语音识别

Google 推出 Gemini 3.5 Transcribe，支持 85 种语言，流式转写词错率 4.0%，延迟比前代低 70%，并可通过函数调用与其他模型协作。

Google DeepMind 推出 Gemini 3.5 Transcribe，将语音转写从单纯识别提升到理解层面，为会议记录、内容生成等场景带来新可能。

Google 更新 Gemini Audio，引入 Gemini 3.5 系列模型，提升转录精度，自动识别专业术语并去除语气词，支持 85 种以上语言。

本文解读语音识别领域基准测试优化现象，分析模型分数提升的实质意义，探讨基准测试与真实性能之间的鸿沟。

英国一诊所的AI接待系统因无法理解约克郡口音导致患者挂断电话，凸显语音识别在方言和口音上的脆弱性，以及医疗场景中AI应用的现实挑战。

Meta 发布 macOS 版 AI 助手应用，其语音听写功能由自研 Muse Spark 模型驱动，标志着 Meta 在端侧 AI 与多模态交互上的新尝试。

OpenAI 推出 GPT Transcribe 和 GPT Live Transcribe 两款新语音识别模型，但在第三方基准测试中错误率高于 ElevenLabs、Google 和 Mistral 的同类产品。

OpenAI 推出新版语音模型，支持同时说话和聆听，为实时翻译等场景提供关键能力。

Cohere推出开源阿拉伯语语音识别模型Transcribe Arabic，在方言、代码切换和双语场景下优于Whisper和OmniASR。