语音识别

MarkTechPost 对照官方页面核查了 Palabra.ai、Google Live Translate、DeepL Voice、Teams Interpreter、Wordly 等 12 款 AI 实时翻译工具，覆盖语种、延迟、平台支持与定价四个维度。

阿联酋技术创新研究院（TII）发布Falcon-ASR，一个面向阿拉伯语、侧重阿联酋口音的1.6B语音识别模型，在6个阿拉伯语测试集上报告平均WER 20.92%，但权重和API暂未开放。

Google 发布 AI Edge Foresight，一款完全在设备端运行的会议记录工具，可离线转写、生成笔记并回答问题，直接对标 Granola。

Hugging Face 上线 Falcon ASR，将语音识别能力纳入 Falcon 系列。开源 ASR 的竞争正从模型本身转向数据、语言覆盖与部署成本。

微软 AI 推出首个实时语音转写模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 流式评测中位列 38 个模型之首，最终转写与首次部分结果均为 2.5% WER，覆盖 60 种语言，现已公开预览。

微软 AI 推出 MAI-Transcribe-2-Streaming 实时转写模型，并同步更新语音智能体所需的文本转语音模型，补齐语音交互链路的关键一环。

英伟达发布 Nemotron 3 Diarization，一个仅 1 亿参数、可实时识别对话中最多八位说话人的开源模型，把原本昂贵的说话人分离能力下放到轻量级部署场景。

NVIDIA 在 Hugging Face 发布 Nemotron 3 Diarization，把“谁在什么时候说话”这一能力带入实时多说话人场景，为会议转写、语音助手和客服分析提供可用的开源基础组件。

阿里 Qwen 团队推出 Qwen-Audio-3.1 系列五款模型，覆盖语音识别、语音合成与实时交互，并大幅下调 AI 音频服务价格，最高降幅达 95%。

腾讯 Gander 用可替换的“大脑”执行搜索、写代码等复杂任务，用“小脑”维持对话不中断，用户可随时打断或改任务；基准中打断率仅 8%，但任务准确率落后于对手。

Meta的Superintelligence Labs推出Muse Voice Transcribe，以80毫秒分块处理语音，支持说话人区分和句界检测，据称在流式转录中兼具最高准确率和最低价格。该模型被视为构建持续聆听的个性化AI代理的基础组件。

Hugging Face 的 Open ASR Leaderboard 新增首个全球南方语言，标志着语音识别评测正从英语中心转向更广泛的语言覆盖，对技术公平性和模型实用性具有深远影响。