模型13:51
Together AI 打造全球最快语音转文本堆栈 ParakeetTogether AI 把 Parakeet 优化到每秒转写 302 秒音频，比别的服务快一大截，想搞语音识别的可以看看这篇系统调优拆解。
#语音识别
共 95 条 · 7 天 6 条 · 30 天 46 条
6月29日
6月16日
模型02:02
Sonic-3.5 和 Ink-2 语音模型发布，声称登顶流式榜单Karan Goel 发了两个新模型，Sonic-3.5 做 TTS 排名第一，Ink-2 做 STT 也是第一，说是唯一一家听说都做到顶的。做语音智能体的话看看。
6月12日
模型13:08
Mistral 发布 Voxtral 2：实时转录与说话人分离模型做语音转录或实时字幕的开发者终于有了一个开源且低延迟的选择——Voxtral Realtime 的 Apache 2 许可和 sub-200ms 延迟值得一试。
6月8日
微软发布 MAI-Transcribe-1.5：WER 2.4%，长音频转录快 5 倍
语音转文字场景的开发者终于有了微软官方的强力选项——MAI-Transcribe-1.5 在精度和速度上双双突破，做会议转录、客服质检或多语言内容处理的团队可以直接在 Azure 上试用，省去自建模型的麻烦。
6月6日
6月5日
Together AI 上线两款 NVIDIA Nemotron 模型
做智能体或语音应用的开发者现在有了更专业的模型选择——Nemotron 3 Ultra 适合高并发任务，Nemotron 3.5 ASR 能直接用于多语言实时语音场景，值得在 Together AI 上试试。
6月4日
6月3日
论文10:25
用从未发生的对话训练ASR：合成对话提升低资源语言识别低资源语言ASR团队终于有了可落地的数据增强方案——用LLM+TTS生成对话数据，效果堪比数倍真实数据。做多说话人语音识别的开发者值得一试，尤其适合匈牙利语等小语种场景。
BaltiVoice：为巴尔蒂语构建的语音语料库与微调Whisper ASR系统
这是首个为巴尔蒂语打造的ASR系统，解决了低资源语言语音识别的空白，做多语言语音技术或濒危语言保护的团队可以直接用这个开源模型和语料库。
微软三款新模型 MAI-Image/Transcribe/Voice 上线 OpenRouter
微软的多模态模型终于能在 OpenRouter 上直接调用了，做图像生成、语音转文字或语音合成的开发者可以省去 Azure 申请流程，直接上手试。
6月1日
BEA-Dialogue+ 语料库：匈牙利语对话语音识别扩展至200小时
匈牙利语 ASR 研究者终于有了更大规模的对话数据集——BEA-Dialogue+ 将可用训练数据从85小时扩展到200小时，做低资源语言语音识别的团队可以直接用于模型评估和微调。
5月22日
Plug-in Losses 简化证据深度学习不确定性估计，含 Softmax 分类器
做不确定性估计的团队终于有了更简单的实现路径——用标准 Softmax 损失就能获得 EDL 效果，语音识别研究者可以直接替换现有训练流程试试。
5月20日
5月12日
