騰訊會議推出AI同傳功能
騰訊會議正式上線「AI同傳」功能。該功能支援即時語音識別與翻譯，延遲低於3秒，首期提供中英雙向互譯。
Search
Tag: #speech-recognition34 results
Corti 推出醫療級語音模型，準確度超越 OpenAI
Corti 發布了專為臨床環境設計的 Symphony for Speech-to-Text 模型，在醫療術語識別方面顯著優於 OpenAI 的 Whisper 等通用模型。該模型旨在為醫療工作流程中的自主 AI 代理提供可靠的數據基礎。
微軟推出語音與影像新 AI 模型
微軟公布三款自家機器學習模型的公開預覽版，專注於語音辨識、語音合成及影像生成。此舉使微軟儘管與 OpenAI 合作，仍成為其競爭對手。
Granite 4.0 1B Speech：緊湊、多語言、邊緣設備專用
Hugging Face 推出 Granite 4.0 1B Speech，這是一個緊湊的 1B 參數語音模型，支持多語言。專為邊緣設備設計，可實現高效的設備端語音處理。適合需要低延遲的行動裝置和 IoT 應用。
Mistral 推出本地運行日語音聲辨識 AI「Voxtral Transcribe 2」
Mistral AI 發表了 Voxtral Transcribe 2，這是一款可在本地運行的日語支援語音辨識模型。它包含兩個變體：一個針對高精度、低成本的批次處理，另一個針對超低延遲的即時轉錄。
🎵
具口音意識的 Whisper 降低 WER 4%
Whisper Accent 使用每種口音條件化的自適應層歸一化來調整 OpenAI Whisper 以處理帶口音英語，同時凍結編碼器/解碼器。它支援 20 多種口音，中型模型在測試集上達到 13.4% WER，優於基礎 Whisper。GitHub 上發布完整訓練程式碼、評估流程和檢查點。
Hunyuan Hy ASR 3.0 加入上下文理解
Tencent 預覽了 Hunyuan Hy ASR 3.0，這項自動語音辨識更新旨在於轉錄過程中理解上下文。該能力已經接入 Yuanbao。
數據規模對跨語言語音識別遷移的影響大於延遲
本研究評估了多語言編碼器與純英語編碼器在串流語音識別（ASR）中的表現。研究發現，多語言初始化僅在數據量較少時具有顯著優勢，隨著目標語言數據量的增加，該優勢會迅速減弱。
推出用於真實世界 ASR 的 FFASR 排行榜
Hugging Face 推出了 FFASR 排行榜，旨在評估真實世界條件下的自動語音識別 (ASR) 系統。此舉旨在提供超越標準學術數據集的更準確性能評估。
優化用於古蘭經語音識別的 Transformer 模型
本研究評估了 Wav2Vec2.0 和 XLS-R 等自監督 Transformer 模型在古蘭經語音識別（ASR）的應用，顯著降低了詞錯誤率。研究強調了在大型誦讀數據集上進行特定領域微調的有效性。