跳到主要内容
检索

# 语音识别

14 篇关联报道

订阅更新
  1. arXiv

    腾讯混元发布 Hy ASR 3.0:中文、英文、粤语公开基准聚合错误率均低于参评系统

    腾讯混元团队发布基于大语言模型的语音识别系统 Hy ASR 3.0,支持中文、英文、粤语及另外 12 个汉语方言组,并可用热词表、问答对话和摘要等外部上下文引导识别。在公开中文、英文、粤语基准上,其聚合错误率分别为 4.64%、5.22% 和 5.06%,均低于参评的非 Hy 系统;粤语单独聚合相对 Qwen3 ASR Flash 降低约 11.0%。系统还利用同一句话内部的信息区分同音或近音关键词,无需额外上下文输入。

  2. Hugging Face - Blog

    Falcon-ASR 把阿拉伯语识别做到 1.6B 参数:六套测试平均词错率 20.92%,重点照顾阿联酋方言

    阿布扎比技术创新研究院发布 1.6B 参数的语音识别模型 Falcon-ASR,主打阿拉伯语并特别覆盖阿联酋方言,同时支持英语、法语、西班牙语和葡萄牙语。在六套阿拉伯语测试集上,其平均词错率为 20.92%,低于所引排行榜快照中最佳已公布结果 23.17%;在内部阿联酋方言评测中,其词错率 22.73%、字错率 10.19%,为所比较系统里最低。模型还输出词级时间戳,把每个转写词对回音频中的位置。

  3. microsoft/VibeVoice

    微软发布VibeVoice-ASR-Streaming:语音还在输入,转写已按块给出说话人、时间与内容

    微软发布VibeVoice-ASR-Streaming,把此前需要整段音频一次性处理的“谁说了什么”转写改为随语音到达持续输出。此前的VibeVoice-ASR面向60分钟长音频单次处理,在64K token长度内生成含说话人、时间戳与内容的结构化转写。新模型按块输出文本,并支持自定义热词与10种语言。

  4. 助听器芯片把滤波和识别压进同一块ASIC:后综合面积16万平方微米,功耗1.4毫瓦

    助听器要在耳内有限的空间和电池下完成降噪与语音识别,高阶有限脉冲响应滤波器因乘加运算多而占用面积和功耗。该架构把无乘法器、无存储表的分布式算术有限脉冲响应滤波与深度谱神经网络放进同一块面向专用集成电路的设计,网络用近似Wallace树乘法器做推理。专用集成电路后综合分析给出16万平方微米面积、1.4毫瓦功耗和约2.1毫秒的硬件处理延迟,功能验证在MATLAB中完成,原型流片与实时硬件验证尚未进行。

  5. arXiv

    语音大模型不再按固定帧率压缩:让边界策略跟着识别结果学,英文少用约四分之一音频词

    ASSET 用强化学习训练语音编码器的分段边界,在 LibriSpeech 上以约少 25% 的音频词达到接近字符边界 oracle 的识别率。

  6. arXiv

    5美元芯片跑开放词表语音识别:13M参数模型留在闪存,同芯片上错误数比厂商方案少1.8–2.8个

    Oído把开放词表英语语音识别整体放到一块5美元的ESP32-S3上运行,该芯片没有神经加速器。此前这类微控制器只能做关键词唤醒或固定命令表,而13M参数的Conformer-CTC模型在int8下占14.0 MB,既装不进512 KB片上SRAM,也只能部分放进PSRAM。引擎按闪存与PSRAM带宽安排执行顺序,在LibriSpeech test-clean/test-other上得到3.70%/8.23%的词错误率,与全精度相差0.12个百分点以内,在同一芯片上错误数比厂商识别器少1.8–2.8个;实测单核运行时间为音频时长的1.97倍,尚不是实时。

  7. arXiv

    芬兰语语音模型不再只挑干净广播:从210万小时原始录音里按识别置信度筛出47.1万小时

    芬兰语语音自监督预训练不再只靠语音活动检测和语种识别挑数据。此前这类流程只保证片段里有语音,不判断语音质量;这套流程在语音活动检测和去重之后,用语音识别置信度作为预训练数据质量的代理,从210万小时原始广播中保留47.1万小时。在四个评测集上,置信度筛选比语种识别筛选的词错误率相对低3%到7%,尽管留下的训练数据更少。

  8. arXiv

    语音识别解码不再等逐字生成:草稿模块复用目标模型内部特征,Whisper 上无损提速 1.9 倍

    语音识别解码不必再逐字等待:一个复用目标模型内部声学与解码器特征的轻量草稿模块,在 Whisper 与 Conformer 上分别带来最高 1.9 倍和 2.4 倍的无损提速。

  9. Hugging Face Blog

    TII发布1.6B参数Falcon-ASR:六套阿拉伯语测试平均WER 20.92%,内部阿联酋方言评测22.73%

    阿布扎比技术创新研究院(TII)发布1.6B参数的语音识别模型Falcon-ASR,重点面向阿拉伯语及阿联酋方言,同时支持英语、法语、西班牙语和葡萄牙语;在六套阿拉伯语测试集上平均词错误率20.92%,优于其引用的最佳已发布结果23.17%,在内部阿联酋方言评测中取得22.73%词错误率和10.19%字错误率,为所比较系统中最优,并提供词级时间戳。

  10. NVIDIA Technical Blog

    NVIDIA 用 SADA 与 FLEURS 微调 Nemotron 3.5 ASR,将沙特 Najdi 与 Hijazi 方言 WER 从 55.05% 降至 29.96%,英语同时小幅改善

    这篇 NVIDIA 教程以 Cache-Aware FastConformer-RNNT 多语种流式 ASR 模型为基础,在 SADA 2022 的 Najdi 与 Hijazi 沙特方言数据上做最小化筛选(保留 103,559/125,490 条、133.7 小时、82.5%)、按 90% 沙特语音加 7% 英语与 3% 阿拉伯语 FLEURS 的加权回放混合、时长分桶批处理,并在两块 GPU 上训练 12,000 步约 4.5 小时,使 Najdi+Hijazi 测试集 WER 从 55.05% 降到 29.96%、CER 从 31.63% 降到 12.18%,全 SADA WER 从 58.84% 降到 35.61%,同时 FLEURS 英语 WER 从 11.04% 降到 10.42%、阿拉伯