语音转录相关 AI 资讯 · AI 热点

7月29日

18:15

18:15

小互@imxiaohu

83°

OpenAI 发布 gpt-transcribe 和 gpt-live-transcribe 两个语音转录模型。在真实世界录音基准上，gpt-transcribe 词错误率为 8.98%，相比 Whisper-1 的 15.21% 下降约一半。价格方面，gpt-transcribe 每分钟仅需 $0.0045，比 Whisper-1 的 $0.006 便宜 25%。

AI模型 gpt-transcribe gpt-live-transcribe Whisper-1

推荐理由：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。

7月23日

04:33

04:33

官方账号Cohere@cohere

listen-habibi 是一个基于 Cohere Transcribe Arabic 和 vLLM 的开源工具，通过 Docker 运行，可将 YouTube 链接或本地音频/视频文件中的阿拉伯语音频自动转录为文本。它处理语音提取、格式转换、长音频分段并输出文本文件，适用于播客、讲座、访谈等场景。项目代码托管在 GitHub，支持一键部署。

AI产品 listen-habibi Cohere Transcribe Arabic vLLM

推荐理由：这个工具专门针对阿拉伯语语音转录，用 Cohere 的模型，跑在 Docker 里插链接或文件就能出文本，做阿拉伯语内容的朋友可以试试。

6月6日

07:44

07:44

Mustafa Suleyman@mustafasuleyman

Mustafa Suleyman 引用 ArtificialAnalysis 的图表指出，MAI-Transcribe-1 在语音转录性能上远超其他模型，处于独立领先地位。该模型在准确率和效率上表现突出，可能重新定义语音转录的标准。这对于依赖语音转文字服务的开发者和企业来说是一个重要信号，意味着更高质量和更低延迟的转录体验。

AI模型 MAI-Transcribe-1 语音转录模型性能

推荐理由：语音转录是许多 AI 应用的基础，MAI-Transcribe-1 的突破意味着做语音助手、会议记录或字幕生成的团队可以直接获得更优方案，值得关注。

5月14日

13:27

13:27

官方账号arXiv cs.AI@Ziheng Zhang, Yunzhong Hou, Naijing Liu, Liang Zheng

精选

WARDEN 是一个针对极度低资源场景设计的语言模型系统，能够将澳大利亚濒危原住民语言 Wardaman 转录并翻译成英语。由于仅有6小时标注音频数据，传统的大规模端到端方法不可行，因此 WARDEN 采用两阶段架构：先进行音素转录，再翻译成英文。研究提出了两项关键技术：从与 Wardaman 音素相似的 Sundanese 语初始化转录模型，以及利用专家标注的 Wardaman-英语词典增强大语言模型的翻译推理。实验表明，在极低数据条件下，两阶段设计优于统一模型，WARDEN 仅用6小时数据即超越更大规模的开源和商业模型。代码与数据已开源。

论文低资源语言语音转录翻译

推荐理由：低资源语言处理是 NLP 的硬骨头，WARDEN 用两阶段设计+跨语言迁移+词典增强给出了可行方案，做低资源 ASR/NMT 的研究者可以直接参考其技术路线。