#语音识别
这篇论文提出了一个很酷的架构，叫Residual Full-Rate PR，它用AddUNet来学习任务导向的表示，在语音识别任务上效果不错。
这个研究很实用，它详细分析了不同AI模型在处理英语和约鲁巴语混合语音时的表现差异，特别是那些切换点错误率的数据，对做相关研究或评估模型的人很有参考价值。
PolyAI出了个新对话模型Dialog-RSN-1，直接听人说话不用转文字，还能自动接话和调函数，延迟不到300毫秒。
阿里把语音识别模型更新到 3.0，医疗等专业词识别更准了，错字率低到 1.7%，还开放了三个版本随便用。
OpenAI 出了新语音转文字模型，错误率比 ElevenLabs 高不少，自己测试可以，正经用还是优先选 ElevenLabs 吧。
OpenAI 这次发了两个转录模型，gpt-transcribe 在真实录音上词错误率只有 8.98%，比之前的 Whisper-1 好了一半，而且每分钟还便宜 25%，做语音转录的可以看看。
OpenAI 出了两款转录模型，GPT-Live-Transcribe 实时转录延迟低，GPT-Transcribe 批量处理更便宜，错误率比 Whisper 低一半多。
Grok STT 刚上线 OpenRouter，25 种语言语音转文字才 0.1 刀一小时，还有说话人分离，做音频处理很划算！
小米语音首席科学家拿了 ISCA Fellow，Kaldi 和 OmniVoice 都是他搞的，业内公认的语音大神。
阿里刚发的Qwen-Audio-3.0-Realtime，实时语音四项升级，又快又聪明，做语音交互项目的可以试试。
这个研究用DiffusionGemma做语音识别，并行解码8步就达到6.6%错误率，只训练了0.16%的参数，挺高效的。
Cohere搞了个阿拉伯语语音模型，20亿参数，专门对付方言和双语，据说比Whisper还牛，搞语音识别的快试试。
小米新出的语音模型 MiMo-V2.5-ASR 能听方言、混中英文、扛噪音，每小时才五毛钱，适合做语音转录的朋友试试。
阿里千问发了新语音模型，支持30种语言+16种方言，方言准确率干过火山腾讯，离线版字错率全球最低。
xAI把语音转文字、大模型、文字转语音三个环节整合到一个接口里，延迟更低、故障更少，用Grok Voice搞语音交互的可以试试。
Together 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。
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。
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。
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。