在7000多种人类语言中，只有少数被现代语音技术听见，如今这种不平等或将被打破。Meta发布的Omnilingual ASR系统能识别1600多种语言，并可通过少量示例快速学会新语言。以开源与社区共创为核心，这项技术让每一种声音都有机会登上AI的舞台。
还在忍受方言听不懂、跨省业务推进难？联通直接放出「云+AI」大招，把这些通信顽疾一锅端！本文为你揭秘，运营商如何用科技智慧破局，打开信息「黑匣子」，让效率飙升！
智东西9月15日报道，今天，阿里巴巴通义实验室推出了FunAudio-ASR端到端语音识别大模型。这款模型通过创新的Context模块，针对性优化了“幻觉”、“串语种”等关键问题，在高噪声的场景下，幻觉率从78.5%下降至10.7%，下降幅度接近70%。
如果说眼睛是心灵之窗，那么语言或许就是通往心灵的门户。
你有没有想过，我们每天敲击键盘的这个动作，可能很快就会变成历史？150 年前发明的键盘，竟然仍然是我们与计算机交流的主要方式。
地铁站，老人方言购票秒出；医院里，医生病历书写时间压缩至1h。这家深耕AI的先锋长跑13年，如今即将叩响港交所大门。这条路没有捷径，只是把「人的需求」作为终点，或许这才是AI最本真的温度。
视觉+语音=更强的语音识别！BPO-AVASR通过优化音视频输入和输出偏好，提升语音识别在真实场景中的准确性，解决了传统方法在噪声、口语化和视觉信息利用不足的问题。
新一代 Kaldi 团队是由 Kaldi 之父、IEEE fellow、小米集团首席语音科学家 Daniel Povey 领衔的团队，专注于开源语音基础引擎研发，从神经网络声学编码器、损失函数、优化器和解码器等各方面重构语音技术链路，旨在提高智能语音任务的准确率和效率。
本期《智者访谈》邀请到著名开源语音识别项目 Kaldi 的创始人、小米集团语音首席科学家 Daniel Povey 博士。作为推动全球智能语音处理产业化的关键人物，他见证了语音识别技术从实验室走向大规模应用的全过程。十多年前，他在微软研究院的实习生，如今已成为 Google Gemini 等标志性项目的负责人。
在社交平台分享“显眼包”的帖子中，频繁出现“出吗”、“高价收”类似的评论。“显眼包”是字节此前给客户送出去的玩具，区别传统玩具，这是一款内嵌了豆包大模型、扣子专业版、语音识别、语音合成等技术的AI玩具。
