แท็ก

#Speech Recognition

5 บทความ

IBM ปล่อย Granite Speech 5.0 2B (Apache-2.0) — WER ภาษาอังกฤษเฉลี่ย 5.06% อันดับ 2 ของโมเดลเปิดบน Open ASR Leaderboard, TurboCTC 470M รองรับหลายภาษาและเร็วขึ้น 1.6 เท่า แต่ยังไม่มีภาษาไทย
โมเดลใหม่

IBM ปล่อย Granite Speech 5.0 2B (Apache-2.0) — WER ภาษาอังกฤษเฉลี่ย 5.06% อันดับ 2 ของโมเดลเปิดบน Open ASR Leaderboard, TurboCTC 470M รองรับหลายภาษาและเร็วขึ้น 1.6 เท่า แต่ยังไม่มีภาษาไทย

21 ต.ค. 2026 IBM ปล่อย granite-speech-5.0-2b (Apache-2.0) ที่ IBM ระบุว่าได้ WER ภาษาอังกฤษเฉลี่ย 5.06% อันดับ 2 ในกลุ่มโมเดลเปิดบน Open ASR Leaderboard รองรับ keyword list 2,000 คำ และรันได้บน vLLM, llama.cpp, mlx-audio พร้อมอัปเดต TurboCTC 470M ให้รองรับหลายภาษา และ 4.1-2b-plus ที่ลด timestamp shift ลงกว่าครึ่ง — ทั้งหมดยังไม่รองรับภาษาไทย

· อ่าน 3 นาที
IBM ปล่อย Granite Switch 4.1 (8B/30B, Apache-2.0): รวมแชต, decision adapter, ตัวตรวจความปลอดภัย และ ASR ไว้ใน endpoint เดียวด้วย aLoRA ที่ใช้ KV cache ร่วมกัน — ท้าชน Jev แต่คะแนน Decision Index ยังอยู่ที่ 42.9/50.1
โมเดลใหม่

IBM ปล่อย Granite Switch 4.1 (8B/30B, Apache-2.0): รวมแชต, decision adapter, ตัวตรวจความปลอดภัย และ ASR ไว้ใน endpoint เดียวด้วย aLoRA ที่ใช้ KV cache ร่วมกัน — ท้าชน Jev แต่คะแนน Decision Index ยังอยู่ที่ 42.9/50.1

IBM ปล่อย Granite Switch 4.1 ขนาด 8B และ 30B (Apache-2.0) เมื่อ 14–15 ต.ค. 2026 เป็นโมเดลที่ประกอบ Granite 4.1 เข้ากับ activated LoRA สำหรับงานตัดสินใจและตรวจความปลอดภัย และฝังตัวถอดเสียง Granite Speech 5.0 TurboCTC ไว้ใน endpoint เดียว โดยใช้ VRAM ใกล้เคียงโมเดลฐาน IBM อ้างว่า Guardian adapter ชนะ Jev 1.13 ในงานด้านความปลอดภัย แต่คะแนน Decision Index ของ decision adapter อยู่ที่ 42.9 (8B) และ 50.1 (30B) และ ASR ยังไม่ได้เทรนร่วมกับ LLM

· อ่าน 4 นาที
Phonon-2 โมเดลถอดเสียงภาษาอังกฤษแบบเปิด ขนาดดาวน์โหลด 164 MB — WER เฉลี่ย 5.21% บน Open ASR Leaderboard ห่างจาก Parakeet ต้นแบบขนาด 2.5 GB แค่ 0.25 จุด เก็บน้ำหนักราว 2.1 บิต
โมเดลใหม่

Phonon-2 โมเดลถอดเสียงภาษาอังกฤษแบบเปิด ขนาดดาวน์โหลด 164 MB — WER เฉลี่ย 5.21% บน Open ASR Leaderboard ห่างจาก Parakeet ต้นแบบขนาด 2.5 GB แค่ 0.25 จุด เก็บน้ำหนักราว 2.1 บิต

29 ก.ย. 2026 Fermion Research เปิด Phonon-2 โมเดลถอดเสียงภาษาอังกฤษที่ดัดแปลงจาก NVIDIA Parakeet TDT 0.6B v3 ไฟล์ดาวน์โหลด 164 MB ได้ WER เฉลี่ย 5.21% บน Open ASR Leaderboard ส่วนต้นแบบขนาด 2,508 MB ได้ 4.96% รันได้บน Mac, Linux, Windows และ GPU ของ NVIDIA ใช้ไลเซนส์ CC-BY-4.0 แต่รองรับเฉพาะภาษาอังกฤษ ยังไม่มีภาษาไทย

· อ่าน 5 นาที
Oído — ถอดเสียงพูดภาษาอังกฤษแบบพูดอะไรก็ได้บนชิป ESP32-S3 ราคา $5 โดยไม่ใช้ cloud และไม่ต้องมี NPU — WER 3.7% ดีกว่า Whisper tiny แต่ความเร็วยังเป็นตัวเลขประเมินจาก emulator
เครื่องมือนักพัฒนา

Oído — ถอดเสียงพูดภาษาอังกฤษแบบพูดอะไรก็ได้บนชิป ESP32-S3 ราคา $5 โดยไม่ใช้ cloud และไม่ต้องมี NPU — WER 3.7% ดีกว่า Whisper tiny แต่ความเร็วยังเป็นตัวเลขประเมินจาก emulator

30 ก.ย. 2026 Lokutor บริษัทจากมาดริดเปิดซอร์ส Oído เอนจินถอดเสียงพูดที่รัน Conformer-CTC Small 13M ของ NVIDIA บนไมโครคอนโทรลเลอร์ ESP32-S3 ได้ WER 3.7/8.2 บน LibriSpeech ซึ่งดีกว่า Whisper tiny.en ที่รันบนแล็ปท็อป แต่ความเร็วแบบเรียลไทม์ยังเป็นค่าประเมินจาก QEMU และโค้ดเป็น GPLv3 ถ้าจะใส่ในสินค้าแบบปิดต้องซื้อไลเซนส์

· อ่าน 5 นาที
Qwen3.8-Omni-Flash ขึ้น Model Studio: คอนเท็กซ์ 1M โทเคน เข้าได้ทั้งเสียง-วิดีโอ-ภาพ รองรับ 113 ภาษา — แต่ยังไม่มีน้ำหนักเปิด
โมเดลใหม่

Qwen3.8-Omni-Flash ขึ้น Model Studio: คอนเท็กซ์ 1M โทเคน เข้าได้ทั้งเสียง-วิดีโอ-ภาพ รองรับ 113 ภาษา — แต่ยังไม่มีน้ำหนักเปิด

Alibaba เปิด qwen3.8-omni-flash บน Model Studio — โมเดล omni ที่รับข้อความ ภาพ เสียง และวิดีโอ ออกเป็นข้อความอย่างเดียว คอนเท็กซ์ 1 ล้านโทเคน รองรับเสียงเข้า 113 ภาษาและสำเนียง มีโหมดคิด function calling และเว็บเสิร์ช เปิดให้เรียกใน 6 ภูมิภาครวมสิงคโปร์ แต่ ณ 18 ก.ย. ยังไม่มีรีโปน้ำหนักเปิดบน Hugging Face

· อ่าน 5 นาที