Публикаций: 6
Рынок открытых моделей распознавания речи перестал быть однородным: в середине 2026 года сразу четыре конкурента Whisper разделяет меньше одного процентного пункта WER. Что это меняет для команд, которые выбирают ASR для продукта, автоматизации или голосового агента.
Разработчик взял пластиковую рыбу Big Mouth Billy Bass и за один уикенд сделал из неё голосового ИИ-ассистента — с двигающейся головой, открывающимся ртом и виляющим хвостом. Внутри: Raspberry Pi 5, Strands Agents BidiAgent и Amazon Nova 2 Sonic на Bedrock.
NVIDIA открыла веса Nemotron 3.5 ASR — потоковой модели распознавания речи на 600M параметров, которая покрывает 40 языков одним чекпоинтом и добавляет пунктуацию прямо на выходе. Модель можно дообучить под любой язык, акцент или домен — включая русский и языки СНГ.
Стартап Миры Мурати анонсировал полнодуплексную голосовую модель TML-Interaction-Small с задержкой отклика 0,40 секунды — примерно как у живого собеседника. Это принципиально иная архитектура диалога: ИИ не ждёт, пока вы закончите говорить.
Команда СВОЙ Тех разобрала реальный путь от сценарных ботов к LLM-ассистентам — и он не похож на красивые слайды. Сначала скучная архитектура, потом осторожно модели.
xAI открыла API-доступ к grok-voice-think-fast-1.0 — голосовой модели с полноценным дуплексным режимом. На бенчмарке τ-Voice Bench она набрала 67,3% против 35,3% у GPT-realtime-1.5 и 43,8% у Gemini — разрыв почти двукратный.