术语slug: speaker-diarization

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

共 10 篇 · 第 1/1 页
IT之家 · 智能时代T2·基座大模型
72 分
讯飞星火语音基座 SparkAudio 1.0 上线 API 支持 99 种语言

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。

Marktechpost (@Marktechpost)T2·基座大模型
78 分
NVIDIA 发布 Nemotron 3.5 Transcribe 支持指令驱动转录

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。

InfoQ 中文T2·基座大模型
68 分
讯飞发布 SparkAudio 1.0 统一音频理解与端侧模型

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。

IT之家 · 智能时代T2·基座大模型
58 分
科大讯飞发布 SparkAudio 1.0 语音基座大模型

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。

Qwen 官方博客 (通义)T1·基座大模型
78 分
Qwen3.8-LiveTranslate 发布:重构同传架构,延迟降至 2.3 秒

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。