Subiect: #ASR
S1-mini: Modelul open-source de 462 MB care transformă transcrierile brute în text curat
S1-mini este un model open-source de normalizare a textului, dezvoltat de Superwhisper, care transformă transcrierile brute ASR în text curat și lizibil. Cu doar 462 MB, este eficient, rapid și poate fi rulat local, oferind o alternativă accesibilă la modelele mari de limbaj.
Cele mai bune modele de recunoaștere vocală open-source în 2026: WER, limbi, latență și licență comparate
În 2026, modelele open-source de recunoaștere vocală s-au apropiat atât de mult încât diferențele de WER sunt sub 1%. Articolul compară 16 modele pe baza acurateții, limbilor suportate, latenței și licenței, explicând de ce clasamentele nu mai sunt suficiente pentru alegerea celui mai potrivit model.
Interfaze lansează diffusion-gemma-asr-small: un model ASR open-source care transcrie șase limbi folosind decodorul paralel de denoising DiffusionGemma
Interfaze a lansat diffusion-gemma-asr-small, un model ASR open-source care transcrie șase limbi folosind un decodor paralel de denoising. Modelul este eficient, ușor de integrat și oferă o alternativă gratuită la soluțiile comerciale.
NVIDIA lansează Nemotron 3.5 ASR: Un model de streaming de 600M parametri, conștient de cache, care transcrie 40 de limbi și variante locale în timp real
NVIDIA a lansat Nemotron 3.5 ASR, un model de recunoaștere a vorbirii cu 600 de milioane de parametri, proiectat pentru streaming în timp real și optimizat pentru cache. Suportă 40 de limbi și variante locale, inclusiv româna, și este disponibil open-source. Acest articol analizează arhitectura, performanța, comparația cu concurenții și impactul asupra industriei voice AI.
IBM lansează două modele Granite Speech 4.1 2B: ASR autoregresiv cu traducere și editare non-autoregresivă pentru inferență rapidă
IBM a lansat două modele open-source Granite Speech 4.1 2B, care combină recunoașterea vocală autoregresivă cu traducere și un modul de editare non-autoregresiv pentru inferență rapidă. Articolul explică arhitectura, aplicațiile și impactul acestor modele asupra industriei AI.
Tutorial Practic de Programare pentru Microsoft VibeVoice: ASR cu Detectare a Vorbitorului, TTS în Timp Real și Pipeline-uri Speech-to-Speech
Un ghid complet și practic pentru dezvoltatori care doresc să implementeze Microsoft VibeVoice, acoperind recunoașterea vocală cu identificarea vorbitorului, sinteza vocală în timp real și construirea pipeline-urilor speech-to-speech complete.
Open ASR Leaderboard: Tendințe și perspective cu noile piste multilingve și pentru transcrieri de lungă durată
Analiza Open ASR Leaderboard dezvăluie tendințe majore în recunoașterea automată a vorbirii: modelele hibride Conformer-LLM domină acuratețea, decodoarele CTC/TDT conduc în viteză, iar transcrierea de lungă durată rămâne o frontieră cheie pentru inovația open-source.
Cohere lansează un model vocal open-source dedicat transcrierii: O nouă eră pentru recunoașterea automată a vorbirii
Cohere intră pe piața modelelor vocale cu Transcribe, un model ASR open-source de 2 miliarde de parametri, optimizat pentru GPU-uri consumer-grade. Cu un scor WER de 5.42 și suport pentru 14 limbi, noul model depășește competitori precum IBM sau ElevenLabs în teste de acuratețe, fiind integrat gratuit în platforma enterprise North.