术语slug: asr

自动语音识别

ASR

将语音信号自动转写为文本的技术,此处作为独立 API 提供

收录情报动态

共 40 篇 · 第 1/4 页
量子位官网T2·开发与工程
78 分
DeepSeek 开放全家桶 API 支持 1:1 复刻 App

DeepSeek 正式开放全家桶应用 API,将联网搜索、深度思考搜索、文件上传、链接阅读及首次开放的语音识别与合成能力拆分为独立接口,支持单独调用与分别计费。官方称开发者可 1:1 复刻完整 DeepSeek App,并同步开源轻量级聊天前端 Demo。相比 10 月需自行串联工具调用的 Search/Fetch 接口,新接口由模型自动完成搜索决策与多步衔接。

Rohan Paul (@rohanpaul_ai)T2·开发与工程
72 分
DeepSeek 开放完整应用能力 API 含搜索与语音

DeepSeek 将自家 App 背后的完整能力通过 API 开放,开发者用少量参数即可启用联网搜索、文件与 PDF 解析、链接读取、内容安全过滤和语音能力,也可单独调用 OCR、ASR、TTS 等独立接口。官方同时提供开源前端 Demo,支持导入 DeepSeek 历史对话,意味着开发者可近乎复刻整个 DeepSeek App。

Hugging Face BlogT1·开源与评测
42 分
Open ASR 排行榜新增埃及与尼日利亚英语评测集

Hugging Face 的 Open ASR Leaderboard 新增埃及与尼日利亚英语口音的私有评测集,延续其引入留出数据以提升评测可信度的路线。此举扩大了语音识别模型在非主流英语口音上的可比评测覆盖,但属于榜单数据集的常规扩充,未涉及新模型或新方法。

宝玉 (@dotey)T2·开发与工程
68 分
Cicada 开源 macOS 实时语音翻译与 AI 会议助手

Cicada(知了)是一款完全原生的 macOS 开源工具,提供实时双语字幕、AI 会议纪要及同声传译功能。它支持 Zoom、飞书等主流会议软件,利用虚拟麦克风实现跨语言沟通,并基于 Ling 和 Ming-3.0 模型运行,目前以 Apache-2.0 协议免费开源。

AntLing (@AntLingAGI)T1·开发与工程
42 分
用户搭建本地语音助手 集成 Ming-3.0 与 DeepSeek

开发者 Joey 展示了一个完全离线的家庭语音助手原型,采用 DeepSeek V4.1 Flash 负责推理,Ming-3.0 模型分别处理语音识别(ASR)和合成(TTS)。该方案运行在 NVIDIA DGX Spark 和 Mac mini 上,实现了零云端依赖的低延迟交互。目前代码仓库尚未公开,仅处于个人演示阶段。

Hugging Face BlogT1·智能体与协同
35 分
NVIDIA 发布 Nemotron 万圣节互动语音智能体案例

NVIDIA 展示了一个基于 Nemotron 开源模型栈构建的万圣节互动投影“MonsterHouse”。该应用集成了 Nemotron ASR、Magpie TTS 和 Audio2Face-3D,实现了具备情感反馈能力的实时语音交互智能体。此案例主要作为技术演示,展示了多模态组件在特定场景下的集成能力。