OpenAI 发布了三个新音频模型：GPT-Realtime-2、GPT-Realtime-Translate 和 GPT-Realtime-Whisper，分别用于语音推理、实时翻译和转录。GPT-Realtime-2 具备 GPT-5 级推理能力，支持复杂对话和任务；GPT-Realtime-Translate 可将 70 多种语言实时翻译成 13 种语言；GPT-Realtime-Whisper 提供低延迟的语音转文本服务。所有模型已通过 Realtime API 正式上线。

本文介绍了如何在 Amazon SageMaker HyperPod 集群中部署 Whisper 模型，利用 Triton Inference Server 提供高效推理服务。通过容器化部署，解决了异构 GPU 部署和请求调度的复杂性，实现了灵活的资源管理与监控。

GStreamer 1.28.1于2026年2月26日发布，新增语音转文本功能、调试插件和AV1解码器支持，修复多个组件问题，增强音频事件配置及WebRTC流功能，提升安全性和播放性能。

本文探讨了如何将Fast-Whisper模型部署到Amazon SageMaker推理端点，以实现实时响应和批量处理。通过使用SageMaker的异步推理，提升了吞吐量和稳定性，并实现自动扩缩容，从而优化了音频转写服务的性能和成本。

Whisper是OpenAI的开源语音识别工具，能够将音频转换为文本。WhisperJAV是其针对日本成人影片的字幕生成器，支持处理嘈杂音频，并提供五种识别模式以适应不同场景。安装需要Python、torch等环境，性能受硬件影响。

Vibe是一个开源的离线语音转文字工具，基于OpenAI Whisper模型，支持多语言转录和字幕导出，具备GPU加速，确保隐私安全。它可处理音频和视频文件，支持批量处理和在线媒体转录，完全免费。

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。

FFmpeg 8.0 发布，新增 OpenAI Whisper 语音识别过滤器，改进 Vulkan 视频处理，优化 CPU 性能，支持多种解码器和编码器，提升 AVX-512 性能。

FFmpeg 8.0即将发布，新增Whisper音频过滤器，支持OpenAI自动语音识别。用户可通过“–enable-whisper”构建FFmpeg，享受GPU加速和多种功能。此外，该版本还将引入Vulkan加速和CPU优化等改进。

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。

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。

本文探讨了如何高质量转录低音质的双通道电话录音。通过结合GPT-4o-transcribe模型和Whisper，尽管存在背景噪音和语言混合问题，最终实现了几乎完美的转录效果。该方法虽然耗时且成本较高，但效果显著。

Lyam Hunt于4月15日发布，正在与Claude和Gemini合作优化whisper模型，主要难点在于数据格式化，目前已开始使用label-studio。