跳到正文
10月22日周四
  1. arXiv · NLP21

    说话人锚定全双工对话恢复:通过路由模块降低错误轨道时间

    新提出的1.84M参数说话人锚定路由模块在扩散生成前将分离语音流匹配至固定身份,无需重训生成器。该模块将远程对话中的错误轨道时间从43.9%降至4.1%,固定轨道活动F1分数从0.46提升至0.84,且重建质量保持不变。 此方法可迁移至面对面及电话录音,结合边距门控验证步骤,使错误轨道时间进一步降至0.9%-1.7%,为全双工对话建模提供参与者一致的语音轨道。

  2. arXiv · NLP31

    如何使用激活引导技术提升 ASR 系统的性能与公平性

    激活引导技术中,监督优化比成对减法更有效,能同时提升语音识别(ASR)总体性能及性别、年龄、方言等维度的公平性。研究指出,利用声学相似演讲者训练引导向量(SV),其性能可媲美甚至优于使用同一人或相同人口统计组训练的结果。这表明该技术可支持基于人口统计信息的少样本适配,或在无标签情况下实现零样本适配。

  3. arXiv · NLP21

    MoPE-LoRA:基于音素专家混合的 Conformer 模型低秩适应方法

    研究提出 MoPE-LoRA 框架,通过将低秩专家对齐至发音类别实现带口音英语识别的参数高效适应。 该方法包含 6 个专家并采用混合路由机制,在 L2-ARCTIC 零样本评测中较单 LoRA 提升 12.3% 相对准确率。 结果表明按音素分解比按口音适配更具可扩展性与可迁移性,已被 Interspeech 2026 录用。

  4. arXiv · NLP25

    AutoTerm-SST:零会话时设置的流式语音翻译自适应术语记忆系统

    AutoTerm-SST 通过离线术语目录和话题切片,实现无需会话时上传术语表即可进行流式语音翻译。 在 ACL 和 ESO 肿瘤学演讲测试中,其术语准确率(88.3%)和 BLEU 分数(45.09)与已知领域基准持平,并优于百万条合并术语表。 系统运行 RTF 为 0.406,vLLM 主机可支持 32 个实时会话,展示了实时且无需设置的术语感知翻译能力。

10月21日周三
  1. Hugging Face Blog70

    IBM 发布 Granite Speech 5.0 系列模型与更新版本,支持高精度多语言转写、翻译及极速端侧推理

    IBM 发布三款语音模型更新:新模型 granite-speech-5.0-2b 支持多语言高精度 ASR、翻译及 2000 词关键词偏置,英文短文本 WER 为 5.06%。

    推荐理由:IBM 发布并更新了 3 款开源语音模型,分别针对多语言高精转写、端侧极速推理与多说话人归属场景,给出了具体性能指标对比。

  2. 阿里语音AI77

    Qwen-Audio-3.1-Realtime 发布:实现全双工实时语音交互

    Qwen-Audio-3.1-Realtime 发布,实现“边听、边想、边说、边动”的全双工实时语音交互,支持并行工具调用与异步任务执行。在 Audio MultiChallenge 评测中达到 52.21% 通过率,在 Full-Duplex-Bench v1.5 中用户打断响应率 84.5%,表现优于 GPT-Realtime-2。

    推荐理由:原文给出了全双工交互架构和多模态后训练方法,读者可以据此了解实时语音Agent的技术实现路径。

  3. arXiv · AI20

    SLM-SS:基于令牌生成模型的语音分离框架

    SLM-SS 提出基于令牌的生成式语音分离框架,利用语音语言模型处理多人混音。 在 Libri2Mix 数据集上,SLM-SS 结合 per-talker NAR 策略实现 6.92% 的词错误率。 WavTokenizer 变体在未见过的噪声及中文混合场景中保持客观与主观质量优势。

  4. 智东西40

    两只兔子连推三款AI母婴硬件,融资超2亿拟冲刺港股IPO

    杭州AI母婴科技公司两只兔子发布求知3 AI安全座椅、Ori Ring灵犀智能指环及FreeAir AI免手扶吸奶器三款新品。 三款产品分别搭载儿童AI大模型、女性周期监测算法及App智能控制,覆盖儿童出行、女性健康与哺育场景。 公司累计融资超2亿元,GMV同比增长200%,计划于2028年冲刺港交所IPO。

  5. 智东西79

    蚂蚁百灵开源Ming-3.0系列语音模型,支持语音合成、识别与音频理解

    蚂蚁百灵开源Ming-3.0系列五款语音模型,覆盖TTS、ASR与音频理解场景,权重已在Hugging Face和ModelScope开放。Ming-3.0-tts-0.5B通过自然语言指令控制表演细节,Ming-3.0-audio-flash实测可分析多人对话性格并定位背景音位置,ASR模型支持热词与上下文辅助识别。

    同一新闻,精选展示《蚂蚁百灵开源 Ming-3.0 语音系列模型》

  6. Mistral AI76

    Mistral 发布 Voxtral 3 语音智能体模型与 SDK

    Mistral 发布 Voxtral 3 系列,包含语音转文本、文本转语音模型及基于 LiveKit 的语音智能体 SDK。语音转文本模型 Voxtral Small Transcribe 3 支持 50 多种语言,在 FLEURS 基准测试中表现优于 Whisper 和 Gemini 3.5 Transcribe。

    推荐理由:Mistral 推出 Voxtral 3 语音智能体 SDK 及模型,覆盖 50 多种语言,读者可借此了解其实时流式对话与工具调用的整合方式。

10月20日周二
  1. Hacker News AI65

    Show HN: Wyzowl 发布 CC0 协议 AI 音效工具包 SFX Kit

    Wyzowl 发布了 SFX Kit,这是一个包含 320 个原创音效的 CC0 协议工具包,专为视频、动画和界面设计,并强调对 AI 工具的易用性。该工具包提供 WAV 格式文件(48 kHz, 24-bit,共 67 MB),每个音效均附带详细元数据(如使用场景、同步点、响度指标)以支持 AI 智能体自动选择和混音。

  2. 36氪69

    澳大利亚公司 Apate.ai 用 35 万个 AI 虚拟身份拖住诈骗电话并收集反诈情报

    澳大利亚公司 Apate.ai 构建约 35 万个可打电话、发短信的 AI 虚拟身份,与诈骗电话进行主动交互,借此获取诈骗网站、银行账户、加密货币钱包地址等反诈情报,并为运营商和银行客户提供拦截能力。该公司今年 8 月完成 815 万美元种子轮融资,客户包括 Commonwealth Bank 和 TPG Telecom。

  3. 阿里语音AI67

    阿里云百炼多模态交互套件升级 Qwen-Audio-3.1 语音模型

    阿里云百炼多模态交互套件升级 Qwen-Audio-3.1 语音模型,提供低延时流式 ASR 与流式 TTS 能力,支持30种语言和16种中文方言。TTS在 Artificial Analysis 语音排行榜中取得1177 Elo评分;相较上一代,TTS 价格降低约70%,ASR 价格降幅达95%。

    推荐理由:升级聚焦ASR与TTS两端能力与成本,开发者可据具体指标评估硬件接入路径。

  4. 百灵大模型78

    蚂蚁百灵开源 Ming-3.0 语音系列模型

    蚂蚁百灵开源 Ming-3.0 语音系列模型,涵盖语音合成、音频理解与对话、语音识别三大方向,共包含五款模型。其中 Ming-3.0-tts-0.5B 在 Artificial Analysis 的 Pronunciation Robustness 测试中得分 93.2%,并列全榜单第一。

    推荐理由:蚂蚁百灵开源 Ming-3.0 语音系列,提供语音合成、音频理解与识别能力,并公开了模型下载与 API 入口。

  5. APPSO41

    Apate.ai 训练 35 万个 AI 虚拟身份对抗诈骗,累计消耗骗子 17 年通话时长

    Apate.ai 训练 35 万个 AI 虚拟身份拦截诈骗电话,累计进行 250 万次对话,消耗骗子时间达 17 年。 公司完成 815 万美元种子轮融资,系统通过 SIP/RTP 协议接入,在 AI 对话中收集诈骗账户等关键情报。 该模式使运营商无需用户安装软件即可自动拦截风险,将反诈从被动响应转为主动情报获取。

  6. arXiv · NLP65

    论文提出合成正样本微调法,将 Whisper 静默幻觉率从 61.9% 降至 2.4%

    arXiv 论文针对 Whisper 在纯静默音频中产生 61.9% 幻觉词的问题,提出使用语音合成系统生成 6,267 条正样本进行微调。实验显示该方法将静默音频幻觉率降至 2.4%,真实无语音音频出词率从 99.9% 降至 47.8%,同时短语恢复率从 69.8% 提升至 82.7%,在保持英语准确率的所有测试对中均有效。

    推荐理由:作者实测指出 Whisper 静默幻觉率高达 61.9%,并提出使用合成正样本微调法,将幻觉率降至 2.4% 且未牺牲转写准确率。