开源动态8

蚂蚁开源全能语音模型Ming - UniAudio

开源星探2025-10-04

AI 摘要

蚂蚁团队：推出一体化语音模型Ming - UniAudio，可在同一框架完成语音识别、生成、编辑等任务，语音编辑能力强，如用自然语言编辑音频，开发者上手简单，将成语音应用重要基石。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

小众模型如何冲上Hugging Face热榜

本文拆解了网易有道新开源的真流式语音识别模型R2T2，从冷启动到登顶Hugging Face ASR热榜第一的完整路径，总结了小众开源模型冲榜的实操经验，对开源项目运营有较高参考价值。

近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。

现有文生音频技术在精细化控制方面有挑战，清华团队提出ControlAudio方法。它通过数据构造、渐进式训练和引导采样，在统一框架下实现时间与语音内容联合建模，在多项任务上表现优于现有方法。

阿里发布语音识别大模型Fun - ASR1.5，可精准识别30种语言，覆盖中文七大方言体系及二十余种地方口音，强化古诗词诵读专项识别，后处理环节优化标点预测和文本归一化，降低人工成本。