语音识别是指计算机将语音信号转换为文本的技术，近年来在深度学习推动下取得了显著进步，特别是在实时性、多语言支持和纠错能力方面。当前，语音识别已从单一的转录任务演进为集成说话人分离、流式处理和多模态交互的智能语音接口。
语音识别近期进展
当前焦点与观察点
当前语音识别的焦点集中在开源与专用模型的竞争、多语言流式能力的普及、以及与大语言模型的融合。一方面，模型参数规模在减小，但精度和速度持续提升，如NVIDIA和微软的模型；另一方面，开源社区如Interfaze和FunASR降低了使用门槛，但需与LLM配合弥补鲁棒性。争议点包括：评测基准是否全面反映真实场景，模型部署成本与隐私问题，以及语音识别在对话系统中的应用边界。可以预见，语音识别将更紧密地嵌入Agent和实时交互场景，成为多模态AI的关键入口。