tag: Speech-to-Text

NVIDIA เปิดตัว Nemotron 3.5 Transcribe โมเดล Open-weight สำหรับถอดความ ระบุตัวตนผู้พูด และตอบคำถามจากเสียง พร้อมเปิดตัว Granary v2 ไปป์ไลน์ข้อมูลสำหรับปรับแต่งโมเดลเฉพาะทาง

IBM เปิดตัว Granite Speech 5.0 2B โมเดลรู้จำเสียงและการแปลแบบ open-weight ภายใต้สัญญาอนุญาต Apache 2.0 ซึ่งคว้าอันดับ 2 บน Open ASR Leaderboard ด้วยความแม่นยำสูง

คู่มือทดสอบโมเดลเสียงขนาดจิ๋ว Cactus Whistle เทียบกับ Whisper Base ครอบคลุมทั้งความเร็วบน CPU, Word Error Rate และการใช้งานแบบ Streaming พร้อมโค้ดตัวอย่างประกอบการทดลอง

Technology Innovation Institute (TII) เปิดตัว Falcon-ASR โมเดลการรู้จำเสียงภาษาอาหรับขนาด 1.6B ชูจุดเด่นสำเนียงเอมิเรตส์พร้อมสถิติ WER ที่ 20.92% แต่ปัจจุบันยังไม่เปิดเผยน้ำหนักโมเดล

Sarvam AI เปิดตัว Saaras V4 โมเดล Speech-to-Text ประสิทธิภาพสูงที่รองรับ 22 ภาษาของอินเดียและภาษาอังกฤษสากล ชูจุดเด่นด้วยความหน่วงต่ำและโหมดการแสดงผล 5 รูปแบบในโมเดลเดียว

Google เปิดตัว Gemini 3.5 Transcribe โมเดล Speech-to-Text รุ่นใหม่ที่ทำสถิติอัตราข้อผิดพลาดต่ำสุดเพียง 2.6% โดยแบ่งการทำงานเป็นสองรูปแบบเพื่อรองรับทั้งการสตรีมแบบเรียลไทม์และการประมวลผลไฟล์เสียงย้อนหลังที่มีประสิทธิภาพสูงกว่าเดิม 70%

สรุปกระบวนการสร้างเอเจนต์ AI ควบคุมด้วยเสียง ตั้งแต่การถอดความสตรีมมิ่ง การตรวจจับรอบสนทนา ไปจนถึงการจัดการระบบพูดแทรก เพื่อมอบประสบการณ์การสื่อสารที่เป็นธรรมชาติและลดความหน่วง