Mistral Voxtral 4B 登場：低於 500ms 的開源即時語音模型，挑戰 Gemini 與 GPT-4o 霸權
Mistral Voxtral 4B 登場，這款全新的語音模型不只具備 40 億參數的精巧體積，更以驚人的低延遲和 Apache 2.0 開源授權，打破了目前語音轉錄市場的既有規則，為開發者帶來了前所未有的本地端運算潛力。
52 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 2 / 3 頁Qwen3-ASR 重磅開源：挑戰 Whisper 霸主地位，連「唱歌」與「方言」都能精準識別？
長期以來，OpenAI 的 Whisper 系列模型幾乎成了開源語音識別（ASR）領域的標準答案。每當開發者需要處理語音轉文字的任務時，腦中浮現的第一個名字通常都是它。但坦白說，這種「一家獨大」的局面似乎正在被打破。Qwen 團隊（通義千問）近日無預警釋出了 Qwen3-ASR 系列，這不 …
擺脫切碎的錄音檔！Microsoft VibeVoice ASR 挑戰一小時不間斷的精準轉錄
告別破碎的逐字稿！Microsoft 推出 VibeVoice-ASR，解決傳統 AI 長音訊切分導致的語意脫節。支援單次處理 60 分鐘錄音，精準整合「內容、講者、時間軸」，讓長篇會議與 Podcast 轉錄不再出錯。
MOSS-Transcribe-Diarize 發布：這款多模態 AI 終於聽懂了多人吵架與方言梗？
OpenMOSS 團隊於 2026 年初重磅發布 MOSS-Transcribe-Diarize，這是一款端到端的多模態大型語言模型。它不僅能精準進行語音轉錄，還解決了長久以來「多人重疊對話」與「情緒語音」識別的難題。本文將帶您深入了解這項技術如何超越 GPT-4o 與 Gemini，並實 …
開源語音識別新秀 GLM-ASR-Nano-2512 登場，實測數據超越 OpenAI Whisper V3
GLM-ASR-Nano-2512 以 1.5B 參數量的輕量化設計，在多項語音識別基準測試中擊敗了 OpenAI Whisper V3。這款開源模型不僅在粵語等方言識別上表現出色，更能精準捕捉低音量的「耳語」對話，為開發者與研究人員提供了高效且強大的新選擇。
Meta AI 震撼彈：Omnilingual ASR 如何讓 1600 種語言「開口說話」？
Meta AI 發表了革命性的 Omnilingual ASR 技術，支援超過 1600 種語言的語音辨識，特別是那些資源稀少的語言。這項開源技術不僅打破了技術瓶頸，更希望透過社群力量，真正弭平數位世界中的語言隔閡。
阿里 Qwen 家族再添猛將！Qwen3-ASR-Flash 登場，語音辨識還能這麼玩？
探索阿里巴巴最新推出的 Qwen3-ASR-Flash 語音辨識模型。它不僅支援 11 種語言，還能自動偵測語種、過濾雜音，精準度超乎想像。本文將深入解析其強大功能與實際應用場景，看看這個 AI 新星如何改變我們的溝通方式。
Parakeet-TDT-0.6b-v3：NVIDIA 開源新利器，顛覆多語言語音轉文字體驗
探索 NVIDIA 最新推出的 Parakeet-TDT-0.6b-v3 模型，這款擁有 6 億參數的 AI 模型如何以驚人的效率和準確性，支援 25 種歐洲語言的即時語音轉文字，並為開發者和企業帶來全新的可能性。
Kyutai STT：比 Whisper 更快？法國 AI 新星挑戰即時語音辨識極限
認識 Kyutai STT，這款來自法國的開源語音轉文字模型，不僅在速度和準確性上挑戰 OpenAI 的 Whisper，更帶來了專為即時互動而生的創新架構。無論是開發者、研究員還是 AI 愛好者，這篇文章將帶你深入了解它的獨到之處。
NVIDIA Parakeet 語音辨識模型：6億參數挑戰 OpenAI？1秒轉錄60分鐘音檔，開源又強大！
AI 語音辨識領域風起雲湧！NVIDIA 最近在 Hugging Face 上開源釋出的 Parakeet TDT 0.6B V2 模型，憑藉著驚人的轉錄速度、媲美商業工具的準確度，以及佛心的開源授權，迅速成為焦點。這隻「小鸚鵡」究竟有何神力？讓我們一起來看看！