AssemblyAI 发布 Universal-3.6 Pro Realtime,两项流式语音基准登顶
AssemblyAI · x · 2026-09-30
AssemblyAI 推出实时语音识别模型 Universal-3.6 Pro Realtime,并在两个独立基准上取得领先:
- 在 @trydaily 的 Pipecat 开源 STT 基准中位于帕累托前沿;
- 在 @covaldev 的实时排行榜上,真实语音 agent 音频的词错率(WER)为所有流式模型中最低。
针对语音 agent 常被忽略的困难场景做了专门优化:
- 简短应答:"No"、"Nah"、"Nuh-uh" 等短语在嘈杂房间和电话线上识别准确率达 98.5%;
- 背景人声:电视声、同事说话等背景语音不会混入转写;
- 多语言:单端点支持 32 种语言并自动检测,可跟随说话人中途切换语言;
- 轮次检测:基于实体的断句判断,用户报电话号码时保持回合不中断。
模型用数万小时真实语音 agent 与电话对话数据训练。
所属事件:AssemblyAI 发布 Universal-3.6 Pro 及实时版,双榜领先(5 条相关)→
「多模态」频道最新
- Qwen 图像 2.1 与 Minimax H3 实测:老照片修复与写实化转换 — Ant_6431 · 2026-11-16
- Minimax H3 视频生成演示:Cubee 店面镜头第二版 — JahJedi · 2026-11-16
- 不会画画的开发者用 Fable 5.2 四小时做出 14 章手绘风故事书游戏 — jradoff · 2026-11-16
- Minimax H3 Image 训练人物 LoRA 相似度差,同数据集在 Qwen 2.1 上表现优异 — Ad_Organic · 2026-11-16
- Seedance 生成地铁车厢动画片段,光影细节惊到 Reddit 网友 — Ok-Solution-7889 · 2026-11-16
- 推主用 AI 重制 1977 版《黑衣人》风格画面 — techhalla · 2026-11-16