speech recognition

"结果表明，Whisper 模型表现最好。"

"结果表明，基于歌曲的微调比零样本基线提高了性能。"

"Moonshine Voice"

"我们将这种不足称为文本-语音理解差距：当语音适配的 LLM 处理语音输入时观察到的性能下降，相对于原始的基于文本的 LLM 处理等效文本时。"

"我们的实验成功地个性化了多个语音识别和图像分类模型，包括ImageNet上的ResNet50，在没有反向传播的限制下，导致稀疏性增加了约70%，同时将模型准确率提高到约90%。"

"我们的两个SiLIF模型在基于事件和原始音频的语音识别数据集上，都实现了脉冲神经元模型中新的最先进性能。"

"Deepgram Inc. 的联合创始人兼首席执行官 Scott Stephenson 说：“你必须在 500 毫秒或更短的时间内完成所有你需要做的事情。”"

"本文基于截至 2026 年 2 月的研究趋势，分析了语音令牌无法参与 LLM 推理（思考）的结构性原因，以及这是否真的可以解决。"

"我正在构建 Utterance，一个开源 SDK（MIT 许可），它在浏览器或设备上完全运行一个小型 ML 模型（大约 3-5MB，ONNX）。"

"这位博主并非依靠麻将技巧取胜，而是凭借一套自主开发的 AI 智能眼镜麻将辅助系统实现 “开挂”"

"此应用程序专为工厂等特殊环境中的使用而设计。"

"这不仅仅是“再现实现”。 这是一个历史性的转折点，标志着语音 AI 开发的领导权已从科技巨头手中回到了我们工程师手中。"

"在AISHELL-1和同音字数据集上的实验表明了我们方法的有效性，与强大的基线相比，命名实体字符错误率分别降低了17.96%和34.42%。"

"当音频和文本冲突时，语音使能的语言模型会遵循文本，这比在两个文本来源之间仲裁时发生的频率高 10 倍，即使明确指示信任音频也是如此。"

"使用 NxD Inference 无需手动编译、Tensor Parallelism、KV-Cache 等，即可搭上大规模分布式推理的框架。"

"一直在构建 Izwi，这是一个用于语音工作流程的完全本地音频推理栈。没有云 API，数据也不会离开你的机器。"

"根据 aiOla 的说法，QUASAR 将识别说话者的特征（例如他们的口音）以及音频条件和领域上下文，并将他们的音频信号发送到最合适的自动语音识别系统，以便以更高的精度进行转录。"

"我将ASR输出导入LLM以进行实时逻辑提取，但我正在努力解决语音噪声问题。"

"Alexa+现已在Alexa.com上可用。"

"我们可以高兴地报告说，通过调整模型，选定测试数据的字错误率降低了一半，同时我们设法消除了多达三分之二的字符级错误。"

"具体来说，他们处理了诸如：语音开头被截断、响应确认慢、用户语音被分割以及对等待响应的焦虑感等问题。他们花了一天时间来解决这些问题。"

"苹果本周确认已收购以色列AI初创公司Q.ai，交易价值接近20亿美元，使其成为该公司有史以来最大的收购之一，仅次于2014年以30亿美元收购Beats。"

"在多角度评估下，我们的智能体实现了14.51% 的 WER 降低以及实质性的语义提升，包括在具有挑战性的样本上，MENLI 提升了 +7.59 pp，Slot Micro F1 提升了 +7.66 pp。"

"在四个数据集上的实验表明，添加提示投影器可以持续提高性能，减少变异性，并且优于手动选择的最佳提示。"

"Qwen3-ASR系列ASR模型在复杂的声学环境和具有挑战性的文本模式下保持高质量和强大的识别能力。Qwen3-ASR-1.7B 在开源和内部基准测试中均取得了出色的性能。"

"此外，我们表明，可以完全删除自注意力机制，并且不进行替换，而不会观察到单词错误率的显着下降。"

"我们的结果表明，基于家族的连接器在减少参数数量的同时，提高了跨领域的泛化能力，为多语言ASR部署提供了实用且可扩展的策略。"

"Adlib展示“Nunki-chan”，这是一款智能手机应用程序，集成了图像识别、语音识别、对话生成和语音合成，所有这些都在离线状态下运行。"

"Here are the most notable AI models released or updated this week on Hugging Face, categorized for easy scanning 👇"

"By enabling the generation of realistic multichannel audio from moving sound sources and microphone arrays..."