ASR

语音识别

Falcon-ASR 发布：1.6B 阿拉伯语语音识别模型，六项基准平均 WER 20.92%

阿拉伯语方言数据稀缺、口音差异大，长期是 ASR 的"硬骨头"。阿布扎比 TII 发布 Falcon-ASR：1.6B 参数，五种语言共用一套权重且无需语言标志，六项阿拉伯语基准平均 WER 20.92%，阿联酋方言 22.73%，英语 5.74%，还支持词级时间戳。本文完整编译官方数据与训练细节。

ALGORITHM

从零实现自动语音识别 (ASR)

Transformer 架构最初是为解决自然语言处理领域的复杂任务而提出的。然而，我们不能简单地套用标准的Transformer架构，就指望它在所有模态下都能达到最先进的水平。

APPLICATION

实时语音助手DIY

借助现代库和 API，创建响应式实时 AI 语音助手变得越来越容易。

MODEL-ZOO

StyleTTS 2和Tortoise-TTS

本项目指南深入探讨了这场革命前沿的两个突出模型：StyleTTS 2 和 Tortoise-TTS。这两种模型都代表了语音克隆和语音合成的创新方法，每种方法都利用不同的技术来实现令人印象深刻的结果。

MODEL-ZOO

Whisper本地推理的4种方法

本文总结l了4种在本地CPU上进行推理的方法：HuggingFace管道、ONN运行时、OpenVino运行时和PyTorch。

MODEL-ZOO

5个Whisper变体实现与比较

本文介绍OpenAI Whisper的5个变体以及如何在 Python 中实现它们，并给出性能测试的比较结果。

MODEL-ZOO

Ultravox实时语音多模态大模型

Ultravox 是一种新型多模态 LLM，可以理解文本和人类语音，而无需单独的音频语音识别 (ASR) 阶段。

MODEL-ZOO

5个最流行的开源ASR模型

本文将介绍最先进的5个开源 ASR 模型各自的主要优势和技术要求。