Confucius4-R2T2:让流式语音识别告别反复改稿
网易有道发布 Confucius4-R2T2,通过“最长稳定前缀”监督,将全上下文 ASR 模型改造成不会回改历史文本的流式识别系统。它在保持较低延迟的同时,接近离线模型的识别质量。
阅读全文网易有道发布 Confucius4-R2T2,通过“最长稳定前缀”监督,将全上下文 ASR 模型改造成不会回改历史文本的流式识别系统。它在保持较低延迟的同时,接近离线模型的识别质量。
阅读全文Underdog推出仅31.7MB的开源语音生成模型Woof,并通过浏览器小游戏展示其文本转语音和音乐生成能力。该模型主打无需联网的本地运行,为隐私友好的端侧AI提供了新的思路。
阅读全文香港中文大学(深圳)团队提出 Speculative Listening,在真实音频到达前利用“静音假设”预先生成候选结果,再用到达的音频进行验证。该方法无需训练即可显著降低语音响应和工具调用延迟。
阅读全文VeriSpoof 将深度伪造检测、生成器溯源、合成片段定位和声源验证整合到同一套音频语言模型中。其核心变化不只是判断音频真假,而是要求模型给出可被波形、标签或生成器元数据核验的证据。
阅读全文GigaSpeech 3 汇集约 3.9 万小时、1000 万个弱标注语音片段,覆盖五种阿拉伯方言。研究表明,弱监督与噪声学生迭代可以显著提升低资源方言语音识别能力。
阅读全文ServiceNow AI 发布 Apriel Voice 27B Preview,尝试在共享推理骨干中统一语音理解、上下文推理和工具使用。该模型基于 Gemma 4 26B-A4B,并通过两阶段训练获得语音交互能力。
阅读全文Hugging Face 发布 AnySpeechRecognizer 与 AnyDecisionModel,为 Apple 平台提供可替换的本地语音识别和决策模型接口。前者兼容苹果新 Speech API,并加入 Core ML 运行的 Parakeet、Qwen3-ASR 以及说话人分离能力。
阅读全文Nemotron 3.5 Transcribe 将转写、说话人识别、翻译和音频问答整合到一个开放权重模型中,并配套 Granary v2 数据管线与微调工具。它支持 40 种语言,开发者还可以通过自然语言提示或训练适配专业场景。
阅读全文Block推出语音模型Dessa,主打完全基于人类语音训练、实时听说并行,以及笑声、停顿和哭腔等更自然的表达。模型目前尚未公开,但公司称其可在MacBook M4 Max等消费级设备上运行。
阅读全文科大讯飞发布星火语音基座大模型 SparkAudio 1.0,以及端侧模型 Spark-X2.6-4B,重点强化复杂音频理解、多人交互和端云协同。其披露称,语音大模型调用量同比增长超过20倍,部分端侧方案已具备约70%的云端能力。
阅读全文Qwen-Audio-3.1-ASR在上一代基础上扩展了多说话人转写和通用音频理解能力,并继续支持多语言、多方言识别。其模型家族还覆盖异步转写、低延迟流式识别和交互式语音输入等部署场景。
阅读全文Fish Audio 发布开源语音生成模型 Drama 3,将声音克隆、自然语言导演、多角色配音、语音修改和流式合成整合到同一套系统中。其核心并非只追求更像真人,而是让模型能够理解一段表演应如何完成、修改和衔接。
阅读全文苹果向欧盟委员会披露,已与个性化音频初创公司 Huxe 达成协议,将向部分员工发出聘用邀请,并获得其知识产权的非独家许可。该交易可能为苹果探索 AI 生成或个性化播客功能铺路,但公司尚未公开具体计划。
阅读全文传统级联式语音助手通常要等用户说完、模型完成判断后,才开始调用外部工具。新研究让系统根据流式语音识别的中间结果提前猜测工具请求,并在后台执行,以减少最终回答的等待时间。
阅读全文在肖恩·帕克和新管理层推动下,Stability AI正把业务重心转向音乐。公司获得索尼、华纳和环球等唱片公司的资金与版权支持,并推出新的音频模型及音乐编辑工具。
阅读全文YuE2尝试把符号化作曲与音频生成合并到同一套模型中:先规划旋律和和弦,再将其渲染为包含人声与伴奏的完整歌曲。报告显示,加入符号规划后,专家对作品整体质量和音乐性的偏好明显提升。
阅读全文StepAudio 3 Realtime围绕“持续聆听—对话—思考—行动”构建,试图同时解决语音交互中的理解深度、响应延迟与自然打断问题。其核心机制包括深度感知、无缝全双工和边说边想。
阅读全文Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking,重点提升实时语音交互、视觉理解、并行推理与后台工具调用能力。两款模型面向不同复杂度的语音代理任务,并已通过 API、Workspace、Search 和 Gemini 应用逐步开放。
阅读全文Google正在把多语言AI的目标从“翻译文本”推进到理解语气、情绪、方言和真实对话场景。其方案覆盖语音模型、社区数据、离线设备与无障碍沟通。
阅读全文X-AuT提出一套面向语音大模型的音频编码器渐进式压缩方案,在减少编码器层数的同时,尽量避免嵌入扰动带来的漏字和提前结束问题。实验显示,Qwen3-ASR-0.6B从18层压缩至14层后,音频塔参数减少20.7%,平均错误率为5.75%。
阅读全文小米开源工业级目标说话人语音识别大模型 CocktailASR-1,尝试解决多人同时讲话时的语音识别难题。它不只依赖降噪,而是先指定要听的对象,再输出目标说话人的内容。
阅读全文