Artificial Analysis 宣布 SOV-Transcribe-1 成为新的开源权重语音转写模型第一名,在 AA-WER 指数上取得 2.3% 的词错误率,激活参数为 46 亿。该模型在包含闭源模型在内的 44 个模型中综合排名第 7,由 Salesforce 与 Missionforce Sovereign AI 团队联合发布。
词错误率
Word Error Rate (WER)
语音识别任务中错误词数占参考总词数的比例,是转写质量的核心指标
收录情报动态
Moondream 基于 NVIDIA Parakeet TDT 0.6B v3 架构推出后训练版本 Parakeet Ultra,现已上线 OpenRouter。该模型在保持原有速度与架构的前提下,显著降低了各类基准测试中的词错误率,支持 25 种欧洲语言及细粒度时间戳,定价为每小时音频 0.06 美元。
Neuralink 发布 VOICE 项目早期可行性研究,一名渐冻症(ALS)参与者植入首周即实现每分钟 75 词的语音/文字输出,大词库下错误率为 5.8%。该数据接近正常对话速度,展示了脑机接口在恢复沟通能力方面的潜力,但尚未经同行评审且样本量极小。
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。
Mistral AI 推出新一代 Voxtral 3 系列语音模型,涵盖文本转语音(TTS)及多种语音转文本(STT)变体。其中 Small Transcribe 3 在 Artificial Analysis 排行榜位列第三,实时流式转录准确率显著提升,且 TTS 定价极具竞争力。
Hugging Face 与 Appen、Dataocean 合作,在开源自动语音识别(ASR)排行榜中引入“Benchmaxxer Repellant”机制。该机制通过增加未公开的私有测试集,防止模型针对公开基准过拟合或刷榜,从而提升评估结果的真实泛化能力。
阿里 Qwen 团队推出 Qwen3-TTS-VD-Flash(音色设计)和 Qwen3-TTS-VC-Flash(音色克隆)两款新模型。前者支持通过自然语言指令精细调控音色、情感与人设,后者实现 3 秒级多语言音色克隆。基准测试显示其在 InstructTTS-Eval 和多语言 WER 指标上优于 GPT-4o-mini-tts 及 ElevenLabs 等竞品。
通义千问发布 Qwen3-TTS 语音合成模型重大更新,新增至 49 种高品质音色并扩展支持 10 种主流语言及 9 种中国方言。该版本在 MiniMax TTS 多语言测试集上的平均词错误率(WER)优于 ElevenLabs 和 GPT-4o-Audio-Preview,显著提升了韵律自然度与拟人化水平。目前可通过 DashScope API 及 Hugging Face Demo 体验。
Hugging Face Transformers 库新增对 Wav2Vec2 模型的 n-gram 语言模型增强解码支持。该功能通过结合外部 n-gram LM,在 Common Voice 数据集上将词错误率(WER)相对降低约 30%,显著提升了纯 CTC 解码的准确率。开发者可直接利用此特性优化语音识别应用,无需重新训练模型。