语音识别相关技术文章

php mysql shell go vue css api接口对接支付接口对接

WechatSI 语音插件接入：AppID、app.json 配置与 5 个常见报错

WechatSI 语音插件接入：AppID、app.json 配置与 5 个常见报错
2026-09-17 22:43:15
记录小程序 WechatSI（微信同声传译）插件的接入流程：后台添加插件、app.json 声明、语音识别与合成代码，以及插件未授权、真机无声、合成超时、流式朗读乱播、配额超限 5 个常见问题，另附 Vant Weapp、ECharts、腾讯地图、dayjs 等常用插件。
微信小程序 WechatSI 语音识别语音合成小程序插件

FireRedAudio 开源：小红书把音频理解和生成塞进同一个 9B 模型，六项能力全榜单第一

FireRedAudio 开源：小红书把音频理解和生成塞进同一个 9B 模型，六项能力全榜单第一
2026-09-12 09:57:11
FireRedAudio 是小红书超级智能团队开源的统一音频语言模型：9B LLM 骨架配 Audio Encoder（理解）与 RedAE（生成）双通路，一个模型同时支持 ASR、音频理解问答（MMAU 82.0/MMSU 83.3 双第一）、1 小时长录音结构化分析、零样本声音克隆（Seed-ZH CER 0.83%）、自然语言声音设计与语义/声学级语音编辑；论文 arXiv 2608.24168，HuggingFace/ModelScope 均可下载。
FireRedAudio 音频大模型语音识别 TTS 小红书

SoulX-Transcriber 开源：端到端多人对话转录，社交对话场景 DER 低至 1.32%

SoulX-Transcriber 开源：端到端多人对话转录，社交对话场景 DER 低至 1.32%
2026-09-12 09:53:16
SoulX-Transcriber 是 Soul App 联合西北工业大学 ASLP@NPU 与 Moonstep AI 开源的端到端多人对话转录模型：统一框架直接输出带时间戳、说话人身份与文本的结构化结果，处理重叠发言、快速切换、同性别混淆更自然；在 AISHELL-4、AliMeeting 等基准大幅超越 Gemini 3.1 Pro 等闭源模型，社交对话场景 DER 低至 1.32%。
SoulX-Transcriber 语音识别多人对话端到端 Soul

faster-whisper：Whisper 推理提速 4 倍、显存砍半的 CTranslate2 实现

faster-whisper：Whisper 推理提速 4 倍、显存砍半的 CTranslate2 实现
2026-09-12 09:46:57
faster-whisper 基于 CTranslate2 重写 OpenAI Whisper 推理引擎：13 分钟音频转写从 2 分 23 秒降到 59 秒（批量模式 16 秒），显存占用降低约 38%，内置 Silero VAD 防幻觉，API 与官方版几乎一致，迁移只需改几行代码。
faster-whisper Whisper 语音识别 CTranslate2 量化

减少 Whisper 幻觉转写：推理时的幻觉空间低秩投影

减少 Whisper 幻觉转写：推理时的幻觉空间低秩投影
2026-09-07 12:13:58
arXiv 新研究：从非语音校准数据估计幻觉关联子空间，推理时把解码器隐藏状态投影远离该子空间。非语音基准幻觉率从 31.31% 降到 2.44%（相对降 92%），无需重训、可叠加现有部署。
AI 语音识别 Whisper 论文

Hugging Face Transformers v5.16.0 发布：新增 Qwen4-Exp、Granite Speech 5.0 与 Step-3.7-Flash 支持

Hugging Face Transformers v5.16.0 发布：新增 Qwen4-Exp、Granite Speech 5.0 与 Step-3.7-Flash 支持
2026-09-07 03:11:58
Hugging Face Transformers v5.16.0 发布：新增 Qwen4-Exp（线性+稀疏注意力混合架构）、Granite Speech 5.0 Turbo CTC（4.7 亿参数轻量 ASR）和 Step-3.7-Flash（198B 稀疏 MoE 视觉语言模型）支持，共 114 个提交。
HuggingFace Transformers Qwen4 语音识别 MoE 大模型视觉语言模型

Moonshine 深度解剖：比 Whisper 快 5 倍的端侧语音识别引擎——变长音频、卷积前端、RoPE 与实时流式 ASR 工程实战

Moonshine 深度解剖：比 Whisper 快 5 倍的端侧语音识别引擎——变长音频、卷积前端、RoPE 与实时流式 ASR 工程实战
2026-07-26 01:44:11
深度拆解 Moonshine 端侧语音识别引擎：为何扔掉梅尔频谱与30秒定长、直接吃原始波形按变长计算，配合卷积前端与RoPE做到比Whisper快5倍、体积仅27MB。含Python/ONNX推理、Silero VAD实时流式管线、int8量化与端侧部署优化Checklist。
Moonshine 语音识别 ASR 端侧AI Whisper 流式识别 ONNX RoPE 模型量化边缘计算

Moonshine 深度解剖：27M 参数挑战 Whisper——可变长度推理、RoPE 与毫秒级流式延迟的边缘 ASR 工程真相

Moonshine 深度解剖：27M 参数挑战 Whisper——可变长度推理、RoPE 与毫秒级流式延迟的边缘 ASR 工程真相
2026-07-25 13:44:10
深度拆解 Moonshine 边缘端语音识别模型：可变长度推理如何免除 Whisper 的 30 秒填充税、RoPE 与卷积波形前端的架构决策、34ms 流式延迟原理，附 Python/ONNX/浏览器三条部署路线与量化调优实战。
Moonshine 语音识别 ASR Whisper 边缘计算 RoPE ONNX INT8量化流式识别开源

本地优先的 AI 会议助手工程实战：从实时流式 ASR 到零云端 LLM 摘要全链路拆解

本地优先的 AI 会议助手工程实战：从实时流式 ASR 到零云端 LLM 摘要全链路拆解
2026-07-10 04:42:09
以 GitHub Trending 榜首 Meetily 为引，从零手搓本地优先的 AI 会议助手：麦克风采集、Silero VAD 切句、faster-whisper 流式转写、pyannote 说话人分离、Ollama 本地 LLM 摘要，含可运行代码与量化/延迟/内存优化。
本地AI 会议助手语音识别 Whisper Ollama 隐私计算实时转录

零成本在本地跑 Whisper：从视频自动生成双语字幕

零成本在本地跑 Whisper：从视频自动生成双语字幕
2026-06-08 15:48:58
详解 whisper_v3 项目核心代码：用 Faster-Whisper 从视频自动生成带时间戳的 SRT 字幕，配合 DeepSeek API 翻译，全程跑在本地 RTX 5060 Ti 上，零成本隐私友好。
Whisper 语音识别 Faster-Whisper Python SRT字幕

VibeVoice 深度解析：微软开源语音AI全家桶——从7.5Hz超低帧率到Next-Token Diffusion的技术革命

VibeVoice 深度解析：微软开源语音AI全家桶——从7.5Hz超低帧率到Next-Token Diffusion的技术革命
2026-05-17 18:16:11
微软开源的VibeVoice通过7.5Hz超低帧率连续语音分词器和Next-Token Diffusion框架，实现了60分钟长音频识别、90分钟多角色语音合成、300ms实时流式TTS三大突破，被ICLR 2026接收为Oral论文。
AI语音语音识别语音合成开源项目微软

Insanely Fast Whisper 深度解析：比原版快 10 倍的语音转文字引擎——从原理到生产级部署的完整实战

Insanely Fast Whisper 深度解析：比原版快 10 倍的语音转文字引擎——从原理到生产级部署的完整实战
2026-04-29 16:24:38
深入解析Insanely Fast Whisper的优化原理、代码实战与生产部署，比原版Whisper快10倍的语音转文字方案
AI 语音识别 Whisper Insanely Fast Whisper

VibeVoice 深度解析：微软 45K Star 开源语音 AI，重新定义长音频处理范式

VibeVoice 深度解析：微软 45K Star 开源语音 AI，重新定义长音频处理范式
2026-04-29 11:11:12
深度解析微软开源语音AI框架VibeVoice：60分钟单次ASR、90分钟多说话人TTS、200ms实时语音合成，7.5Hz超低帧率Tokenizer+Next-Token Diffusion架构，45K Star项目技术全解析
VibeVoice 语音AI ASR TTS 微软开源深度学习语音识别语音合成

Pynini是一个开源的Python库，专注于构建语言模型和处理字符串

Pynini是一个开源的Python库，专注于构建语言模型和处理字符串
2024-11-19 04:26:54
Pynini是一个开源的Python库，专注于构建语言模型和处理字符串，利用有限状态转换器（FST）实现高效的字符串匹配和转换。它提供丰富的操作符和函数，易于与其他NLP工具集成。Pynini可用于语音识别、拼写检查和词性标注等多个领域，适合处理复杂的语言结构。
编程自然语言处理开源工具机器学习语音识别

Vosk-API 是一款开源的离线语音识别工具包

Vosk-API 是一款开源的离线语音识别工具包
2024-11-19 07:51:49
Vosk-API是一款开源的离线语音识别工具包，支持多种编程语言和超过20种语言，提供准确可靠的语音识别服务。其特点包括轻量级模型、零延迟响应和可重构词汇量，适用于聊天机器人、智能家居设备等多种场景。Vosk-API适合在各种设备上使用，从小型设备到大型集群均可扩展。
语音识别开源工具技术支持 Vosk-API

大家都在搜索什么？

devops 易支付一个官网+多少钱统一接受回调统一回调 python sub node 宝塔日志 mysql shell ElasticSearch css vue api接口对接 2025 支付接口对接 go php php回调