1
科大讯飞发布全新语音识别大模型 Spark-ASR-2.0，明日上线讯飞输入法
IT之家 9 月 23 日消息，今日，科大讯飞正式发布最新一代语音识别大模型 Spark-ASR-2.0。 据官方介绍，Spark-ASR-2.0 通过非自回归与 LLM 增强自回归协同、中英文混合文本与声学联合增强、动态上下文注入等关键技术创新，整体的语音识别效果大幅提升，尤其在通用识别（中英文混…
2
Language Family Matters: Evaluating LLM-Based ASR Across Linguistic Boundaries
针对不同语系评估大模型语音识别表现，揭示跨语言泛化差异，为多语言ASR提供新视角。
arXiv:2601.18899v3 Announce Type: replace-cross Abstract: Large Language Model (LLM)-powered Automatic Speech Recognition (ASR) systems achieve strong…
3
识别、合成、实时交互全球第一，Qwen-Audio-3.0 系列语音模型上线阿里千问 AI 平台
全球语音AI评测三项第一，阿里Qwen-Audio-3.0正式上线，识别、合成、实时交互全线领先，语音大模型迈入新台阶。
IT之家 8 月 17 日消息，今天（17 日）下午，阿里云通过公众号宣布，Qwen-Audio-3.0 系列语音模型正式上线千问 AI 平台和阿里云百炼平台。 开发者可以通过 API 服务调用模型能力，也可以订阅 Token Plan 使用 。 Qwen-Audio-3.0 系列模型是阿里巴巴推出…
4
Show HN: Dictata – Local Whisper dictation with LLM cleanup
本地语音转文字加AI润色，隐私安全还免费
Article URL: https://github.com/AntoineChatry/Dictata Comments URL: https://news.ycombinator.com/item?id=49306462 Points: 3 # Comments: 0
5
The Role of Disfluencies in Speech Translation
探究语音翻译中停顿、语气词等不流畅现象的作用，为提升语音翻译模型的鲁棒性提供新视角。
arXiv:2608.02138v1 Announce Type: new Abstract: Current speech translation systems, including SpeechLLMs, are trained on cleaned text and tend to stri…
6
腾讯混元发布语音识别模型 Hy ASR 3.0 preview，元宝已首发上线
IT之家 8 月 4 日消息，腾讯混元今日发布了新一代语音识别模型 Hy ASR 3.0 preview。 官方表示，基于最新一代大语言模型 Hy3 的语言理解能力，Hy ASR 3.0 preview 融合高精度语音识别与深度语义理解能力， 在通用识别、上下文感知、多场景鲁棒性以及方言覆盖等核心维…
7
8
印度人工智能企业 Sarvam AI 将开发 T 级模型
印度AI公司Sarvam宣布开发T级模型，主打“自产Token”避免向外国付费。
IT之家 7 月 31 日消息，印度人工智能企业 Sarvam AI 在当地时间本周四开幕的首届 Sarvam Epoch 会议上宣布， 该公司将开发参数达到万亿量级的人工智能模型 。 Sarvam AI 表示，其现有的 105B 模型在诸多方面表现出色，语音模型则能提供显著优于全球竞争者的性价比。…
9
阿里发布 Qwen-Audio-3.0-ASR-Flash 语音识别大模型，让 AI 更好听懂专业词汇
阿里新一代语音识别大模型，专攻行业专业词识别，还能输出结构化文本，利好AI落地场景。
IT之家 7 月 31 日消息，阿里巴巴今日发布语音识别大模型 Qwen-Audio-3.0-ASR-Flash 。简单来说，就是让 AI 更好地听懂专业词汇。 Qwen-Audio-3.0-ASR-Flash 主要在上下文一致性、行业词识别和热词定制化三个维度做了系统性的优化，同时让模型具备语音润…
10
OpenAI 引入两种转录模型：低延迟、更好理解上下文
OpenAI推出两款新转录模型，价格低、错误率大幅优于Whisper，语音识别再进化。
IT之家 7 月 29 日消息，OpenAI 公司今天（7 月 29 日）在 X 平台发布公告， 宣布推出 GPT-Live-Transcribe 和 GPT-Transcribe 两种转录模型，并支持通过 API 方式调用。 调用费用方面 GPT-Live-Transcribe 转录费用为每分钟 …
11
MEUSLI: a Multilingual Projector for LLM-based ASR and Beyond
新研究MEUSLI：轻量多语言投影仪桥接语音编码器与LLM，提升ASR性能，值得关注。
arXiv:2607.22100v1 Announce Type: cross Abstract: Lightweight projectors are an established way to connect pre-trained speech encoders with large lang…
12
小米语音首席科学家 Daniel Povey 当选 2026 ISCA Fellow，全球仅 100 余人获此殊荣
一个定义时代的语音科学家：Daniel Povey 获 ISCA 最高荣誉，开源工具 Kaldi 影响全球
IT之家 7 月 16 日消息，@小米技术 官方账号今天（7 月 16 日）发布博文， 宣布小米语音首席科学家 Daniel Povey 当选 2026 ISCA Fellow。 IT之家援引博文介绍，ISCA Fellow 是国际语音通信协会（ISCA）授予的最高学术荣誉， 自 2007 年设立以…
13
GigaChat Audio: Time-aware Large Audio Language Model
GigaChat Audio 是时间感知音频语言模型，精准理解音频内容与时间关系，提升语音识别与生成质量。
arXiv:2607.10387v1 Announce Type: cross Abstract: Temporal grounding in long recordings remains challenging for audio-conditioned LLMs. We present a t…
14
阶跃星辰端侧模型全家桶 Step Edge 登场，面向手机、汽车等终端场景
阶跃星辰推出端侧模型全家桶Step Edge，面向手机汽车，让AI智能体落地终端场景。
IT之家 7 月 12 日消息，阶跃星辰今天宣布推出 Step Edge 端侧模型全家桶，包含 Step Edge 基础模型、Step Edge Audio、Step Edge GUI 和 Step Edge Gen 四款产品。 IT之家了解到，这四款模型面向手机、汽车等终端场景，旨在让 Agent…
15
Evaluating the Effect of Linguistic Relatedness on Cross-Lingual Transfer in Large Multilingual Automatic Speech Recognition
跨语言迁移效果与语系亲疏直接挂钩，揭示多语言语音识别的隐藏规律
arXiv:2607.04814v1 Announce Type: cross Abstract: Extending automatic speech recognition (ASR) to low-resource African languages is constrained by the…
16
单模型支持 30 种语言 + 16 种方言，阿里千问升级 Fun-ASR-Realtime 语音识别模型
阿里千问升级Fun-ASR-Realtime，单模型覆盖30种语言和16种方言，语音识别准确率再提升。
IT之家 7 月 6 日消息，阿里千问今日宣布，升级实时语音识别大模型 Fun-ASR-Realtime， 单模型支持 16 种方言和 30 种语言 ， API 现已上线阿里云百炼平台。 官方表示，在覆盖八大方言区的 16 种方言识别测试中，Fun-ASR-Realtime 字符准确率平均为 88.…
17
Rethinking Speech-LLM Integration for ASR: Effective Joint Speech-Text Training by Interleaving
提出交错式联合训练方法，有效融合语音与文本信息，提升ASR系统与LLM集成效果。
arXiv:2607.01733v1 Announce Type: new Abstract: Speech-LLM integration has shown promising results by leveraging extensive textual pretraining, yet it…
18
Ask HN: What are you go to LLM models for the following
程序员晒出本地跑模型新配置，覆盖编程、语音、图像三大场景，工具党速收藏
1. Coding 2. TTS (Text to Speech) and STT (Speech To Text) 3. Image creation and understanding For me I've been using: 1. qwen3-coder-next 2. Fish Aud…
19
VIB-AVSR: Variational Information Bottleneck for Noise-Robust LLM-Based Audio-Visual Speech Recognition
突破噪声干扰：变分信息瓶颈让大模型音视频语音识别更稳，INTERSPEECH 2026录用论文。
arXiv:2606.29632v1 Announce Type: cross Abstract: Audio-Visual Speech Recognition takes two input modalities, acoustic and visual streams, where visua…
20
How to Leverage Synthetic Speech for LLM-Based ASR Systems?
探索如何用合成语音数据优化基于LLM的ASR系统，提升语音识别精度与鲁棒性。
arXiv:2606.29031v1 Announce Type: new Abstract: In regulated domains such as banking and healthcare, where privacy constraints make real speech costly…