AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
Hugging Face 博客发文演示了如何在 Whisper 模型中应用推测解码（Speculative Decoding）技术。通过引入 Distil-Whisper 作为辅助模型，在保持转录精度完全一致的前提下，将 16GB T4 GPU 上的推理时间缩短约 2 倍。文章提供了基于 Transformers 库的完整代码实现，并探讨了多语言场景下的模型选择及批处理策略。
推荐理由：文章提供了基于 Transformers 库的完整代码，演示了如何利用 Speculative Decoding 在不损失精度的前提下将 Whisper 推理速度提升约 2 倍。
Hugging Face 发布教程，展示如何通过 Flash Attention、半精度、Torch Compile 和高效调度器优化 AudioLDM 2，将 10 秒音频生成时间从 30 秒降至 1 秒。
推荐理由：原文提供了基于 Diffusers 的具体优化代码，可将 AudioLDM 2 推理速度提升十倍，读者可直接复现。
本文演示了如何利用Hugging Face生态中的BetterTransformer、半精度和CPU卸载技术优化Bark语音生成模型。结合这三种优化手段，Bark-large的显存占用可从5GB降至2GB，推理速度提升约23%。
推荐理由：原文给出了结合BetterTransformer、半精度和CPU卸载的具体代码，读者可直接复用以显著降低Bark模型的显存占用并提升推理速度。
Hugging Face发布教程，展示如何使用MMS Adapter技术微调低资源语音识别模型。通过仅训练约2.5M权重的Adapter层，在Common Voice土耳其语数据集上仅需4小时数据和4个epoch即可达到优异效果。
推荐理由：提供基于MMS Adapter的少样本语音识别微调代码，展示如何用极小数据量实现高效适配。
OpenAI 发布 ChatGPT iOS 独立应用，支持对话记录同步、语音输入及最新模型改进。
推荐理由：ChatGPT 推出 iOS 独立应用，同步对话记录并支持语音输入，方便用户移动端使用。
OpenAI 训练并开源了名为 Whisper 的神经网络模型，该模型在英文语音识别任务上达到了接近人类水平的鲁棒性和准确率。
推荐理由：OpenAI 开源了 Whisper 模型，在英文语音识别上达到接近人类水平的鲁棒性和准确率。
OpenAI 发布 Jukebox，这是一个能生成包含简单歌唱的原始音频的音乐神经网络，支持多种流派和艺术家风格。官方同步开源了模型权重、代码及样本探索工具。
推荐理由：Jukebox 开源了生成音乐和原始音频的模型权重与代码，为音频生成研究提供了可复用的基础。