Hugging Face 发布研究，通过参考不一致、实体检索和正字法切换三项测试，量化语音识别模型在 VoxPopuli 和 LibriSpeech 等公开基准上的过拟合现象。研究发现部分高分模型会复现基准中的错误转录、恢复被静音的数字，并依据音频中的数据集特定线索选择拼写，导致基准分数高估了真实场景下的转录能力。
推荐理由：通过三项测试量化语音识别模型对公开基准的过拟合现象，揭示高分模型在真实场景中可能依赖数据集特定线索而非音频内容。
Google Research 发布 WAXAL，这是一个面向27种撒哈拉以南非洲语言的开源语音数据集。该数据集包含约1,846小时自动语音识别（ASR）数据和超过565小时文本转语音（TTS）数据，采用 CC-BY-4.0 许可协议。这一资源旨在支持非洲地区的 AI 研究，推动包容性语音技术的发展。
Google Research 发布 Massive Sound Embedding Benchmark (MSEB)，旨在标准化评估多模态模型的听觉智能。该基准涵盖语音检索、推理、分类等八大核心能力，并包含包含 177,352 条语音查询的 Simple Voice Questions (SVQ) 数据集。实验显示当前声音表示远非通用，在各项任务中均存在显著的性能提升空间。
Google 发布端到端实时语音翻译模型，延迟仅2秒并保留原声，已在 Google Meet 和 Pixel 10 部署。该模型基于 AudioLM 和 SpectroStream 架构，支持英、西、德、法、意、葡等语言。
推荐理由：端到端架构将延迟降至2秒并保留原声，已在Google Meet和Pixel 10部署，可据此评估实时语音翻译的技术进展。