研究:鸡尾酒会音频作为反向图灵测试,人机差距不足
一项小型研究用40段混入背景人声的合成音频测试语音模型能否充当音频CAPTCHA。人类平均词准确率0.71、通过率77%,Gemini 3.8 Flash在提示下为0.54和55%,Qwen3-ASR为0.55;差距过小,难以作为可靠区分手段。
Whisper 是 OpenAI 发布的开源语音识别模型系列,常被用作语音转文字的基准。近期报道多把它当作对比对象:Cactus 的 Whistle 以 16.9MB 体积在 LibriSpeech test-clean 上取得 4.31 WER,低于 Whisper base 的 4.9;Lokutor 的 Oído 在 ESP32-S3 上以 3.7/8.2 的 WER 优于 Whisper tiny.en 的 6.3/15.9;此外还有 macOS 本地照片与视频搜索工具用 Whisper 检索对话,以及一项以鸡尾酒会音频做反向图灵测试的研究。
一项小型研究用40段混入背景人声的合成音频测试语音模型能否充当音频CAPTCHA。人类平均词准确率0.71、通过率77%,Gemini 3.8 Flash在提示下为0.54和55%,Qwen3-ASR为0.55;差距过小,难以作为可靠区分手段。
Cactus Compute推出开源语音识别模型Whistle,仅5500万参数(激活3600万),CQ2bit量化后文件仅16.9MB,支持七种语言并覆盖17个平台。其在LibriSpeech test-clean上WER为4.31,优于145.3MB的Whisper base(4.9),旨在将AI压缩至廉价手机、可穿戴设备等小终端。
一款面向macOS的AI搜索工具可对任意文件夹中的照片和视频逐帧进行语义搜索,支持OCR文字与Whisper语音台词检索,推理完全在本地运行,无需账户或上传云端。
Lokutor团队发布开源语音识别模型Oído,基于13M参数的NVIDIA Conformer-CTC Small int8量化版,可在8MB PSRAM的ESP32-S3上运行,无需GPU或NPU。LibriSpeech上WER为3.7/8.2,优于Whisper tiny.en的6.3/15.9。