科大讯飞在讯飞开放平台上线星火语音基座大模型 SparkAudio 1.0 的 API 服务,开发者可直接调用。该模型以端到端方式直接理解语音,取代“先转写再理解”的级联方案,支持 99 种语言与 202 种方言,覆盖语音转写、多语言翻译、说话人分离、情感分析及音频问答等任务,并采用全国产算力训练。
说话人分离
Speaker Diarization
在多人音频中区分并标注不同说话人片段的技术
收录情报动态
NVIDIA 发布开放权重语音模型 Nemotron 3.5 Transcribe,采用 MoE 架构,支持 40 种语言及最多 8 人重叠说话的高精度转录与归属。该模型在多项基准测试中位居开源榜首,并同步公开训练数据管线 Granary v2,适用于会议纪要、客服等复杂场景。
NVIDIA 推出 Nemotron 3.5 Transcribe,这是一款基于混合 Mamba-Transformer MoE 架构的语音大模型。它通过冻结的说话人分离模块与 ASR 编码器结合,允许用户通过文本指令控制转录格式(如逐字、书面化或翻译)。该模型在英文基准测试中表现优于 Qwen3-ASR,但仅限离线使用且中文远场会议识别率仍有提升空间。
Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe,集成转录、翻译及说话人识别功能,支持 40 种语言。该模型采用 MoE 架构(总参数 30B,激活 4B),可在单 GPU 上运行并在多项基准测试中表现优异。同时发布的还有包含 84.4 万小时音频的 Granary v2 数据集及领域适配工具。
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。
科大讯飞发布星火语音基座大模型 SparkAudio 1.0,首次将复杂音频理解、情绪识别及实时说话人分离统一建模,突破传统级联架构的信息损失瓶颈。同步升级的端云一体模型 X2.6 系列中,4B 端侧模型已实现约 70% 云端能力,支持低延迟本地处理。数据显示其语音大模型调用量同比增长超 20 倍,标志着 AI 交互正从单一文本识别向多源声学语义联合推理演进。
AI 硬件初创公司 Nirva 宣布完成 2500 万美元 Pre-A 轮融资,累计融资达 3300 万美元。该公司由前 Meta Reality Labs 员工创立,主打一款能区分并仅记录佩戴者声音的珠宝式 AI 吊坠,旨在解决环境 AI 设备的隐私痛点。
科大讯飞在开发者节上发布了星火语音基座大模型 SparkAudio 1.0,集成了机器翻译、语音识别与语义理解能力。该模型支持中英文实时切换及说话人分离,并已全面接入讯飞输入法等终端产品,同时配套推出了 AI 录音环硬件。
通义千问团队发布 Qwen3.8-LiveTranslate,通过 Interleave 音频-文本交织架构将实时同传字均延迟(LAAL)从 2.8 秒降至 2.3 秒。该模型在支持 60 种语言的基础上,新增实时说话人分离、原文译文同帧输出及长上下文消歧能力,显著提升多人场景下的翻译准确性与音色复刻稳定性。
Hugging Face Inference Endpoints 展示了结合自动语音识别、说话人分离及推测解码的技术方案。该案例旨在提升语音转写任务的效率与准确性,但未提供具体性能数据或可复用的详细配置指南。