深度分析
KAME 架構詳解：Sakana AI 以同步 S2S 與 LLM 實現低延遲即時語音對話
為解決即時語音助理回應快但知識貧乏、以及串接大型語言模型造成的高延遲兩難，Sakana AI 推出 KAME 架構，透過同步語音生成與即時注入 LLM oracle，使回應延遲接近零且答案品質提升至 MT‑Bench 超過 6 分，接近級聯系統的表現且保持約 0.1 秒的回應延遲。
語音辨識
Grok STT
Grok STT/TTS 上線：xAI 釋出獨立音訊 API，支援多語言與逐字時間戳
Elon Musk 支持的 xAI 推出兩項獨立音訊服務：Grok Speech-to-Text（STT）與 Grok Text-to-Speech（TTS）。STT 支援 25 種語言、即時串流與批次處理，提供分聲道、字詞時間戳與逆向文字正規化；
深度分析
擴散式語言模型在語音辨識中的突破：MDLM、USDM 與 CTC 聯合解碼技術分析
隨著擴散式語言模型成為標準語言模型的替代方案，研究者將其套用於語音辨識，提出MDLM與USDM兩種重打分方法，並設計結合CTC與USDM的聯合解碼，使語言知識與聲學資訊同步提升，實驗顯示辨識正確率顯著提升。此技術亦提供相較於傳統自回歸模型更高的平行運算效能，預期將推動語音AI生態系統的升級。
貝葉斯推論
貝葉斯變分推論於語音脈衝神經網路的不確定性量化與損失景觀平滑化
研究聚焦於語音脈衝神經網路的貝葉斯推論。採用變分線上牛頓法平滑損失景觀，並在兩個語音資料集驗證。結果顯示負對數概似與 Brier 分數皆有改善，提升模型可靠性。
深度分析
Open ASR Leaderboard：Conformer＋LLM 提升準確度與 CTC/TDT 加速長音檔處理
Open ASR Leaderboard 揭示最新語音辨識趨勢，結合 Conformer 編碼器與 LLM 解碼器提升英文準確度，CTC/TDT 解碼加速長音檔處理，結果顯示開源模型在多語言與長段落仍落後於商業系統。