OhanASR开源:亚美尼亚语专用ASR模型,流式版同步发布

资讯 AI 应用前沿 全文 2979 字 · 约 8 分钟读完 分类开源模型发布语音

Metric-AI 团队发布了首个开源亚美尼亚语自动语音识别模型 OhanASR。该系列包含针对录音优化的 v0.1 版本和用于实时场景的 Streaming 版本,在 ArmBench-ASR 基准测试中表现优异。文章详细解读了模型性能数据、适用场景及当前存在的局限性,为开发者提供技术参考。

所属频道 模型发布开源生态

亚美尼亚语为什么需要一套自己的ASR模型

小语种在自然语言处理里常碰上资源不足的难题。亚美尼亚语就是个典型:字母系统独特,文学传统也很久,可自动语音识别(ASR)这块一直缺高质量、可开源的基础模型。

2026 年 11 月,Metric-AI 社区团队把 OhanASR 放了出来。这是一套专为亚美尼亚语训练、权重开源的 ASR 模型。名字取自亚美尼亚史诗《萨松的勇士》里的传奇人物 Dzenov Ohan,此人的嗓音洪亮有力。团队借这个名字,寓意模型在捕捉语音时同样清晰、有力量。

对亚美尼亚语的数字基础设施来说,这次发布算是一次补充。开发者想做亚美尼亚语语音应用,或者拿它做语言学研究,都可以直接上手,把它当基础工具用。

两个版本,对应两类场景

首发一共两个版本,各自面向不同的使用需求做了优化:

OhanASR-v0.1 是基础版,主打录音文件的高精度转录。它建立在 20 亿参数的多语言模型架构之上,并用 820 小时的亚美尼亚语语音数据做了微调。训练数据覆盖面不小,新闻播报这类正式演讲有,日常对话和文学作品朗读也有。要处理会议记录、有声书或者采访录音,选这个版本比较合适。

OhanASR-Streaming-v0.1 是流式版,在 v0.1 基础上又加了训练,用来适配实时语音输入。它主打“增量转录”:音频流一边进来,文本一边逐字生成,不用等整段话说完再处理。延迟低,所以直播字幕、实时会议助手、语音交互界面这类场景都能用。

性能数据怎么看

衡量语音识别模型,一般看词错误率(WER)和字符错误率(CER)两项。数值越低,识别越准。Metric-AI 团队在 ArmBench-ASR 基准测试平台上把两个模型都评了一遍。

OhanASR-v0.1 的成绩

综合测试里,OhanASR-v0.1 的 WER 是 16.12%,CER 是 3.49%。在所有参测的开源和闭源模型中,它的 WER 排第二,CER 排第一。字符级别的精确度上,它属于目前表现最好的那一档。

落到各个数据集,表现有高有低:

  • Common Voice 26:WER 9.62%,CER 只有 1.77%。众包语音清晰、标准,模型在这类数据上很稳。
  • FLEURS:WER 10.78%,CER 2.03%。多语言平行语料库里,准确率依然不低。
  • 诗歌(Poems):WER 升到 24.35%。诗歌里有不少非日常用语,韵律节奏也特殊,识别起来更难。
  • 电影对白(Movies):WER 高到 42.61%。电影音频背景噪音复杂,口语省略和情感化表达又多,这是眼下所有 ASR 模型都头疼的地方。
  • 新闻(News):WER 15.33%。新闻播音发音通常标准,但专有名词密集,模型在这个场景下表现中规中矩。

OhanASR-Streaming-v0.1 的成绩

流式模型要顾着实时性,精度上做了让步。综合 WER 19.07%,CER 4.47%。排行榜上,WER 排第 10,CER 排第 9。

绝对数值确实不如静态模型,但放到实时应用里,这个精度已经够用。Common Voice 和 FLEURS 两个数据集上,CER 分别压在 2.20% 和 2.52%,清晰语音的实时转录是靠谱的。

实际听感与转录效果

团队给了一段“Digitech 2026”科技会议的音频样本,用来直观展示模型能力。音频里混着 NVIDIA、OpenAI、AWS 等多家科技公司的名称,还有亚美尼亚语的地名和机构名。

OhanASR-v0.1 的转录结果如下:

2026 年的 դիջիթեք 将在埃里温办起来,把技术、商业和新的投资机会汇到一处;届时 NVIDIA、OpenAIA、AWS Mosilla、Revolute 以及另外几十个国际科技名字都会出现在亚美尼亚首都,这座城市也将成为人工智能领域区域性的会面场所。

这段转录里,夹杂在亚美尼亚语句子中的英文品牌名被模型准确抓到了,复杂长句的结构也识别正确。不过个别品牌名有轻微拼写偏差,比如 Mozilla 被识别成了 Mosilla,跨语言识别中这种情况并不少见。

流式模型的演示视频展现了它在时间轴上同步的能力。修正偶尔会延迟,但字幕整体生成顺畅,实时观看的需求可以满足。

开源协议与获取方式

两个模型都以 Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) 许可证发布。研究、教育和个人项目开发可以自由使用,直接拿来做商业产品则不行。

模型权重在 Hugging Face 平台上可以直接下载:

研究人员能把它当作一个宝贵的基线模型;应用开发者则可以拿它做语音助手、字幕工具或语音搜索功能的起点。

目前存在的局限

基准测试里 OhanASR 的表现不错,但真正部署之前,几个短板需要先弄清楚:

1. 正式语体与口语的混淆 亚美尼亚语的书面语和口语差别明显,模型有时会把两者混在一起,处理虚词时尤其明显,比如 «ա» 和 «է» 各自的使用场景就分不太准。生成的文本读起来语法上会有些生硬。

2. 代码切换(Code-switching)问题 说话人把英语、俄语或其他语言夹进亚美尼亚语时,模型的识别率会往下掉。它可能会拿亚美尼亚字母去拼外语单词,结果没法读。比如英文单词被强行音译成亚美尼亚字符,原文反而没保留下来。

3. 嘈杂环境下的漏词 背景噪音大、发音含糊的音频里,模型往往直接把难辨认的词省掉,不去猜。胡编乱造是避免了,信息缺失也跟着来了。

未来规划

OhanASR 目前只是第一个版本。团队表示,接下来会围绕三个方面推进:

一是提升识别准确率,重点是电影对白这类高难度场景;二是把流式模型的延迟压下来,让实时转录更顺滑;三是增强鲁棒性,让模型在不同口音、不同录音设备下都能稳定输出。

训练方面,该模型得到了 EuroHPC 联合项目的支持,用的是位于芬兰的 LUMI 超级计算机。这样的算力为处理大规模语音数据提供了保障。

亚美尼亚语技术生态里,OhanASR 补上了一块空白。它未必完美,但给了一个开放的起点。开发者不断加入、反馈持续积累,这个模型有望迭代得更成熟,让亚美尼亚语用户真正用上方便的语音技术服务。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. Metric AI开源亚美尼亚语模型Ayb 0.5:90亿参数跻身前三

    Metric AI团队推出了Ayb 0.5系列开源语言模型,包含0.8B、4B和9B三个版本。该系列基于Qwen3.5架构,针对亚美尼亚语进行了深度适配,在ArmBench基准测试中表现优异,甚至超越了部分参数量更大的模型。Ayb 0.5不仅支持文本生成和指令遵循,还保留了完整的视觉语言能力,能够用亚美尼亚语描述图片。

    来源 AI 应用前沿
  2. OhanTTS:亚美尼亚语流式TTS与克隆怎么解决?

    Metric-AI团队推出了专注于亚美尼亚语的文本转语音模型OhanTTS。该模型支持8种语言,具备3-10秒声音克隆能力,并采用流式生成技术,首字延迟低至331毫秒。文章介绍了其性能指标、实际听感演示、开源协议及当前版本的技术局限,为多语言语音交互提供了新的开源选择。

    来源 AI 应用前沿
  3. NVIDIA 开源连续扩散语言模型,14 个检查点同步放出

    2026年11月21日AI资讯:NVIDIA发布Nemotron-Labs-Sigma连续扩散语言模型并开源14个检查点;腾讯混元团队回应Hy4后训练空间及更大模型计划;Inkling 2 Mini上架Ollama降低本地智能体门槛;OpenAI反蒸馏防护将思考链提取成功率压至0.2%;Dragos揭露AI服务链隐私泄

    来源 AI 应用前沿
  4. 腾讯混元团队AMA:Hy4之后还有mini版和更大模型

    今天凌晨,腾讯首席AI科学家、混元大模型负责人姚顺雨与混元团队研究员在Reddit进行了一场AMA(Ask Me Anything,公开问答)。这是混元团队首次在开发者社区公开答问,两小时内共收到300多条留言。从今年3月重建预训练与强化学习基础设施,到11月接连发布Hy4和Hy4 flash,混元用了九个月,跻身全球

    来源 腾讯网
  5. 刚刚,DeepSeek张博创业曝光:开源个人Agent

    聚是一团火,散是满天星。 刚刚,前DeepSeek V1作者、DeepSeek-VL项目负责人Tony Zhang(张博),正式公布了自己的新创业项目:Linger。 方向,正是当下最火的个人Personal Agent。 路线也是比较有意思,当同行都在做APP,他们优先选择了电脑。 这意味着,Linger能操纵你电脑

    来源 AI 行业观察
  6. 香山开源处理器核:从雁栖湖到昆明湖,企业为何开始把它装进芯片

    在2026年11月的集成电路设计业展览会(ICCAD-Expo 2026)上,北京开源芯片研究院的展台里展示了搭载进迭时空CPU芯片V100的RISC-V服务器,V100是业内首颗完整符合RISC-V服务器规范的计算芯片,代表着RISC-V正在迈向真正可部署、可规模化应用的数据中心市场。这颗芯片内集成46颗RISC-V

    来源 AI 行业观察
  7. 张博开源Linger:零token费本地跑125B模型,12GB显卡够用

    11月19日,前DeepSeek-VL项目负责人张博在X宣布开源个人Agent Linger,开发主体是张博创办的SIMPLEX AI TECHNOLOGIES PTE. LTD.(以下简称“Simplex AI”),代码已上传GitHub。按项目文档,Linger读取本地邮件、日历和文件,操作用户已登录的浏览器;连接

    来源 腾讯网
  8. 腾讯混元Hy4 Flash实测:35分钟出可玩游戏,API价压过DeepSeek

    腾讯新发布的混元Hy4 Flash模型在速度与成本上表现激进。实测显示,它能在十几分钟内完成3D场景建模、增量游戏开发及财报分析,API价格仅为竞品的一半。通过混合注意力与Engram记忆模块等技术优化,该模型在保持高智能水平的同时,将推理成本压缩至旗舰模型的二十分之一,适合处理高频日常办公任务。

    来源 AI 应用前沿
  9. 谷歌工程师让打印机跑2.7亿参数模型:每词元约60秒

    IT之家 11 月 20 日消息,谷歌 DeepMind 技术团队成员奥马尔 · 圣塞维耶罗(Omar Sanseviero)于 11 月 17 日在 X 平台发布推文,在只占用 14.1MB 内存的情况下,成功让办公激光打印机运行 2.7 亿参数的 Gemma 3 270M 模型,每输出一个词元(Token)消耗约

    来源 腾讯网
  10. NVIDIA SEED:让Qwen预填充计算降25%,显存占用砍半

    NVIDIA 发布 SEED 技术,针对 Qwen3.8-Flash-Next 等混合架构模型进行推理优化。通过“浅层编码深层记忆”和“循环状态低秩分解”,SEED 在不改变原模型权重的前提下,将预填充阶段的计算量减少约 25%,单请求循环状态内存占用从 113MB 降至平均 43MB。实测显示,在 GB300 GPU

    来源 AI 应用前沿
  11. Inkling 2 Mini 发布:循环架构让小模型本地跑出中型模型水准

    Thinking Machines Lab 推出的 Inkling 2 Mini 是一个专为本地部署设计的多模态模型。它通过独特的“循环层”架构,用约 260 亿物理参数实现了接近 48 层逻辑深度的推理能力。文章详细介绍了其技术原理、在代码生成和视觉任务上的表现,以及如何在 Transformers、llama.cp

    来源 AI 应用前沿
  12. METR时间视野图更新:编程任务表现突出,判断力任务仍偏弱

    METR发布其广受引用却常被误读的“时间视野图”更新版。新报告确认部分AI能力仍在指数级提升,模型能独立完成的任务时长持续延长;但报告同时揭示明显不对称——模型在编程任务上表现优异,在需要判断力的任务上却明显偏弱。这提醒业界,单一基准无法代表AI在开放式工作中的真实水平。

    来源 AI 科技快讯
  13. Gemini 4 Neon发布:接入Antigravity编程解题率升至3倍多

    Carbon 向开发者开放才八天,Google 又发布了一款 Gemini 4 模型。 11 月 18 日亮相的 Gemini 4 Neon,在默认推理档追平了自家的旗舰 Carbon,开到最高档后比 high 档的 Carbon 高出 1 分,进入 Artificial Analysis 智能指数总榜前三。对于这款新

    来源 AI 行业观察
  14. PostgreSQL 19 发布:并发 REPACK 与查询计划稳定性控制上线

    IT之家 11 月 21 日消息,当地时间 11 月 19 日,开源关系型数据库 PostgreSQL 19 正式发布。这一最新主版本带来在线表维护、查询计划稳定性、逻辑复制、异步 I/O 和 SQL 功能等多方面更新。官方同时提供适用于 Windows、Linux、macOS 等平台的安装程序、工具和源代码。 Pos

    来源 AI 行业观察
  15. 谷歌SIM机制曝光:Gemini可继承Claude经验,新模型不再从零开始

    谷歌内部,或许真正实现了RSI! 从此,Gemini已能「继承经验」持续自我进化,Gemini新模型不再从零开始! 或许也正是这个原因,谷歌最近跟疯了似的不停发模型。 Gemini 4 Hydrogen才发布不到一周,更强的Gemini 4 Neon就来了。 答案,或许藏在谷歌与宾夕法尼亚州立大学深夜联合发布的一篇最新

    来源 AI 行业观察
  16. cinecode用代码渲染视频:确定性输出告别AI抽卡

    土耳其开发者开源的 cinecode 技能包,能在 Claude Code 或 Cursor 中运行。它不依赖付费的视频生成 API,而是通过 three.js 和 Canvas 2D 逐帧代码渲染画面,配合自动剧本、专业运镜和 Web Audio 声音设计,输出带配乐的 MP4。支持快速短片和长片审批两种模式,彻底解

    来源 AI 应用前沿
  17. AI编码效率被评审吃掉:哈佛718家企业数据与2026工具链新变量

    哈佛研究证实AI生成代码并未提升实际交付量,瓶颈已转移至评审环节。Code Mode与Harness架构演进将安全边界移入沙箱,开源工具正拆解工程硬墙。具身智能方面,南京智造大会与北京人形中心论文显示,行业焦点从表演转向落地成本与分层协同。整体趋势表明,AI行业已从技术叙事进入商业化验证、可审计性与稳定交付的深水区。

    来源 AI 应用前沿
  18. Duo v1开源:全双工音视频交互,数字人告别单线程问答?

    蚂蚁技术研究院与西湖心辰联合开源了Duo v1,这是业界首个基于“双向世界模型”的全双工音视频交互系统。不同于传统只能听或只能说的AI,Duo v1能像人一样边听边说,自主决定何时开口、何时倾听,并实时生成口型表情一致的虚拟形象视频。它支持自然打断、多角色切换,完全开源且可本地部署,为数字人陪伴、智能客服和教育辅导提供

    来源 AI 应用前沿
向下滚动自动加载更多