Mistral AI于2026年2月开源了Voxtral Mini 4B Realtime 2602模型，支持13种语言的实时语音转录，延迟低于500毫秒，适合轻量化应用，并可在边缘计算单元上部署，提升语音识别的精度与效率。

微软推出了VibeVoice-ASR，一个开源的语音转文本模型，支持最长60分钟的音频处理，输出结构化文本，包括“谁”、“何时”、“什么”。该模型允许用户自定义热词，以提高识别准确性，适合会议记录和长时间通话。

本文探讨了低延迟实时语音识别（ASR）模型的部署与选型，分析了实时ASR的业务需求和技术平台选择。重点比较了Whisper Large-v3 Turbo、Voxtral Mini和NVIDIA Parakeet三种模型的性能，推荐在生产环境中结合NVIDIA推理GPU与SageMaker实时端点，以优化资源利用率和降低成本。

NVIDIA发布了Nemotron语音识别模型，专为低延迟语音助手和实时字幕设计。该模型采用缓存感知的FastConformer编码器和RNNT解码器，支持16 kHz音频，提供多种输入块配置，词错误率在7.2%至7.8%之间，显著提升了并发性和稳定性，适用于实时语音应用。

作者使用GLM ASR替代OpenAI的murmur进行语音转文本，发现GLM在中英混合语句识别上表现更佳，尽管对OpenAI的依赖令人不满，但GLM的识别率和输出质量令人满意。最终，作者修改了murmur代码以使用GLM ASR。

Meta AI 发布了 Omnilingual ASR，这是一个开源语音识别系统，支持1600多种语言，并能通过少量示例扩展到新语言。该系统基于大规模的 wav2vec 2.0 编码器，具备高效的零样本学习能力，78% 的语言字符错误率低于 10%。

阿里推出的FunAudio-ASR语音识别大模型解决了“幻觉”和“串语种”等问题，通过Context增强模块提升了识别准确率，尤其在高噪声环境和专业术语识别方面表现优异，适用于多种企业场景。

加州初创公司TwinMind推出了Ear-3语音识别模型，单词错误率为5.26%，说话人分类错误率为3.8%，支持140多种语言，转录成本仅为每小时0.23美元。该模型需云部署，注重隐私保护，适用于法律和医疗等领域，可能改变高端转录服务的预期。

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。

Agent Voice Response (AVR) 是一个基于 Asterisk 的可部署对话式 AI 系统，支持灵活选择 ASR、LLM 和 TTS 服务。通过 Docker 启动 AVR 应用，管理客户与 VoIP PBX 的交互，实现语音转文本、AI 响应生成和文本转语音。该系统架构模块化，易于扩展和配置，支持实时音频流。

Mistral发布了Voxtral，一个大型语言模型，旨在提升语音识别能力，超越简单转录。Voxtral Mini和Small两个版本的模型权重已开放。该模型结合了传统ASR系统的高效转录与LLM的语义理解，支持多种语言，具有32K的上下文，能处理长达30分钟的音频，适用于企业客户的多种高级功能。

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。

AI语音转录平台Verbit更新了Captivate ASR解决方案，能够识别自动字幕中的特定发言者特征，从而提供清晰的说话者字幕。该技术适用于新闻、天气和体育直播，提升实时字幕的准确性和清晰度。

传统呼叫中心的按键导航复杂，影响用户体验。半开放式语音导航通过关键词匹配提升体验。本文探讨利用Amazon Bedrock和Nova模型进行关键词匹配，解决ASR准确性和发音差异等挑战，并介绍离线处理与在线推理方案。未来将关注Speech to Speech模型的应用。

Arm在2025年GDC上推出了针对移动游戏的准确度超分辨率（ASR）技术。这种时间上采样技术通过降低分辨率渲染和提升帧数，节省GPU使用和电池寿命，同时保持视觉清晰。ASR支持Unreal Engine 5.3-5.5，并已开源。

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。