⁣
📰 Qwen-Audio-3.0-ASR-Flash：长音频不丢词，行业词不用教

本次发布的Qwen-Audio-3.0-ASR-Flash在上下文一致性、行业词识别和热词定制化三个维度进行了系统性优化，并具备语音润色能力，能直接输出结构化文本。该系列已在会议纪要、实时字幕、教育录播、智能客服等场景得到验证，全球权威评测平台上曾以1.7%的错字率夺冠。新版本通过阿里云百炼平台开放调用，提供三种形态：离线转写、实时识别及非实时识别，且具备跨段落记忆和跨话题的上下文保持能力，能在长音频中持续听准专业词与英文术语。其行业词库覆盖医疗、IT、股票等领域，且热词定制机制实现即时生效，热词听中率普遍高于90%，部分场景甚至接近100%。同时，模型在语音润色方面可边识别边润色，去除口头禅、消除重复、纠正自我表达，输出更清晰的书面文本，且与两步润色相比在可读性和忠实度上差异不大。多语言识别能力亦被整合在同一模型中，支持中文、日语、韩语等多语言混合场景，并在多语言评测中表现优异，低延迟场景也保持高识别准确率。总之，Qwen-Audio-3.0-ASR-Flash致力于在复杂对话和专业领域中持续“听准、听对、润色到位”，并已开放调用，期待落地到会议、教育、客服、出海等实际场景。

🏷️ #语音识别 #行业词汇 #热词定制 #上下文记忆 #多语言

🔗 原文链接

⁣
📰 语音界Sora！微软刚开源新模型，一次生成90分钟语音、3200倍压缩率

今天凌晨，微软研究院开源了VibeVoice-1.5B，这是一款创新的音频合成模型，突破了许多技术瓶颈。该模型能够连续合成90分钟的超长语音，而以往的模型通常只能达到60分钟，且存在音色漂移和语义断裂的问题。此外，VibeVoice最多支持4名发言人，而之前的模型仅支持2名。它的压缩效率也非常惊人，能够对24kHz原始音频实现3200倍的累计压缩，同时保持高保真的语音效果。

VibeVoice的技术优势体现在其双tokenizer架构上，分别是声学tokenizer和语义tokenizer。声学tokenizer负责音频特征的提取和压缩，而语义tokenizer则确保文本与语音的语义一致性。这种设计不仅提高了模型的性能，还有效解决了传统模型在音色与语义匹配上的问题。此外，该模型采用预训练的大语言模型Qwen2.5作为核心，能够解析复杂的用户输入并生成后续的上下文状态。

VibeVoice-1.5B的训练过程采用课程学习策略，从小的输入序列逐步增加到长达65536个token，以适应超长音频的需求。这种方法大幅提升了训练效率，缩短了训练周期，同时保证了特征提取模块的稳定性。未来，微软计划开源更大参数的语音模型，继续推动语音合成技术的发展。

🏷️ #微软 #音频模型 #VibeVoice #语音合成 #技术突破

🔗 原文链接