NVIDIA发布了Nemotron 3.5 ASR，这是一个支持40种语言的流式自动语音识别模型，拥有6亿参数。该模型采用FastConformer-RNNT架构，实时转录时无需单独处理标点和大小写，推理延迟可调，适合多种应用场景。经过微调，希腊语和保加利亚语的识别准确率显著提高。

语音AI技术正在迅速改变商业通信，超越传统电话功能，成为决策工具。现代语音AI利用自然语言处理和自动语音识别，提升客户体验，企业可自动处理大部分咨询。企业应尽早部署语音AI，以建立竞争优势。

WAXAL是一个开放的多语言语音数据集，涵盖24种非洲语言，专为自动语音识别（ASR）和文本转语音（TTS）设计。ASR部分通过图像提示自然采集语音，TTS部分在录音棚中高质量录制，确保语音一致性。

lyrichroma是一个Python命令行工具，能够将音频转换为视频，支持动态背景和字幕编辑。它利用自动语音识别技术，允许用户自定义字幕样式和背景，适合需要高质量字幕的场景。用户可以通过简单命令生成视频，并手动校正识别错误。

KrillinAI是一款支持100种语言双向翻译和自然配音的视频翻译工具，集成自动语音识别和文本转语音技术，适用于YouTube和TikTok等平台，帮助内容创作者快速本地化视频。

联邦学习（FL）与差分隐私（DP）在自动语音识别（ASR）中的应用尚待深入。本文通过逐层裁剪和梯度归一化技术，缓解了大模型在FL中面临的梯度异质性问题。实验结果表明，在强隐私保护下，FL与DP在用户规模达到数百万时是可行的，并且在不同规模下的字错误率有所改善。这为大模型的隐私保护FL算法设计提供了指导。

阿里云推出Qwen3-ASR Flash，一体化自动语音识别模型，支持11种语言的自动识别与转录，具备上下文注入和强大的音频处理能力，适用于教育、媒体和客户服务等领域，词错误率低于8%，易于部署。

艾伦人工智能研究所发布了OLMoASR，这是一套开放的自动语音识别模型，采用transformer架构，支持多种尺寸，适用于不同应用场景。其开放性促进了语音识别研究的可重复性和科学进步，为开发者提供灵活选择和领域适应的可能性。

本文介绍了一种联合自动语音识别（ASR）和音调重音检测模型，显著提升了ASR系统的性能。音调重音检测模块使F1-score提高41%，并在LibriSpeech数据集上将错误率降低28.3%。研究强调了扩展预训练语音模型以保留重要韵律线索的必要性。

自动语音识别（ASR）系统在过去十年取得了显著进展，但对有语言障碍个体的表现仍然不足。为了解决这一问题，2025年启动了语音可及性项目挑战，利用超过400小时的来自500多名有语言障碍个体的数据。挑战评估结果显示，12支队伍在字错误率（WER）上超越基线，17支队伍在语义评分（SemScore）上表现优异，最高队伍的WER为8.11%，SemScore为88.44%。

本文介绍了DiceHuBERT，一种用于压缩HuBERT的知识蒸馏框架。与传统方法不同，DiceHuBERT通过直接替换原始模型为学生模型，利用HuBERT的自蒸馏机制进行训练。实验结果显示，DiceHuBERT在音素识别和自动语音识别（ASR）性能上显著优于现有方法，提升超过21%和14%。

NVIDIA发布了Canary-Qwen-2.5B模型，词错率为5.63%，在Hugging Face OpenASR中排名第一。该模型结合了自动语音识别和语言模型，支持音频摘要和问答，适用于多个行业，具有商业和开源特性。

本文探讨了一种新方法来识别阅读错误，提出了结合目标阅读文本的端到端架构，以提高自动语音识别（ASR）的准确性和错误检测能力。研究表明，整合阅读文本的提示可以改善逐字转录性能，尤其在儿童朗读和成人非典型言语的案例中，效果优于现有技术。此外，播客转录的可读性和准确性对听障人士至关重要。

NVIDIA 发布了 Parakeet TDT 0.6B，这是一款开源的自动语音识别模型，拥有6亿参数和3386倍实时因子，具备快速转录和高准确率，支持歌曲转录、时间戳和标点恢复，适合企业级应用，推动语音AI发展。

Gladia推出的Solaria是一款新型自动语音识别模型，支持40多种语言，具备94%的高准确率和270毫秒的低延迟，旨在提升联络中心的实时通信能力，适用于需要高精度和实时支持的行业，助力企业实现多语言客户服务和全球市场扩展。