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。
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
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 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。
Voice Arena 推出面向语音智能体真实场景的语音识别基准,首个数据集 Monsoon 聚焦日常手机通话中的双人对话,覆盖 5 种语言。该基准强调重叠说话、插话、短应答与电话线路压缩等真实难点,并公开排行榜与测试集。
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。
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。
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。
Nvidia 推出 Nemotron 3.5 Transcribe,这是一款支持 40 种语言的开源自动语音识别(ASR)模型。该模型集成了说话人归属、翻译和音频问答功能,并在排行榜上取得领先成绩。同时发布的还有 Granary v2 数据管道及微调配方,便于开发者进行定制化适配。
Nvidia 发布开源语音转录模型 Nemotron 3.5,支持 40 种语言及 31 种语言的英译互转。该模型拥有 300 亿参数,可在单芯片上运行,并具备长音频处理与多说话人分离能力,旨在降低开发者构建会议与医疗转录应用的门槛。
Anthropic Opus 5.5 发布后,AI Agent 已能自主完成复杂视频剪辑任务,效率提升显著。模型通过生成 HTML/CSS/JS 代码实现“以码剪片”,大幅降低了对外部 Skill 和专用编辑器的依赖,标志着视频制作正走向自动化与代码化。