NVIDIA Nemotron 3.5 Transcribe 與 Granary v2 深度解析：可提示、可微調的多語言語音全能模型
NVIDIA 開源 34B 語音模型 Nemotron 3.5 Transcribe 與 Granary v2 資料管線，採用 Mamba-Transformer MoE 架構，啟動僅 4.3B 活躍參數。整合多語言轉錄、多語者分離與音訊問答，支援最長 1 小時音訊與自然語言提示詞控制。
3110 月
主題選讀
#ASR
關於 ASR 的最新消息、技術解析與應用觀察。
主題文章
由新到舊，第 1 / 3 頁騰訊開源 5B 全模態解析模型 Youtu-Parsing-Omni：統一架構處理文件、圖表、音訊與影片
騰訊優圖實驗室發布 50 億參數規模的全模態結構化解析模型 Youtu-Parsing-Omni，主打單一編碼器與統一 OmniSchema JSON 輸出格式。
在 5 美元晶片執行開放詞彙辨識：ESP32-S3 離線語音專案 Oído 技術解析
開源專案 Oído 成功在約 5 美元的 ESP32-S3 微控制器上，運行完整的 Conformer 開放詞彙語音辨識模型。本文整理 Oído 的技術架構、模型量化方法、向量指令集優化、英文與西班牙語測試表現，以及目前在硬體資源與實體量測上的邊界限制，提供邊緣運算與嵌入式開發者具體的評估 …
Cactus Whistle 語音辨識模型解析：以 16.9 MB 體積實現邊緣裝置 CPU 本地推論
Cactus Compute 推出開源語音辨識模型 Cactus Whistle，檔案體積僅 16.9 MB，專為行動裝置、穿戴設備與微控制器設計。模型支援英、德、法、西、義、荷、波蘭等七種語言轉錄，具備單字時間戳與語音嵌入功能，可於 CPU 環境獨立運作，並與 Needle 引擎整合實現 …
Nemotron 3 Diarization：支援最多 8 位說話者的開放權重模型
NVIDIA Nemotron 3 Diarization 用於判斷多人對話中誰在什麼時間說話，支援離線與串流推論，並提供多種輸入緩衝延遲設定。
網易有道開源 Confucius4-R2T2：極低延遲、高精度的實時語音轉文字模型
Confucius4-R2T2 是網易有道推出的即時語音辨識模型，重點在低延遲、穩定追加輸出與串流轉錄。
OpenMOSS 0.9B 開源語音神作：端到端多語者轉錄與語者分離技術全解析
想一鍵搞定多人會議逐字稿？OpenMOSS 推出最新 MOSS-Transcribe-Diarize 0.9B 模型，採用端到端（End-to-End）單次處理技術，完美融合語音辨識（ASR）與語者分離（Diarization）。本文深度解析其 Qwen3+Whisper 架構、效能評估、 …
Cohere Transcribe Arabic 開源釋出！完美破解阿拉伯語方言與語碼轉換（Code-switching）ASR 難題
阿拉伯語語音辨識迎來重大突破！Cohere 推出全新 2B 參數開源模型 Transcribe Arabic，採用 Apache 2.0 協議，專門優化海灣、黎凡特與北非方言，精準處理阿英混雜的語碼轉換。其詞錯率 (WER) 僅 25.87，盲測表現超越 Whisper Large V3， …
單一模型通吃 40 種語言！NVIDIA Nemotron 3.5 ASR 打造低延遲 AI 語音助理的終極指南
想要打造毫無停頓感的 AI 語音助理？傳統的 ASR 模型往往在「延遲」與「準確率」之間難以取捨。本文全方位解析 NVIDIA 帶來的破局者——Nemotron 3.5 ASR，看它如何以單一模型通吃 40 國語言，並在效能上碾壓前代產品！
AI 日報: Cohere-transcribe 開源語音辨識：2B參數實現3倍推理效率，企業部署首選
Cohere 推出開源語音辨識模型 Cohere-transcribe，採用 2B 參數實現 3 倍推理效率，在 Hugging Face 排行榜奪冠。支援 14 種語言，專為企業生產環境打造，兼顧高準確度與低成本部署。