PulseAugur
中
实时 19:31:51
实体 speech recognition

speech recognition

PulseAugur coverage of speech recognition — every cluster mentioning speech recognition across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
55
90 天内 204
发布 · 30天
0
90 天内 0
论文 · 30天
39
90 天内 150
层级分布 · 90 天
主题
关系
情绪 · 30 天

16 天有情绪数据

最近 · 第 1/10 页 · 共 200 条
  1. TOOL · CL_369728 ·

    AI 语音代理使用意图路由、检索和工具调用来提供客户服务

    AI 语音代理可以通过集成四个关键组件来有效处理客户查询:意图路由用于分类查询,从知识库检索以获取事实答案,工具调用用于动态数据或操作,以及在置信度低时进行人工交接的强大护栏。这种方法优先考虑结构化查询形式而非开放式对话,以提高解决率。该架构包括语音转文本、具有用于意图路由和工具调用的 LLM 的编排器,以及文本转语音,并由外部知识库和 CRM 系统支持。

  2. TOOL · CL_366908 ·

    Krisp语音隔离通过消除背景语音增强AI代理

    Krisp语音隔离是一个旨在通过过滤掉背景语音来提高语音AI代理性能的系统。该技术通过从音频流中移除主说话人之外的所有声音来工作,解决了多人同时说话时出现的转录不正确、错误打断和回合转换中断等问题。测试表明,背景语音引起的错误词数量显著减少,但音频质量和API可用性略有折衷。

  3. TOOL · CL_360432 ·

    新的FETTUCCINE框架可在移动设备上实现脑语解码

    研究人员开发了FETTUCCINE,一个新颖的端到端脑语解码框架,它利用自动语音识别(ASR)模型为有言语障碍的个体提供实时交流能力。该系统实现了低至4.39%的词错误率(WER),并可在移动设备上运行,达到高达370倍的实时吞吐量。FETTUCCINE还提供了对神经变化的有效适应能力,并能识别用于解码的相关神经特征,标志着便携式脑机接口的重大进展。

  4. TOOL · CL_360317 ·

    新的RECOVER框架利用LLM提升ASR实体识别能力

    研究人员开发了RECOVER,一个旨在提高自动语音识别(ASR)系统中实体识别能力的新框架,特别针对罕见或特定领域术语。该智能系统利用多个ASR假设作为证据,检索相关实体,并使用大型语言模型(LLMs)进行约束性纠正。它通过确定性护栏和LLM评论员进一步完善这些纠正,并能够触发反馈循环以处理遗漏的实体。在五个数据集上与Whisper-large-v3基线进行评估,RECOVER在实体短语词错误率方面显著降低,实体召回率提高,同时不影响…

  5. TOOL · CL_357657 ·

    新型攻击利用语音分词器漏洞,提出鲁棒替代方案

    研究人员发现语音分词器存在漏洞,语音分词器是处理语音信号以供AI模型使用的关键组件。他们开发了一种名为T-SemAttack的可迁移语义攻击,可以在感知变化极小的情况下破坏语音的语义内容,导致下游自动语音识别(ASR)和大型音频语言模型(LALM)的性能显著下降。为解决此问题,他们还引入了ROSETok,一种通过噪声训练和语义蒸馏来增强保真度和鲁棒性的鲁棒语音分词器。

  6. RESEARCH · CL_358068 ·

    DeepSeek 发布全套应用 API,包含语音功能,定价极具竞争力

    DeepSeek 已正式推出其全面的应用 API 套件,允许开发者集成此前仅限于 DeepSeek App 的功能。此次发布包括独立的网页搜索、深度思考搜索、文件上传、链接阅读接口,尤其值得注意的是,还包含了语音功能,如语音识别和语音合成。该公司还提供了一个轻量级的聊天前端演示,使开发者能够轻松复制 DeepSeek App 的功能。DeepSeek 为这些 API 定下了极具竞争力的价格,其中语音识别每小时收费低于 0.4 元,语音…

  7. TOOL · CL_356621 ·

    新的ASR分类法揭示了词错误率之外的失败模式

    一种新的自动语音识别(ASR)系统评估分类法侧重于听写用例,超越了传统的词错误率(WER)指标。该分类法将错误分为识别、输出格式、语言处理和音频丢失。研究发现,具有相似WER的系统在失败模式上可能存在巨大差异,尤其是在低语语音或多语言音频等挑战性条件下。例如,Zoom Scribe和OpenAI的GPT-Live-Transcribe在清晰英语上的WER相当,但在低语音频上的性能差异显著,Zoom Scribe丢失了相当大比例的词。

  8. TOOL · CL_354087 ·

    Voicetest为语音Agent测试增加了实时音频通话模拟

    Voicetest推出了一项新功能,通过模拟实时音频通话来测试语音Agent,弥补了传统基于文本模拟的重大不足。这项新功能使开发人员能够评估其Agent在真实音频条件下的表现,捕捉到由于文本转语音(TTS)导致预期的LLM输出失真,或在呼叫方端被语音转文本(STT)误解的问题。通过比较预期文本和实际音频转录的“听到”文本,Voicetest可以识别并标记出纯文本评估所遗漏的发音、数字识别和其他关键对话元素的回归问题。

  9. TOOL · CL_353261 ·

    AWS SageMaker 为实时 AI 流媒体推出按用量付费定价

    AWS 已为 Amazon SageMaker 上的双向流式传输推理推出了按用量付费定价,解决了模型提供商如何为实时语音 AI 服务计费的难题。此前,AWS Marketplace 上的提供商在直播期间难以按消耗量收费,因为总用量要到会话结束时才知道。这项新功能允许提供商通过专用的元数据连接报告实际用量,使收费与消耗量相匹配,而不仅仅是端点可用性。Deepgram 是此次推出的合作伙伴,它能够在 AWS Marketplace 上为其…

  10. TOOL · CL_350944 ·

    LokalBot 集成五个本地 AI 模型,提升 Mac 会议效率

    LokalBot 是一款开源的 Mac 应用程序,旨在编排多个本地 AI 模型以完成各种任务。该应用程序可以录制会议、转录会议内容、生成笔记、启用搜索以及提供自动补全功能,所有处理均在用户设备上进行。它使用五个不同的模型来执行语音转文本、说话人分离、笔记生成、自动补全和语义搜索,并根据使用情况和可用内存管理它们的加载和卸载。

  11. TOOL · CL_344646 ·

    KlangAI 发布最先进的丹麦语 ASR 模型 pianissimo-da

    KlangAI 发布了 pianissimo-da,一个新的丹麦语自动语音识别 (ASR) 模型。该模型有多种格式可供选择,包括 GGUF、ONNX、MLX 和 CoreML,并托管在 Hugging Face 上。它被描述为丹麦语 ASR 的最先进模型。

  12. TOOL · CL_339403 ·

    AWS 利用状态空间模型实现低延迟语音 AI

    AWS 正通过其基础设施赋能超低延迟语音 AI 应用的开发,并与 Cartesia 等公司合作。Cartesia 专注于实时语音 AI,利用状态空间模型 (SSMs) 实现低于 100 毫秒的文本到语音和语音到文本功能。这种方法与传统的 Transformer 模型形成对比,后者由于其与序列长度的二次计算复杂度而在流式传输延迟方面遇到困难。SSMs 具有高质量的远程依赖性、恒定的内存占用和原生的流式传输支持等优点,使其成为自然语音交互的理想选择。

  13. TOOL · CL_336982 ·

    音乐干预可增强婴儿对音乐和语音的时间结构神经处理能力

    一项研究表明,音乐干预可以改善婴儿大脑处理音乐和语音中发现的时间结构的方式。这项研究探讨了早期音乐接触对认知发展的潜在益处,特别是在与语言习得和神经处理相关的领域。

  14. TOOL · CL_336346 ·

    GhostPrefix 攻击在无需同步的情况下操纵 ASR 系统

    研究人员开发了 GhostPrefix,这是一种无需与目标音频同步即可操纵自动语音识别 (ASR) 系统的新颖方法。该技术通过在任何实时语音前添加一个简短、可重用的音频片段,从而实现对 ASR 输出的实时控制。GhostPrefix 利用令牌级和表示级目标,在各种语音环境中保持稳定的对抗效果,并可用于语义引导、转录劫持或转录降级。该攻击在数字和实际(over-the-air)环境中均显示出高成功率,影响了语音助手和 AI 笔记工具等下游应用。

  15. RESEARCH · CL_336259 ·

    新的ASR研究探索模型合并和语言自适应技术

    研究人员正在探索先进技术以改进自动语音识别(ASR)系统,特别是在低资源语言和专业领域。一项研究侧重于豪萨语医疗ASR的纯文本领域自适应,使用语言模型融合方法来降低词错误率。另一篇论文研究了模型合并作为多领域ASR可扩展的替代微调方法,提出了一种新的算法,该算法在保持更广泛的语言能力的同时,性能优于传统的微调。

  16. TOOL · CL_336195 ·

    新的GSR-Bench基准重新定义了超越转录的语音识别

    研究人员引入了基于语义的生成式语音识别(GSR),这是一个超越传统转录来评估语音转文本系统的新框架。GSR将语音识别重新定义为生成语义化的文本,承认单个语音输入可以对应多个有效的文本输出。提出的GSR-Bench基准在多种能力上评估这些系统,包括字面转录、规范重述、语义重述和语音语义结构化。开发了一个新颖的多维度评估框架,结合了语音语义评估和基于LLM的语义判断,以解决词级别指标的局限性,并通过人类研究验证了其可靠性。

  17. COMMENTARY · CL_335238 ·

    人工智能语音技术:TTS、STT、声音克隆和合成笔记

    这篇Mastodon帖子是关于人工智能语音技术的笔记和链接的精选集。它涵盖了该领域的各个方面,例如文本到语音(TTS)、语音到文本(STT)、语音合成和声音克隆。

  18. RESEARCH · CL_333073 ·

    开源权重AI模型在Hugging Face上人气飙升 · 追踪7个来源

    多个开源权重AI模型在Hugging Face上获得了显著关注,下载量和点赞数在过去30天内均有增长。表现突出的模型包括DeepSeek-V4.1-Flash-1017,下载量超过17万次,点赞数超过4400次;LiquidAI/LFM3-1.7B,下载量超过4.7万次,点赞数超过1400次。其他模型如moonshotai/Kimi-K3.1-Pro和nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-…

  19. TOOL · CL_332824 ·

    语音AI口音偏见:乔迪口音与SSBE口音感知研究

    一项发表在arXiv上的新研究探讨了用户如何感知和与使用地区口音的语音AI系统进行交互。研究人员发现,虽然使用纽卡斯尔英语(乔迪口音)的声音被认为是熟悉和温暖的,但与标准英式南部英语(SSBE)的声音相比,它也引发了关于专业性和权威性的担忧。当语音AI未能理解用户时,参与者还报告说他们会调整自己的说话方式,通常是通过采用更主流的口音、更清晰地发音以及放慢语速。这表明当前的语音技术可能会延续与口音相关的现有社会偏见,并影响用户行为。

  20. COMMENTARY · CL_328651 ·

    人工智能与软件开发讨论涵盖全球工作室、语音识别和隐私

    此集群汇总了多条关于人工智能和软件开发各个方面的Mastodon帖子。其中一篇详细介绍了BalochDev的成立,这是一家远程优先的软件和AI工作室。另一篇深入探讨了语音识别和情感标记的细微差别,涉及数据科学和机器学习等主题。第三篇帖子重点介绍了一个为Hacktoberfest开源AI挑战赛提交的项目,该项目专注于AI和Python。最后,一篇来自Hacker News的帖子讨论了与AI和Apple Inc.相关的隐私问题。