asr

XLYcmy4 天前
论文阅读·论文笔记·token·commit·asr·论文分享·tokenizer
ASR 识别任务:两篇论文阅读分析与系统方案技术报告 当前报告的建议和改进方向论文阅读 · 技术分析 · 独立评审当前报告的建议和改进方向从高质量方案综合升级为可复现、可比较、可验收的实施报告
XLYcmy5 天前
论文阅读·论文笔记·token·cuda·asr·论文分享·tokenizer
ASR 识别任务:两篇论文阅读分析与系统方案技术报告 当前报告不足论文阅读 · 技术分析 · 独立评审当前报告不足报告证据缺口、内部一致性、实验归因与落地验收评审评审对象 《ASR 识别任务:两篇论文阅读分析与系统方案技术报告》
XLYcmy6 天前
论文阅读·ai·gpu·asr·论文分享·speechbrain·wespeaker
ASR识别任务两篇论文阅读分析与系统方案技术报告 上论文阅读 · 技术分析 · 方案设计ASR识别任务两篇论文阅读分析与系统方案技术报告━━━━━━━━━━━━━━━━━━━━━━━━━━━━
AlfredZhao8 天前
ocr·asr·vlm
OCR、VLM、ASR 到底有什么区别?一文讲清初学文档处理或多模态应用时,常会碰到 OCR、VLM、ASR 这几个缩写。它们都和“把信息变成文字或答案”有关,但分工完全不同。笔者用一句话先概括:OCR 负责抄字,VLM 负责看懂画面并推理,ASR 负责把声音转成文字。
hey you~1 个月前
机器人·大模型·语音识别·asr·语音降噪·热词优化
大模型语音机器人ASR识别不准,怎么优化?2026系统化优化指南ASR识别错误会导致机器人理解客户问题出错,很多团队上线后遇到识别率低的难题。本文整理ASR识别优化的技术方案,并给出一套可落地的优先级路线。
O。O蛋黄酥啊1 个月前
大模型·webrtc·语音识别·tts·asr
实时语音 Agent 开发完全指南:从 ASR/TTS 到 WebRTC/VAD 的链路拆解想让 AI 像真人一样和你对话?从麦克风采集到语音回复,中间藏着一条「毫秒级」的生死链路:ASR 听懂、LLM 思考、TTS 开口,还要在嘈杂环境里精准打断、抢话、防回声。本文一次性拆透 PCM/WAV、WebSocket/WebRTC、VAD、实时语音大模型与 Agent 架构,附关键指标与选型建议,助你快速上手实时语音开发。
liuyanqun-parbie2 个月前
机器人·agent·tts·asr·语音
从语音到答案:实时语音客服机器人技术实践面向技术博客发布的项目梳理稿。本文按业务逻辑与核心能力分节,说明「为什么这么做」与「关键怎么跑通」。文本客服可以接受秒级延迟;语音场景则要求:
hey you~2 个月前
人工智能·智能客服·asr·ivr·语音机器人·呼叫中心·等待时长
语音机器人如何减少进线客户等待时长?提速方案摘要:进线客户长时间等待是流失核心原因,AI 语音机器人秒级响应特性,可从根源缩短客户等待时间。本文从等待时长的构成拆解入手,给出语音机器人缩短等待的 5 条技术路径、并发与响应速度的测算方法、落地配置清单,附文档级信源、接口配置示例与可复现的实测数据框架,帮助客服与运维团队把"平均等待时长"这一指标真正压下来。
Luke Ewin3 个月前
人工智能·语音识别·asr·藏语asr
Qwen3-ASR藏语语音识别 | 少数民族(藏语|维吾尔语)语音识别 | 本地化部署藏语语音识别模型在众多的开源ASR模型中对于少数民族语言一般是不支持的,比如藏语,维吾尔语,蒙古语,开源的模型均不支持。 这次是基于Qwen3-ASR来训练一个支持藏语的ASR模型,使得可以在本地跑藏语语音识别项目。
iwgh3 个月前
asr·stt·oddasr·qwen3-asr
OddASR 更新:新增Qwen3-ASR三大模型、架构重构、性能飞跃前阵子公司一位大佬跟我推荐了一下 Qwen3-ASR,平时在公司忙成狗也没时间来测试,周末回家给整合了一下到 OddASR,并简单的测试了一下。
verbaWP3 个月前
语音识别·asr·星图gpu·中文语音转写
如何提升中文语音识别准确率?Speech Seaco Paraformer热词设置详细步骤你有没有遇到过这样的情况:会议录音里反复出现“Paraformer”“FunASR”“科哥”这些词,但识别结果却变成了“怕拉佛玛”“饭阿斯”“可歌”?这不是模型不行,而是它没被“重点提醒”——就像老师点名时喊“张三”,如果全班有十个张三,不加说明就容易叫错人。
iwgh3 个月前
语音识别·asr·语音转写·stt·oddasr
OddASR v2.5.5 版本更新:支持指定最大说话人分离数量、优化时延当前最新版本:v2.5.5,已经上传到pypi,有需要的同学可以下载安装来体验一下。安装:pip install oddasr 运行:oddasr Demo: http://localhost:9002
没刮胡子4 个月前
人工智能·ai·语音识别·tts·asr
AI完全离线的ASR语音识别+TTS语音合成+大模型对话完全离线的 语音识别 + 语音合成 + 大模型对话 一体化桌面应用。 说话 🎙️ → 识别成文字 → 大模型回答 → 语音朗读 🔊,全流程本地运行,隐私安全。
iwgh4 个月前
asr·语音转写·oddasr·oddminutes·小奥录音
小奥录音更新速递:v0.1.6 发布,音字对齐、转录体验大升级!小奥录音 OddMinutes 做了许多的功能优化更新,包含大量功能新增、体验优化和 Bug 修复,并正式发布了 v0.1.6 版本。一起来看看都更新了什么吧!
zhuweisky5 个月前
asr·视频会议·语音转文字·会议纪要
视频会议是如何实现AI会议纪要功能的?对于视频会议软件而言,会议纪要功能现在几乎成了标配,为会议结束后回顾会议内容提供了极大的方便,省去了大量的人力。接下来我们以 傲瑞会议(OrayMeeting)为例,来介绍会议纪要功能的具体实现。
水龙吟啸5 个月前
机器学习·图像分类·安全性测试·asr·混淆矩阵·auc·转移攻击
机器学习安全:图像多分类任务的测试时对抗样本转移攻击实战(一)ContentContribution DeclarationIntroductionMethodExperiment
云山雾村5 个月前
语音识别·asr·星图gpu·中文语音转文字
零基础也能用!科哥版Paraformer语音识别WebUI保姆级教程你有没有过这些时刻:别折腾了。今天这篇教程,不讲模型原理、不跑训练代码、不配环境变量——从你双击浏览器图标开始,到完整识别出第一句中文,全程不超过5分钟。
瓷tun6 个月前
语音识别·asr·qwen3·星图gpu
小白也能懂:Qwen3-ASR-0.6B语音识别入门教程你有没有试过把一段会议录音、课堂讲解或采访音频,几秒钟就变成清晰准确的文字?不是靠手动听写,也不是依赖昂贵的商业服务——而是一个开源模型,装在你的电脑上就能跑,连显卡都不用太强。今天要带大家认识的,就是通义实验室最新发布的轻量级语音识别利器:Qwen3-ASR-0.6B。
Luke Ewin6 个月前
人工智能·语音识别·asr·fun-asr
Fun-ASR-Nano实时语音识别并区分说话人 | FunASR | 开源实时语音识别模型Fun-ASR-Nano是很好的开源的实时语音识别模型,可以使用FunASR运行,同时支持多种方言和国际语言,根据官方文档,支持客家话,吴语,赣语,四川话,河南话,天津话,北京话,东北话等,同时还支持英语,日语等国际语言。
siv776 个月前
whisper·tts·asr·nmt·ai视频翻译·视频翻译架构·字幕压制
一站式 AI 视频翻译的技术架构:ASR → NMT → TTS → 字幕压制的全链路设计做一套可落地的 AI 视频翻译系统,关键不是把 ASR、翻译、配音、字幕几个模型简单串起来,而是把“输入、音频切分、转写、说话人、翻译、合成、对齐、导出”做成一条稳定的数据管线。比较稳的架构可以拆成 7 层:输入层、ASR 层、说话人分离层、NMT 层、TTS 层、后处理层和任务编排层。