美国初创公司 Useful Sensors 推出了一款名为 Moonshine 的开源语音识别模型。Moonshine 的设计旨在更高效地处理音频数据，相比于 OpenAI 的 Whisper，它在计算资源的使用上更为经济，处理速度快五倍。这一新模型专为在资源有限的硬件上实现实时应用而打造，具有灵活的架构。与 Whisper 将音频分为固定的30秒片段处理不同，Moonshine 根据实际音频长度调整处理时间。这使得它在处理较短音频片段时表现出色，减少了由于零填充而产生的处理开销。Moonshine 有两个版本:小型的 Tiny 版本参数量为2710万，
法国初创公司Gladia提供了一种语音识别应用程序编程接口（API），在A轮融资中筹集了1600万美元。本质上，Gladia的API能够将任何音频文件以高准确度和低延迟转换成文本。虽然亚马逊、微软和谷歌都作为其云托管产品套件的一部分提供了语音转文本API，但它们的表现并不如一些专业初创公司提供的新型模型。尤其是自OpenAI发布Whisper模型以来，这一领域在过去几年取得了巨大进步。Gladia与AssemblyAI、Deepgram和Speechmatics等资金充足的公司竞争。图源备注：图片由AI生成，图片授权服务商MidjourneyGl
近日，FunASR推出了一款功能强大的多语言离线文件转录软件包，为用户提供了高效、精准的语音转文本解决方案。这款软件包的核心优势在于其离线文件转录能力。它能够轻松处理长达数小时的音频或视频文件，并生成带有标点符号的转录文本。这一功能对于需要处理大量音频材料的专业人士来说，无疑是一大福音。FunASR的多语言支持也令人印象深刻。目前，该软件包已经支持中文、英语、日语、粤语和韩语等多种语言，展现了卓越的语音识别能力。更值得一提的是，它还能提供词级时间
摩尔线程宣布开源其音频理解大模型MooER，成为首个基于国产全功能GPU的大型开源语音模型。MooER支持中英文语音识别与翻译，采用三部分模型结构，展现强大多语言处理能力。已开源推理代码与5000小时数据训练的模型，计划进一步开源训练代码与8万小时数据训练的增强版。在对比测试中，MooER-5K表现出色，中文CER为4.21%，英文WER为17.98%，特别是在Covost2zh2en测试集上，BLEU分数高达25.2，领先其他开源模型。基于8万小时数据训练的MooER-80k模型，中文CER降至3.50%，英文WER优化到12.66%，显示了巨大性能提升潜力。此次开源不仅展示了国产GPU在AI领域的应用实力，也为全球音频AI技术发展注入活力，期待MooER在语音识别、翻译等领域带来更多创新突破。
