语音识别

Wispr 把会议纪要加进听写工具后，Granola 选择反向操作，为会议记录产品补上听写功能。两家公司的功能边界正在消失，语音 AI 的竞争从单点能力转向工作流入口。

英伟达发布开源权重语音大模型 Nemotron 3.5 Transcribe，采用 30B 级 MoE 架构、约 4.3B 激活参数，支持 40 种语言转写，并原生输出说话人标签与词级时间戳，英语 Open ASR 榜单平均 WER 为 4.71%。

Hugging Face 上出现面向苹果平台的开源语音识别与决策模型，试图把端侧推理能力从单一任务扩展到语音转写与决策两类基础能力。

英伟达发布开源语音模型 Nemotron 3.5 Transcribe，以文本提示统一驱动转写、说话人识别与翻译，在多项基准上领先，且激活参数仅为最强开源对手的约六分之一，同时开放超 80 万小时语音数据集与微调工具。

英伟达发布免费语音转文字模型，覆盖约40种语言，但仅支持录音文件而非实时音频，指向会议与医疗转写等离线场景。

英伟达在 Hugging Face 上推出 Nemotron 3.5 Transcribe 语音转写模型与 Granary v2 配套方案，主打可提示、可适配的多语言转写能力，把 ASR 从固定输出推向可定制的模型工作流。

Square 与 Cash App 母公司 Block 发布语音模型 Dessa，直接处理音频而非先转文字，可实时识别情绪、讽刺与停顿，目前已在 MacBook Pro M4 Max 上本地运行，但尚未对外开放。

IBM 发布 Granite Speech 5.0 2B 语音识别与翻译模型，采用 Apache 2.0 许可，在 Open ASR Leaderboard 上以 5.68% 的平均英文 WER 位列第二，同时更新 Turbo CTC 与 4.1 2B Plus 两个型号。

MarkTechPost 发布 Cactus Whistle 编码实测指南，在 CPU 上对比这个 16.9 MB 语音模型与 Whisper Base 的词错率、速度、流式延迟、时间戳、关键词与语音调用工具能力。

IBM 的 Granite Speech 5.0 在语音转写、翻译和说话人归属三项能力上同步提升准确率与速度，进一步压缩企业级语音处理的开销。

Mistral AI 推出 Voxtral 3 系列，包含 3 款语音转写模型、1 款文本转语音模型，以及基于 LiveKit 的语音智能体 SDK；其中 Voxtral Small Transcribe 3 在 Artificial Analysis 榜单上以 2.1% 的 AA-WER 位列第三。

Mistral AI 推出 Voxtral 3，将语音转写、语音合成与语音 Agent SDK 整合为一体，支持 50 多种语言，并可在实时对话中调用外部工具，同时提供自托管与欧盟托管 API 两种部署方式。