ASR – mylogs.cn https://mylogs.cn 发现、记录、分享 Tue, 29 Sep 2026 17:09:10 +0000 zh-Hans hourly 1 Grok 语音转写 2.0 发布：错误率减半，价格不变 https://mylogs.cn/grok-%e8%af%ad%e9%9f%b3%e8%bd%ac%e5%86%99-2-0-%e5%8f%91%e5%b8%83%ef%bc%9a%e9%94%99%e8%af%af%e7%8e%87%e5%87%8f%e5%8d%8a%ef%bc%8c%e4%bb%b7%e6%a0%bc%e4%b8%8d%e5%8f%98/ Sat, 19 Sep 2026 13:19:13 +0000 https://mylogs.cn/grok-%e8%af%ad%e9%9f%b3%e8%bd%ac%e5%86%99-2-0-%e5%8f%91%e5%b8%83%ef%bc%9a%e9%94%99%e8%af%af%e7%8e%87%e5%87%8f%e5%8d%8a%ef%bc%8c%e4%bb%b7%e6%a0%bc%e4%b8%8d%e5%8f%98/ SpaceXAI（xAI）于当地时间 9 月 18 日发布了 Grok Voice Transcribe 2.0 语音转文本模型。在保持价格不变的前提下，新版本将词错误率（WER）较上一代降低约一半，并在独立评测榜单 Artificial Analysis 的流式转写准确率排名中位列 32 款模型之首。

Grok Voice Transcribe 2.0 官方示意图

准确率登顶流式榜单

根据 Artificial Analysis 的 AA-WER Streaming 评测，Grok Voice Transcribe 2.0 在最终转录结果上的词错误率为 2.7%，而上一代 1.0 版本为 3.9%。在首个部分转录结果上，新版本词错误率从 1.0 的 18.3% 大幅降至 3.4%，响应时间为语音结束后的 0.49 秒。

非流式场景下，2.0 版本的词错误率为 2.3%，在全部 59 款模型中排第 5 位。SpaceXAI 称，该模型在流式转写的准确率上超越了 Meta 的 Muse Voice Transcribe 与 ElevenLabs 的 Scribe v2 Realtime 等竞争对手。

四项内部测试全面领先

除公开榜单外，SpaceXAI 基于线上实际业务采样了四个内部数据集进行系统评测，新版本在四项测试中均全面超越 1.0 版本：8 kHz 客服电话音频词错误率从 10.6% 降至 7.1%；与 Grok 的日常英语对话从 8.7% 降至 3.3%；人名、邮箱、地址等口述信息从 7.2% 降至 3.2%；覆盖 19 种语言的简短语音指令从 20.6% 降至 6.8%。

SpaceXAI 表示，Grok Voice 底层音频基础模型目前已全面赋能实际业务：每天承接数万通客服电话，转录数百万小时视频旁白，并为实体硬件中的语音智能体提供支撑，其中包括特斯拉车辆搭载的 Grok 助手。企业协作软件商 Atlassian 已在旗下 Loom 录屏平台中采用该模型，用于为 Cursor 等编码工具生成可落地的开发口述转录。

价格不变，功能加码

Grok Voice Transcribe 2.0 的定价与 1.0 版本完全一致：批量转录为每小时音频 0.10 美元（现汇率约合 0.67 元人民币），实时流式转录为每小时 0.20 美元（现汇率约合 1.3 元人民币）。说话人分离、精确时间戳以及自定义关键词功能均已包含在内，无需额外付费。

新版本新增了多项能力：带置信度评分的逐词时间戳、最多 8 通道的独立转录、智能语音分段检测，以及每次请求最多可传入 100 个领域专属词汇的关键词偏置，用以提升专有名词与术语的识别率。开发者可通过 SpaceXAI 的语音转文本接口调用，批量请求支持最大 500 MB 文件，流式请求通过 WebSocket 端点传输。

SpaceXAI 表示，1.0 版本将在未来数周内逐步弃用，2.0 版本将接任默认模型；过渡期内开发者仍可通过指定版本号继续使用旧接口。对现有集成而言，切换到 2.0 无需修改代码。

]]> Meta 推出实时语音转写模型，70 多种语言即时成文 https://mylogs.cn/meta-%e6%8e%a8%e5%87%ba%e5%ae%9e%e6%97%b6%e8%af%ad%e9%9f%b3%e8%bd%ac%e5%86%99%e6%a8%a1%e5%9e%8b%ef%bc%8c70-%e5%a4%9a%e7%a7%8d%e8%af%ad%e8%a8%80%e5%8d%b3%e6%97%b6%e6%88%90%e6%96%87/ Tue, 01 Sep 2026 22:54:18 +0000 https://mylogs.cn/meta-%e6%8e%a8%e5%87%ba%e5%ae%9e%e6%97%b6%e8%af%ad%e9%9f%b3%e8%bd%ac%e5%86%99%e6%a8%a1%e5%9e%8b%ef%bc%8c70-%e5%a4%9a%e7%a7%8d%e8%af%ad%e8%a8%80%e5%8d%b3%e6%97%b6%e6%88%90%e6%96%87/ Meta 发布首款实时音频感知模型

Meta 于 9 月 1 日发布 Muse Voice Transcribe，这是其第一款实时音频感知模型，由 Meta Superintelligence Labs 打造。该模型将流式语音识别、说话人分离与时间端点检测结合在一起，能够在说话的同时完成转写，并自动区分录音中 20 位以上的不同说话人，判断某人何时说完一句话，全程无需额外的后处理步骤。

Meta AI Mac 应用界面
图片来源：9to5Mac

支持 70 多种语言，按小时计费

Muse Voice Transcribe 在超过 70 种语言上完成训练，发布时已有 25 种语言通过验证，可处理超过一小时的音频，并支持句内与句间的母语级代码切换。模型还引入了名为「自适应延迟」的机制：对容易识别的语音快速输出，对困难词汇则调用更多音频上下文后再做判断。

据 Meta 介绍，该模型在 Artificial Analysis 的流式语音转写排行榜上排名首位（截至 9 月 1 日）。通过 Meta Model API 调用时，价格为每 1000 音频分钟 3 美元，约合每小时 0.18 美元。

已接入 Mac 端与编程工具

目前，该模型已为 Meta AI for Mac 与 Muse Code 中的听写功能提供支持。在 Mac 上，用户按住 Fn 键即可向任意应用进行语音输入。相关能力由 Meta 研究员 Spencer Barnett 于 9 月 1 日在社交平台 X 上公布。

中文市场用户需注意

需要说明的是，Muse Voice Transcribe 目前主要依托 Meta AI 生态，面向以英语为主的市场，在中国内地并未正式提供服务。对于中文用户，类似的实时语音转写与会议纪要能力，已可由国内多家语音技术厂商与办公协作产品提供；本文仅作技术动态介绍，不构成使用建议。

]]> 语音识别终于能听懂你在说什么了 https://mylogs.cn/tencent-hunyuan-asr30-preview/ Tue, 04 Aug 2026 09:29:02 +0000 https://mylogs.cn/tencent-hunyuan-asr30-preview/ 你用语音输入法的时候，有没有被同音词坑过？”期中考试”打成”期终考试”，”致癌物质”变”治癌物质”——机器听清了每个字，但就是不懂你的意思。

语音识别终于能听懂你在说什么了
图片来源：腾讯新闻

8 月 4 日，腾讯混元发布了新一代语音识别模型 Hy ASR 3.0 preview，核心升级就一句话：**从”逐字转写”变成”理解语境”。**

具体数据很能打。在开源评测集上，中文普通话词错误率（WER）3.34%、英语 2.62%、粤语 3.12%，全部压在 3% 左右——这个水平已经接近人类速记员的准确率。

但比数字更重要的，是它解决的三个实际痛点：

**第一，同音词不再靠猜。** 以前语音识别是纯声学信号处理，听到什么写什么。Hy ASR 3.0 接入了混元大模型 Hy3 的语义理解能力，能根据上下文自动纠错。会议纪要、访谈转写这种长音频场景，越往后转越准。

**第二，方言覆盖面广。** 支持 10 大方言片区、20 余个二级小片区。粤语、吴语、闽南语这些主流方言都能用，不用再刻意说”播音腔普通话”。

**第三，复杂环境稳得住。** 高噪声环境、耳语、悄悄话这些声学条件恶劣的场景做了专项优化。工厂车间、街头、会议室都能用。

技术架构上也有干货：采用 MoE（混合专家）架构，自研无监督语音编码器用了数千万小时级语音数据训练，还引入多阶段强化学习优化复杂场景的识别准确率。

目前该模型已上线腾讯云 API，腾讯元宝 App 已首发接入并免费开放方言识别和上下文纠错功能。

说白了，语音识别的竞争已经从”听得多准”升级到”懂你说什么”。对普通用户来说，最直接的感受就是：以后按住说话键，可以更随意、更自然地表达，不用担心机器把意思搞反了。

你平时用语音输入多吗？最常遇到的识别错误是什么？

]]>