实时语音转文字如何做到“精准无延迟”？_服务软件

1. 独家｜VUI Labs宇生月伴完成数千万元天使+轮融资，同创伟业领投，打造行业领先的情感语音大模型和多模态Agent

2. 【大家测】好玩！399元预售土豆子2号开箱体验一款可以随身携带的智能语音

3. 微软 1 月开源的 VibeVoice-ASR 语音识别模型（github.com/microsoft/VibeVoice），Simon Willison 在 Mac 上测试后给出了一份具体的实测报告。VibeVoice-ASR 是微软研究院今年 1 月 21 日开源的 9B 参数语音转文字模型，MIT 协议。最大卖点是单次能处理 60 分钟连续音频，而且把"谁在说、什么时候说、说了什么"做成结构化输出。传统方案要拿 Whisper（OpenAI 开源的语音识别模型）配上 pyannote 这种说话人分离工具拼起来，这次一个模型直接搞定，原生支持 50 多种语言和中英混说。Simon 跑的是社区做的 4-bit 量化版（5.71GB，原模型 17.3GB），机器是 128GB 内存的 M5 Max MacBook Pro，转写一小时播客花了 8 分 45 秒。调用时要手动把 max-tokens 调到 32768，否则默认 8192 只够大约 25 分钟的音频。Activity Monitor 监控显示，prefill（预填充）阶段内存峰值飙到 61.5GB，生成阶段稳定在 18GB 上下，普通 32GB 笔电基本跑不动这个量化版。一个有趣的细节：模型把这场播客识别成了三个说话人。实际上只有 Simon 和主持人 Lenny 两人对谈，但 Lenny 的开场白和广告口播用了不同的录音环境，模型干脆把这部分切成了第三人。硬限制有两个：单次最多 60 分钟，超过要自己切片处理，还得手动对齐切片间的说话人 ID；想本地跑量化版至少要 64GB 以上内存的机器。对做播客转写、会议纪要、采访整理的人来说，原来拼接的多步流程现在能压缩成一次推理。

4. 语音转文字经常需要调用OpenAI API、上传云端等待，或者用各种工具来回折腾，速度慢还担心隐私和费用。Insanely Fast Whisper 把Whisper-large-v3优化到极致，本地GPU上实现闪电级转录，150分钟音频98秒搞定！不仅速度爆表19倍，还支持多语言自动检测、说话人分离、词级时间戳，完全离线无API依赖。GitHub：github.com/Vaibhavs10/insanely-fast-whisper主要功能：- 超快转录：Whisper-large-v3 + Flash Attention 2，150分钟音频仅98秒（A100 GPU）；- 支持转录/翻译任务，自动检测几十种语言；- 说话人分离（diarization），自动区分谁说了什么；- 词级/段落级时间戳，支持精确定位任意时刻；- CLI一键操作，支持本地文件/URL输入，输出JSON格式；- 兼容NVIDIA GPU和Apple Silicon Mac，Google Colab免费版也能跑；- 可调batch size、模型选择（distil-whisper等），避免OOM问题。安装超简单：pipx install insanely-fast-whisper运行：insanely-fast-whisper --file-name your_audio.mp3适合播客、会议记录、研究访谈、法律录音等场景，12.6K星开源项目。#AI工具##语音转文字##开源#

5. 在语音识别和语音转文字领域，Vosk是一个开源的离线语音识别工具，支持多语言，能够在本地运行，无需依赖云服务，适合对隐私和可控性有要求的个人或项目使用。项目地址：github.com/alphacep/vosk-api 主要功能 1.支持实时语音识别，将语音转换为文本 2.支持多种语言和方言模型，可根据需求选择 3.可离线运行，无需上传音频到云端，保护数据隐私 4.提供Python、Java、C++等多语言接口，易于集成 5.支持语音流处理，可用于会议记录、字幕生成等场景 Vosk专注于高效、轻量和可控的语音识别，适合希望在本地完成语音转写、开发智能助手或构建语音应用的人使用，不依赖网络，部署灵活，可直接嵌入各种系统。

6. 阿里发布新一代全模态大模型Qwen3.5-Omni。采用混合注意力MoE架构，通过1亿小时音视频+文本跨模态预训练。原生支持113种语言识别（含毛利语等濒危语种）和36种语音生成。创新ARIA语音技术实现音色稳定，对话响应延迟降低至人类感知无差别水平。核心突破: 视听理解:在DailyOmni等215项基准测试中全面超越Gemini 3.1 Pro ，嘈杂环境语音识别错误率下降42%（WenetSpeech基准）视频内容结构化描述准确率达98.1%（RealWorldQA测试）。 Vibe Coding进化:非预设能力，在百万级多模态指令微调中自然涌现。普通用户可前往Qwen Chat免费体验，开发者和企业可通过阿里云百炼平台调用Qwen3.5-Omni模型Plus、Flash、Light三种API。

7. 简单说，谢霆锋演唱会现场，有人把#荣耀Magic V6#玩明白了。人在跟唱，手机在开会。AI语音转写+自动生成纪要，全程没碰屏幕，会议要点一条没落。这操作有点意思。折叠大屏看会舒服，AI还能自己干活，打工人只需要负责挥舞荧光棒。突发会议不耽误看演出，工具服务人，而不是人盯着工具。#谢霆锋演唱会现场粉丝淡定开会##年轻人的一心二用有多绝#

8. Ai软件会议纪要横测，谁才是效率王者

9. 在线语音合成技术日新月异，阿里云Qwen团队最新开源的Qwen3-TTS项目，非常强大！它支持多语言（中英日韩德法俄葡西意等10种，以及多方言），拥有超低延迟流式合成功能，甚至能按自然语言指令智能调控声线的情绪、语调和节奏，真正实现“想怎么说，就怎么听”。Qwen3-TTS集合了定制声线、自由设计声音、以及精彩的音色克隆功能，还能应对嘈杂文本，稳定演绎高保真声音。无论做主播配音、智能助理、或是个性化语音内容生产，都特别适合。GitHub地址：github.com/QwenLM/Qwen3-TTS核心亮点：- 自研高效语音编码器，保证声音细节完整还原；- 端到端多码本模型架构，提升生成速度和音质上限；- 双轨流式架构，最高97毫秒合成延迟，适合实时交互；- 支持以文字自然语言控制发声风格和情绪表达；- 提供丰富预训练模型，快速实现声线设计、克隆和合成；- Python一键安装qwen-tts库，支持本地和API在线调用；- 兼容多平台和硬件加速，支持从示例到专业定制多种场景。对TTS开发者、AI语音爱好者、内容创作者都很友好，赶紧试试吧！🔊✨

10. 豆包输入法Mac版正式上线，所有人都该试试AI语音输入了。

11. 真的被千问AI眼镜S1圈粉了！直播里展示了AI克隆同声传译功能，韩国人刚说完韩语，眼镜里传出来的竟然是中国话，甚至连他的语气、停顿、情绪都还原了，就好像他在说中文一样。完全不是那种冷冰冰的机器人声，听着特别舒服。还支持89种语言实时互译，延迟几乎感觉不到。以后追海外直播根本不用等字幕，商务谈判也能实时理解对方的意思，简直太实用了！#已读但不乱回#

12. 谁懂呀，#谢霆锋演唱会现场粉丝淡定开会#，这职场大姐直接把打工人追星天花板玩明白了！#荣耀Magic V6#在手，不管演唱会现场多嗨多吵，都能精准完成会议语音实时转写，智能提炼核心要点，自动生成完整会议纪要，连待办事项都给你梳理到位，甚至多语言会议都能实时翻译，直接把专属职场助手揣进兜里。真正实现#年轻人的一心二用有多绝#，从此以后追星自由，让工作和生活更平衡！这波硬核操作，不得不服！

13. 最强免费上字幕！99%的准确率，本地开源部署、Google AI 两套最佳音频转文字方案！2026 | 零度解说

14. 豆包输入法，已经用了两周，真实体验：安卓机体验巨好用，丝滑。苹果手机老得调起豆包，略显奇怪。语音识别太强了，又快又无错，正确率实在是高。缺点是如果打字，反应速度总觉得有点黏，再快些脆些更好了。//@蘸盐:我下了个豆包输入法。感觉联想功能好强大[开学季][开学季]

15. 想做出逼真的AI语音合成，很多人只能依赖在线API：隐私全泄露，费用居高不下。NeuTTS 把顶级语音能力带到本地设备，提供开源免费的超拟真TTS解决方案。不仅有最佳尺寸比的真实语音，还支持3秒即克隆音色，手机笔记本树莓派全都能跑，英语/西班牙/德/法多语种支持。GitHub：github.com/neuphonic/neutts主要功能：- 超拟真语音合成：小模型大自然度，像真人说话；- 3秒即时声音克隆：短音频样本快速复刻音色；- 全本地离线运行：隐私安全，不上传数据；- 轻量高效部署：GGUF量化，手机/嵌入式设备实时生成；- 多语种支持：英语、西班牙语、德语、法语（模型相关）；- 流式生成+水印：实时播放，输出可追溯更负责。支持 pip install neutts 一键安装，Python代码几行搞定，适合开发者、App嵌入和语音应用。#AI##开源##TTS##语音合成#

16. 谷歌昨天在iOS系统上线了一款能离线用、自动润色、无需订阅的语音听写APP: Google AI Edge Eloquent，后续也会上线安卓系统~ #GenjiAI技能分享#GenjiAI技能分享# 📱 上手超简单（iOS 版直接冲）1. 打开 App Store 搜索Google AI Edge Eloquent，免费下载安装（目前仅 iOS 上线，安卓宝子蹲一波后续更新）；2. 首次打开可选择模式：想极致隐私就开本地模式，需要更高质量润色就开启云端模式（联动 Gemini 模型，优化效果更顶）；3. 点击录音按钮，口述内容时系统会自动实时过滤语气词、润色文本；4. 录完后可查看每分钟输入字数、总字数，还能导入自定义词汇完善术语库，最后导出 PDF / 文档格式就搞定～

17. Ai软件会议纪要横测，谁才是效率王者

18. 说句话就能自动找番下载？我把本地80B大模型调教成了“追番特工”！

19. 【大家测】AYN奥丁3掌机对比热门掌机高通8 Elite

20. 口袋AI助理，工作效率神器-钉钉DingTalk A1录音卡

21. 如何从零开始构建一个低于500毫秒延迟的语音助手 www.ntik.me/posts/voice-agent 这篇文章讲述了作者如何从零开始构建一个延迟低于500毫秒的语音代理。与文本Agent相比，语音Agent的复杂性更高。语音Agent需要实时协调多个模型，确保用户讲话时系统及时停止播放语音，避免错误的转接或延迟。作者使用了流式管道将语音识别、大语言模型和语音合成结合起来，确保每个环节都能迅速响应用户输入。同时，系统需要在用户开始说话时即时取消正在进行的生成任务和播放。 #HOW I AI##人工智能[超话]#

22. 一觉醒来OpenAI发了三个语音模型。GPT-Realtime-2:OpenAI目前最强的语音模型，具备 GPT-5 级别的推理能力。它能边听边想，在对话中实时解决复杂问题。可以理解为：一个能打电话的 GPT-5。GPT-Realtime-Translate:实时语音翻译，支持 70 多种语言输入，翻译成 13 种语言输出，翻译的同时还能保留说话者的语调和情感。GPT-Realtime-Whisper:实时语音转文字，一边说话一边出字幕。适合做实时字幕、会议记录。

23. 4月30日，xAI正式发布Grok自定义语音和语音库功能。用户仅需在xAI控制台录制约一分钟自然语音，即可在不到两分钟内获得个人声音克隆模型，并立即应用于Grok文本转语音（TTS）和Voice Agent API。该功能采用严格的安全验证流程，用户需先朗读验证短语，由语音转文本引擎实时匹配确认身份，再通过说话人嵌入技术比对录音一致性，确保只有本人才能创建自己的声音模型，无法克隆预录音频或他人声音，有效防止滥用。自定义语音为多种应用场景带来便利，包括为品牌客服代理赋予一致且可识别的专属声音、让内容创作者用本人声音大规模旁白视频和播客、为失声人士保留个人声音特征，以及支持多语言团队将演讲自然呈现于英语、西班牙语、法语、德语、中文、日语等多种语言。同时，它还适用于游戏角色配音、播客和有声书制作，无需反复进入录音室。全新语音库集成于xAI控制台，用户可在同一页面浏览、预览和管理所有自定义语音及超过80种内置声音（覆盖28种语言）。自定义语音完全继承Grok TTS的各项能力，包括语音标签、多语言输出和流式传输，且使用Text to Speech或Voice Agent API时不收取额外费用。xAI表示，此次更新大幅降低个性化语音的使用门槛，有望推动AI语音技术在客服、内容创作、娱乐和无障碍领域实现更多创新。目前开发者已可通过xAI控制台直接体验该功能。

24. Agent 语音交互如何更稳、更快？一次高并发消息链路优化实践

25. #领克致歉语音误关大灯#从视频看，这车语音交互是有很大问题。第一句就识别错误，把阅读灯听成了灯。同时系统逻辑也有问题，行车的时候居然能允许语音关大灯。后面司机语气慌了，语音就干脆不识别了。多个bug叠加导致事故。当然，司机是真的慌了，这个时候拉住灯光拨杆手动远光，是可以强制开远光的。现在用车的语音交互有一个感受：聪明的语音用上了就离不开，不聪明的压根不想跟它说第二句话。 -_-二师兄的微博视频

26. 估值 7 亿美元的 AI 语音输入产品：语音输入的关键问题是听写，不是转录

27. 改造了下 Openclaw。支持了飞书的流式输出，然后支持立即反应，说完话马上会回复，而不是执行完了腹泻式输出，还支持了多线程，可以让一个龙虾干好几个活，支持切换。改造的方式是卸载 openclaw，换成 codex。它连接到飞书就行了。而且我现在用的是尊贵的 GPT 5.3 模型，openclaw 太垃圾了，codex 接入飞书是它自己完成的。 Sunbelife的微博视频

28. 真的，vibe coding搭配语音输入很爽！| 使用技巧+自制语音输入法分享(免费）

29. 音频转文字，视频转文字，几个小时音视频转文字一两分钟搞掂，免费。#音频转文字 ##视频转文字##ai创造营##ai生活指南##一分钟视频创作季# 西门吹花hz的微博视频

30. 在线玩外国游戏或者看外语硬字幕视频时，翻译卡顿、操作繁琐？推荐一个强大的实时屏幕翻译神器——Translumo！Translumo 是一款开源高级实时屏幕翻译工具，专为游戏实时翻译设计，也适用于视频硬字幕、静态文本等多场景。它结合了多种OCR引擎，智能评分选择最佳识别结果，翻译语言覆盖英、日、韩、中、俄及多国语言，几乎可满足国内外主流语言需求。主要功能：- 高精度文本识别，集成Windows OCR、Tesseract、EasyOCR多引擎支持- 支持DeepL、Google翻译、Yandex及Naver Papago多翻译服务- 低延迟优化，实时捕获屏幕文本并翻译- 可自定义截屏区域，精准捕获游戏或视频字幕- 支持代理设置，避免翻译服务封锁- 纯Windows环境，兼容Win10及Win11，轻松运行只需下载最新版本，设置识别和翻译语言，定义截屏区域，即可开启流畅的实时屏幕翻译体验，特别适合游戏玩家和多语言视频爱好者。GitHub：github.com/ramjke/Translumo#游戏翻译神器# #屏幕实时翻译# #开源工具# #多语言AI助手#

31. 电子书《语音与语言处理》web.stanford.edu/~jurafsky/slp3/ed3book_aug25.pdf本书是斯坦福 Daniel Jurafsky和James H. Martin合著的经典教材《语音与语言处理》（Speech and Language Processing）第三版的2025年8月草稿版，600多页。该书系统地介绍了从基础的文本处理（如正则表达式、分词）和统计模型（如N-gram、逻辑回归），到现代深度学习技术（如词嵌入、Transformer、大语言模型LLM、指令微调）的广泛内容。还涵盖了语音识别、文本转语音（TTS）、机器翻译以及句法分析、信息抽取等语言结构标注任务，为读者提供计算语言学和语音技术方面的全面理论基础与算法实践。#科技先锋官#

32. 传统TTS合成往往依赖GPU或云端API，资源消耗大、延迟高，还需网络连接，使用起来门槛不低。Agora Pocket TTS 颠覆传统，提供超轻量级文本转语音解决方案，完全适配CPU运行。仅100M参数模型，支持音频流式生成，低至200ms首帧延迟，MacBook Air M4上CPU实时6倍速，仅用2核。支持Python API/CLI、语音克隆、多语言（英法德葡意西），无限长文本输入，甚至浏览器端运行。GitHub：github.com/kyutai-labs/pocket-tts主要功能：- CPU高效运行，无需GPU，~200ms低延迟音频流式生成；- 超轻量100M参数模型，实时6x速度，仅2核CPU；- 语音克隆，支持自定义wav样本快速适配；- 多语言支持：英语、法语、德语、葡萄牙语、意大利语、西班牙语；- Python库/CLI/HTTP服务，pip/uv一键安装；- 浏览器WebAssembly运行，无需安装即试用；- 无限长文本处理，适合长篇朗读/ audiobook。支持Python 3.10+，PyTorch 2.5+，跨平台Web/桌面，通过pip install pocket-tts本地运行，适合开发者、内容创作者和AI应用。#AI创造营##人工智能# #TTS# #语音合成#

33. 发现一个开源项目叫 Type4Me，作者自己定位就是 Typeless 平替，MIT 协议，免费用。它最吸引我的地方有两个。第一个是本地识别。底层跑的是 SherpaOnnx 引擎，不需要联网，不需要 API Key，Apple Silicon 上速度很快。你的语音数据全程不出本机，所有识别历史都存在本地的 SQLite 里，没有遥测，没有云同步。如果你觉得本地识别的准确率不够用，也可以切到云端引擎，目前支持火山引擎和 Deepgram。第二个是它把语音识别和大模型串起来了。识别出文字之后，可以直接交给大模型做后处理，比如润色、翻译、按你写的 Prompt 做任意加工。内置了几种常用模式，也完全可以自己定义。更狠的是它有个命令模式：选中一段文字，按快捷键，对着麦克风说你想让大模型干什么，选中的文字就是上下文，大模型直接执行然后输出结果。等于把语音变成了大模型的命令行。架构上做了插件化设计，加新的识别引擎只需要实现两个协议然后注册，Whisper、Google、AWS 的接口都预留好了，等社区来填。要求 macOS 14 以上，GitHub 地址：github.com/joewongjc/type4me#科技先锋官##How I AI#

34. #谷歌研究发布新一代医疗AI模型：MedGemma 1.5与Med-ASR#引言在人工智能（AI）迅速渗透医疗保健领域的背景下，谷歌研究团队近日发布了MedGemma系列开源医疗生成AI模型的最新版本——MedGemma 1.5 4B，以及全新的医疗语音到文本模型Med-ASR。这些模型旨在为开发者提供起点，帮助构建先进的医疗AI应用。根据谷歌的Health AI Developer Foundations (HAI-DEF)程序，这些模型可在Google Cloud的Vertex AI上扩展使用。自MedGemma系列推出以来，已累计数百万次下载，并在Hugging Face平台上衍生出数百个社区变体，显示出其在医疗AI社区中的广泛影响力。该博客文章强调，医疗行业采用AI的速度是整体经济的两倍，这些新模型将进一步推动医疗图像解释和语音转录的创新。MedGemma 1.5：多模态医疗图像解释的突破MedGemma 1.5 4B是MedGemma系列的升级版，专注于多模态医疗成像支持，包括高维医疗图像（如CT扫描、MRI和组织病理学切片）、纵向医疗成像（如胸部X光的时间序列审查）、解剖结构定位（如胸部X光中的器官定位）以及医疗文档理解（如从实验室报告中提取结构化数据）。该模型保留了核心能力，如处理文本、医疗记录和2D图像，同时扩展到更复杂的3D体积表示。关键特性与能力- 多模态设计：反映医学数据的多样性，支持开发者输入多个图像切片或补丁，并附带任务提示。- 高维成像支持：适用于CT、MRI的3D体积和组织病理学的全切片图像。- 灵活适应：开发者可通过微调自身数据提升性能，与MedSigLIP图像编码器结合使用，支持完整DICOM格式部署。性能基准在内部基准测试中，MedGemma 1.5相比前代模型表现出显著提升：- CT相关疾病分类准确率提升3%（61% vs. 58%）。- MRI相关疾病分类准确率提升14%（65% vs. 51%）。- 组织病理学滑片预测的ROUGE-L分数提升0.47（0.49 vs. 0.02），接近专用模型PolyPath的0.498。- 胸部X光解剖定位的IoU（交并比）提升35%（38% vs. 3%）。- 纵向胸部X光审查的宏准确率提升5%（66% vs. 61%）。- 一般医疗图像解释准确率提升3%（62% vs. 59%）。- 实验室报告提取的检索宏F1分数提升18%（78% vs. 60%）。- MedQA准确率提升5%（69% vs. 64%），EHRQA提升22%（90% vs. 68%）。研究方法与潜在应用模型通过引入新训练数据集和优化技术实现改进。谷歌提供了教程笔记本，演示如何处理高维CT和组织病理学图像，并支持LoRA-based监督微调和强化学习调优。在实际应用中，MedGemma 1.5可用于医疗成像解释、疾病进展评估、解剖定位和报告数据提取。例如，马来西亚的Qmed Asia公司将MedGemma适应为askCPG对话界面，用于临床实践指南查询；台湾国家健康保险管理局则用于肺癌手术前评估的病理报告数据提取。这些应用展示了模型在提升医疗效率和准确性方面的潜力。Med-ASR：医疗语音到文本的专属解决方案Med-ASR是一个开源自动语音识别（ASR）模型，专为医疗听写场景微调，支持将医疗专业领域的语音转换为文本。它可与MedGemma系列配对，用于高级推理任务，如转录医疗对话或生成模型提示。关键特性与能力- 医疗词汇专精：熟悉医疗术语，确保转录准确性。- 自然交互接口：作为语言模型的输入方式，支持医疗听写转录和提示生成。性能基准与Whisper large-v3模型相比，Med-ASR在医疗基准上表现出色：- 胸部X光听写词错误率（WER）降低58%（5.2% vs. 12.5%）。- 多样化医疗听写基准WER降低82%（5.2% vs. 28.2%）。研究方法与潜在应用模型通过针对医疗领域的微调实现优化，谷歌提供了教程笔记本，帮助开发者构建结合音频理解和临床推理的系统。在应用方面，Med-ASR可用于转录医疗听写、支持患者-提供者交互，以及生成MedGemma的自然语言提示，提升医疗对话的效率。挑战与未来展望尽管这些模型取得了显著进展，但谷歌强调其仍处于早期阶段，可能产生不准确输出，不适合直接临床使用。开发者需通过验证、适应和修改确保安全性和可靠性。基准性能不保证在实际医疗场景中的适用性，所有输出需独立验证临床相关性。未来，谷歌计划持续改进MedGemma系列，并通过MedGemma Impact Challenge（Kaggle举办的黑客马拉松，总奖金10万美元）鼓励开发者探索创新应用。该挑战旨在激发医疗AI的创意使用，推动行业进步。结语MedGemma 1.5和Med-ASR的发布标志着谷歌在医疗AI领域的又一里程碑，为开发者提供了强大工具，以应对医疗图像和语音处理的复杂挑战。这些开源模型不仅提升了性能，还强调了社区协作的重要性。感兴趣的开发者可通过Hugging Face、Vertex AI或GitHub获取模型和教程，开始探索其潜力。---------报道日期： 2026年1月14日来源：谷歌研究博客（发布于2026年1月13日）作者： Daniel Golden（工程经理）和Fereshteh Mahvar（软件工程师），谷歌研究团队

35. 骁龙X2 Elite性能竟然这么强!? 高通架构解析日探展vlog

36. 开源项目推荐：Type4Me，作者号称是 Typeless 平替macOS 语音输入工具，本地/云端双引擎识别，大模型文本优化，数据全部存在本地。市面上的语音输入工具，要么贵（$12/月），要么数据不可控，要么不能自定义 Prompt。Type4Me 想把这几个问题一起解决。它基于 SherpaOnnx 引擎做本地语音识别，不需要 API Key、不需要联网，在 Apple Silicon 机型上跑得很快。如果你更看重准确率，也可以接云端引擎（目前支持火山引擎和 Deepgram）。最有意思的是它的"处理模式"设计——语音识别出文字后，可以直接丢给大模型做后处理。内置了快速听写、双通道高精度、中译英、Prompt 优化等模式，也可以自己写 Prompt 定义任意处理流程。还有个"命令模式"值得一提：选中一段文字，按快捷键说一句话，语音会变成指令，选中的文字变成上下文，LLM 直接执行操作并输出结果。相当于把语音变成了 LLM 的命令行。数据方面，所有凭证和识别历史都存在本地（SQLite + JSON），没有遥测、没有云同步，历史记录支持导出 CSV。项目架构是插件式的，添加新的语音识别服务只需要实现两个协议然后注册，目前 OpenAI Whisper、Google、AWS 等接口定义都预留好了，等社区来补。MIT 协议，macOS 14+，GitHub 地址：github.com/joewongjc/type4me 宝玉xp的微博视频

37. 如何从浅入深理解 Transformer？

38. 开发AI玩具和语音伴侣设备，常常需要集成多种模型、音频处理和网络通信，硬件兼容性差、部署复杂，调试起来异常麻烦。ElatoAI 把实时语音AI的全栈功能整合到ESP32上，支持100+模型的端到端语音交互解决方案。不仅兼容OpenAI Realtime API、Gemini Live、xAI Grok、ElevenLabs和Hume AI EVI，还提供安全WebSocket、边缘函数部署、全球低延迟对话，甚至支持本地LLM和OTA更新。GitHub：github.com/akdeb/ElatoAI主要功能：- 实时语音转语音，支持OpenAI、Gemini、xAI Grok、ElevenLabs、Hume AI等多模型；- 安全WebSocket和Opus音频压缩，实现<2s全球低延迟对话；- 自定义AI代理，支持个性化声音、音调调节和工具调用；- ESP32固件，支持按钮/触摸控制、WiFi配置、OTA更新，无需PSRAM；- Next.js前端+Supabase后端，提供设备管理和对话历史；- 边缘部署，支持Deno Edge/Cloudflare Workers，全球20分钟不间断对话。支持Arduino IDE/PlatformIO开发，Web/移动端控制，适合AI玩具、语音助手和IoT设备开发者。#AI硬件##ESP32##语音AI#

39. 想去旅游？在GPT说说话机酒就订好了最近OpenAI上线三款语音模型：GPT-Realtime-2（Agent）、GPT-Realtime-Translate（翻译）和GPT-Realtime-Whisper（转写），跟它聊天就能完成机票改签、酒店预定、好物咨询，重点是实时完成、延迟超低，同传助手真的来了~详情查看：网页链接#GPTRealtime2##AI语音模型##AI同传##openai语音模型##GenJi聊AI#

40. NVIDIA Nemotron Speech ASR

41. Mistral发布两款语音模型，实时处理延迟低于200毫秒

42. 云平台一键部署【Nemotron-0.6B】英文长语音转文本神器

43. GitHub一巡！边缘设备语音识别延迟高？Moonshine Voice开源工具包实现实时低延迟高准确率语音转文字

44. 具备身份感知能力的全双工语音交互前端 ASR 模型: SenseVoice (Small)

45. OpenAI低延迟语音AI背后的秘密

46. OpenAI 如何实现低延迟语音 AI？深入解析 WebRTC 架构重构

47. 一起看看OpenAI 如何把低延迟语音 AI 做到规模化

48. AI语音通话实现流程，怎么保证低延迟的

49. GitHub一巡！解决实时语音识别延迟痛点，Moonshine实现边缘设备低延迟高准确率语音转文本

50. 阶跃 StepAudio 2.5 ASR 上线！500TPS 极速推理，30分钟语音“秒级转写”

51. 阶跃星辰StepAudio2.5ASR

52. VIBEVOICE-ASR技术报告

53. 国产语音模型StepAudio 2.5 ASR拿下SOTA

54. 速度狂飙 400%+ 多项 SOTA！阶跃星辰 StepAudio 2.5 ASR 重新定义语音识别天花板

55. 小米车外语音 TS-ASR 技术方案分享

56. 离线AI听写技术解析

57. MediaTek 与《王者荣耀》、腾讯游戏 GVoice 团队深度合作，推动端侧语音识别落地

58. 【前沿分享】肖溪

59. 告别唤醒词！端侧语音AI革命性突破

60. 微软把2.47GB语音模型压到670MB准确率几乎没掉

61. 离线语音识别芯片与在线语音识别芯片，到底该怎么选？—广州唯创电子WTK6900HA/HC语音识别芯片深度解析

62. 天玑9500携手《王者荣耀》与腾讯GVoice

63. 智谱开源GLM-ASR语音模型

64. 智谱开源GLM-ASR

65. 端侧AI实战

66. Google端侧AI

67. 不再依赖云端，AI开始“就地思考”

68. 边缘AI是什么——在现场实时做出判断的下一代人工智能

69. 什么是边缘AI

70. 告别“云延迟”

71. Qwen3-ASR技术报告

72. Qwen3-ASR 多语言语音/音乐/歌曲识别懒人整合包

73. 微软开源了一个语音 AI 全家桶，ASR 能处理 60 分钟长音频，TTS 支持实时流式生成

74. 蔚来 NIM4-ASR 重新定义车载实时 ASR，流式推理 + 热词 RAG 双杀，2.3B 参数屠榜 25 个基准！

75. 浏览器隐藏玩法

76. 实时互动听不清、难复盘？小鹅通智能字幕全量上线

77. iPhone自带实时字幕翻译太香了！看外剧听英文不用再找字幕查词典

78. 实时双语字幕工具哪款好？

79. 讯飞同传双语字幕插件实测

80. 【双语】讯飞同传双语字幕插件上线，实时同传天花板

81. ASR 和 STT的区别

82. 做实时语音识别，我测了5个方案，说说真实

83. TTS+ASR 智慧语音

84. 一个神器，覆盖全场景字幕需求

85. 腾讯云发布AI音视频实时翻译平台3.0

86. 语音转文字工具横评

87. 腾讯会议 AI 纪要

88. XTrans技术实践

89. 三大AI会议助手实测

90. 隔壁公司已经用AI听记开会了，你们还在手搓？

91. SLM-SS

92. 目标说话人识别大模型，让车外语音“聚精会神”听懂你

93. 被低估的前置语音技术——为什么你的语音 AI 总「听不清」？一篇文章讲清楚 3A、VAD 和声纹识别丨社区来稿

94. 语音转文本工具整合包VibeVoice-ASR，专为长音频转录与结构化会议记录打造，自动进行说话人分离与追踪，清晰区分不同发言人内容与段落。

95. 微软李锦宇团队JEDIS-LLM——短音频训练、长音频流式推理解决“谁在什么时候说什么”的问题

96. 六连冠！语音国家工程研究中心获CHiME-9多模态上下文感知识别（MCoRec）挑战冠军

97. 多人同时说话，AI如何区分？——芯熠达Hyper AI 的“多人语音分离”机制拆解

98. 就算多人同时发言，智能AI都能精准识别谁说了什么

99. 六连冠！讯飞攻克CHiME-9，重塑语音识别新高度！

100. GLM-ASR-Nano-2512

101. OpenAI发布研究成果-如何实现在大规模部署的环境下提供低延迟的语音AI-Pion作为核心

102. 实时语音 AI 的工程底座

103. 用C#构建实时语音AI助手，延迟低于200ms

104. OpenAI 9亿用户背后

105. 腾讯优图VITA-Audio

106. 9亿用户同时说话，OpenAI 怎么做到不卡顿的

107. 9 亿人在用的语音 AI，OpenAI 是怎么撑住的？

108. OpenAI揭秘

109. Fun-ASR技术报告

110. 智能云会议引擎：用万亿分钟级验证，定义会议的“电信级”体验

111. 微软VIBEVOICE-ASR技术报告

112. VibeVoice ASR：长达60分钟音频一次性“直出”结构化转写

113. AI 多模态全栈项目实战：Vue3 + Node 打造 TTS+ASR 全家桶！

114. 智能语音清洗与说话人提取引擎及下载

115. 【AI论文解读】全双工语音大模型的数据瓶颈解决了！首个开源可扩展多轮语音预处理流水线Sommelier

116. 深度拆解WebRTC底层原理：信令与媒体引擎实战

117. ASR-Max 本地化 AI 会议语音辅助系统

118. MiMo-V2.5-ASR 发布，8 维场景原生标点免后处理

119. 火山引擎ASR & 阿里云ASR 怎么选

120. FunASR 语音识别：让声音变成可编辑的文字

121. 语音转文字最大的尴尬：转得挺准，就是没法看

122. Whisper-large-v3性能优化:语音识别速度提升秘籍

123. 大模型应用：语音转文本（ASR）实践：OpenAI Whisper精准转录解析.21

124. 腾讯会议转文字评测：听脑AI效果惊艳值得你试试

125. 多语言直播如何打破语言壁垒？腾讯云国际站字幕同传功能详解

126. 给OpenClaw装上“耳朵”：腾讯云ASR Skill 小白安装教程

127. Whisper语音识别终极指南:10个技巧快速实现高效语音转文字

128. 2025年语音识别大比拼

129. 2026年语音转文字工具终极评测：这10款让视频加字幕效率提升300%

实时语音转文字如何做到“精准无延迟”？

精选参考来源