotron 3 Diarization 说话人分离模型
NVIDIA 开源了个说话人追踪模型，1秒语音就能分清谁在说话，还能让 Reachy Mini 机器人认人记名字，商用许可也友好。
9月23日
NVIDIA Nemotron 3 Diarization 登顶 Diarization-Bench 说话人分离榜
NVIDIA 的说话人分离模型拿了 Diarization-Bench 第一，错误率 14.72%，比第二名低了近四分之一，做语音相关应用的可以关注下。
NVIDIA 发布 Nemotron 3 Diarization 说话人分离模型
NVIDIA 出了个 100M 参数的小模型，专门搞定多人说话分不清谁是谁的问题，8 人以内、说话重叠都能识别，已经上了 Hugging Face。