专题：speech-recognition

大型音频语言模型（LALM）目前主要聚焦于语音转文字，虽在转录准确率上取得突破，却缺乏对语义、情感和上下文的深度理解。文章指出模型在倾听能力上的局限，并提出跨模态预训练和层次化记忆两大技术路线作为突破口，呼吁从单纯转录向真正的听懂与交互转变。

Mistral的voxtral.c是一个基于纯C语言实现的推理引擎，用于Voxtral实时4B语音到文本模型。它旨在提高推理效率并降低成本，适用于语音数据处理场景。该技术为开发者提供了对模型内部逻辑的深入控制，有助于优化性能和资源管理。

微软发布PazaBench，首个针对低资源非洲语言的ASR基准，涵盖39种语言和52个模型。Paza系列模型基于Phi-4、mms-1b-all和Whisper，针对肯尼亚六种语言进行微调，提升转录质量与跨语言泛化能力。通过实地测试和社区反馈，推动AI在未充分代表语言中的应用。