新闻、仓库与研究，按时间排列。
taylormartins 发布开源工具 LocalFlow，在 Windows 上按 Caps Lock 即可听写，Whisper 转文字后由可选的本地 LLM（经 Ollama）或内置规则清理填充词与口误，音频和文本不出本机、无需账号。RTX 4070 Ti 用 large-v3-turbo 实测 21 秒语音约 1.7 秒转写加 0.6 秒清理，约 12 倍实时；无 GPU 时回退 CPU 转写和算法清理，另支持手机听写、语音命令模式和自定义角色语气改写。
推荐理由：README 对清理链路的设计写得很实，包括防止 LLM 抢答的四道防线、延迟实测和 VRAM 争用排查，方法可迁移到类似本地语音工具。
GitHub 新仓库 sunday-podcast 通过手动触发的 GitHub Actions workflow，用 Gemini 生成双主持人游戏播客脚本，再用 Kokoro 在 CPU 上本地合成语音（Felix 用 am_adam，Jasper 用 bm_george），以 ffmpeg 混音并将 MP3/RSS 发布到 GitHub Pages。需配置 GEMINI_API_KEY 密钥并支持 test_mode 与 gTTS 应急回退（ALLOW_GTTS_FALLBACK=true），每次运行还会随机选取并循环 CC0 1.0 配乐垫在人声下方。
GothicAI 项目通过 LLM 管理《哥特王朝 2 NotR》的 NPC，并计划加入新机制与剧情线生成。AI 运行在独立服务中，游戏内只保留轻量桥接：Python 编写的 AI 服务器负责对话、人格、记忆与语音输入，ASR 使用 Voxtral，TTS 使用 VoxCPM2，也支持 Inworld TTS-2 和 OpenAI 兼容 API。项目基于修改版 OpenGothic 引擎，提供 gothic-launcher 一键启动服务与游戏，并可用 Real-ESRGAN 将角色纹理放大 4 倍。
开源项目 gspro-shotcast 为 GSPro 3.1.x 模拟高尔夫提供击球追踪、赛季统计和 AI 直播解说。所有挥杆数据（launch data、成绩、fairways、greens、putts 等）存入本地 SQLite 文件，无需云服务或账号；统计页面提供 strokes gained、club gapping 等分析。AI 解说由 Nigel（play-by-play）和 Duke（color）两个声音实时播报，默认云端模型约每 18 洞 $1-2，也可完全本地运行（$0）。需 Windows PC、Python 3.12/3.13，默认设置需 OpenAI 和 Anthropic API key。
amphionspace 在 GitHub 开源 open-audio-llm，一个可组合的 Audio-LLM 后训练与部署框架，把音频编码器接到支持 inputs_embeds 的 Hugging Face CausalLM 上，用同一套 YAML 打通 ms-swift 训练、vLLM 部署与 AmphionEval 评测。基于 Qwen3-ASR-1.7B 三阶段全参 SFT 的 checkpoint-34479 在 16 个中英测试集上加权 WER/CER 5.64%，AISHELL-1 CER 0.63%，热词偏置在 Common Voice 上把中文 CER 从 4.32% 降到 1.72%；同一权重支持普通 ASR、热词偏置和目标说话人 ASR。
kimmingul 发布 NanumPlayer，一款基于 mpv 的 Windows 视频播放器，用 whisper.cpp 做语音识别、接 Ollama 本地或云端模型翻译，实时生成字幕轨道。支持本地文件、Blu-ray/DVD、YouTube 和网页视频，目标语言默认跟随 Windows 显示语言、可选 33 种语言；还提供字幕搜索导入、无播放生成 SRT、可编辑的逐作品术语表、GPU 画质预设与 RTX Video Super Resolution 放大，默认不保留播放记录和翻译缓存，采用 GPL-2.0-or-later 许可。
WhisperDesk 的 Voice Answer 是一款 Windows 应用，按一次快捷键（如 Ctrl+Alt+R）即可录制系统音频，经 faster-whisper 本地转写或 ElevenLabs Scribe / Deepgram 等云端 STT，再交给 Ollama 本地模型或 DeepSeek/Kimi/Gemini 云端 LLM 生成答案，可完全离线运行。推荐 CPU 配置为 faster-whisper base（int8）加 Llama 3.2 3B（Q4，约 8 GB 内存），支持隐藏窗口、防屏幕共享捕获和手机端显示。
AuroraASR-1M 发布，是一个仅 949K 参数的轻量级语音识别模型，采用权重共享 Conformer-CTC 架构，INT8 权重仅 1.06 MB。单 CPU 线程可达约 436× 实时速度，在 LibriSpeech test-clean 上使用贪心解码、无外部语言模型取得 11.43% WER，以 Apache 2.0 许可开源。
Readaloud 是一个开源项目，可将 PDF（最多 200 页）或 DOCX（最多 100,000 词、50 MB）文档转为章节化有声书：自动识别章节结构，过滤页码、页眉、脚注、表格和公式，再用 edge-tts 神经语音并行旁白，4 路并行可达 599–720 chars/s，最大允许书籍约 12–15 分钟完成旁白。浏览器播放器支持 0.5×–2× 变速、逐章播放和 MP3 下载，无需账号或付费 API，音频 24 小时内删除，每 IP 每小时限 10 次上传。
开源跨平台视频管理工具 vmgr（Video Manager Ultimate Bash 版）发布 v1.3.0，主脚本从 6,590 行精简至 465 行，拆分为 12 个独立模块，并新增基于 OpenAI Whisper 的字幕生成功能，支持 GPU 加速、并行任务与 speaker diarization。该版本保留文件重命名、SHA-256 查重、目录扁平化等原有功能，附带 200 项自动化测试套件，支持 Linux、macOS、WSL 和 Git Bash。
开源项目 Openspline 可为现有语音 AI 智能体添加实时对话数字人层：只需选择一张图片即可在本地 GPU 上生成口型同步的实时视频，5 行代码即可集成任意语音智能体。其 lite 模型在 NVIDIA RTX4090 上可达 90+ FPS，代码已在 GitHub 开源，项目仍处早期阶段。
研究者提出 Dual Task Vector Merging 方法，向冻结的 wav2vec 2.0 各 Transformer 层注入由情感和 ASR 微调模型导出的任务向量，用于阿尔茨海默病语音检测，仅需训练逐层合并系数与线性分类头，更新参数不到全量微调的 0.1%。在 ADReSS 和 ADReSSo 的说话人独立实验中优于 frozen probe、LoRA 和全量微调，与 LoRA 结合效果最佳；PROCESS 三分类任务及 20%、40%、80% 低资源设置下也验证了增益。
作者与 Claude 合作开发了 Red Curtain，让官方要求 48 GB NVIDIA 显卡的 Fish Audio Drama 3 在 RX 9070 上运行。方案将 35B MoE（每 token 约 3B 激活）的 FP8 专家（约 32 GB）留在系统内存、按需缓存到 GPU，其余以 BF16 运行，实测加载约 17 秒、占用约 11–12 GB VRAM 和 35 GB RAM，生成 3.3 秒语音需约 13 秒，慢于实时但适合短音频。附带 Web UI 支持参考音频克隆、多说话人脚本和与 Fish 官方编辑器相同的标签；已知问题是偶发首句后静音，属 Drama 3 本身问题而非 AMD 移植所致。
GitHub 仓库 SHERMANM4765/NLP-Lab7-Comprension-Ordenes 用于通过 Ollama 运行低资源大语言模型，实现语音命令理解。仓库包含 fase1 至 fase5 多阶段脚本、音频生成与转录、模型对比和评估文件，目前 0 stars、0 forks，无发布版本。
arXiv 论文提出面向流式 ASR 的在线错误定位框架 \sysname，用 pair-HMM 对齐噪声与干净解码获得软监督，训练反事实增益打分器定位可疑 span，再由说话人复述、LLM 仅修订所选片段。在 70% 精度下比最强基线多识别 52% 的错误 token，定向复述带来最高 24% 的相对 WER 降低。
作者发布 ComfyUI-SemBridge 节点包，将 ASLP-lab 的 SemBridge 模型（论文 arXiv:2608.07462）集成进 ComfyUI，支持中文和英文文本转语音、按对齐乐谱生成歌声以及语音加歌唱的连续生成，输出 mono 44.1 kHz 的标准 AUDIO 类型。模型代码在进程内运行，无需子进程或服务器；在 Windows 11 加 RTX 5090 上用官方仓库全部 10 个示例（4 语音、4 歌唱、2 混合）验证，与官方 SemBridge.generate 输出 16-bit PCM 逐样本一致，并通过 ComfyUI v0.38.0 真实队列测试；歌唱对乐谱的中位音高误差为 0.15 半音。
推荐理由：作者用官方仓库 10 个示例做了逐样本音频比对和音高误差实测，可信度数据可直接参考后再决定是否装进自己的 ComfyUI 流程。
0xShug0 的 audio.cpp 发布 v0.9.2，这是一个基于 ggml 的高性能 C++ 音频推理框架，在 Windows、Linux、macOS 上支持 CUDA、ROCm、Vulkan、Metal 和 CPU 后端，覆盖 TTS、ASR、语音克隆、声源分离等 110+ 模型家族、190+ 变体，通过统一 CLI、server API 和 WebUI 运行。新版本改进 Qwen3 TTS、BreezeTTS2 等流式推理（BreezeTTS2 首音频时间降低约 85-90%），部分 CUDA TTS 路径比 Python 快 1.8-8x，Supertonic 3 在 RTX5090 上 3 分钟生成约 10 小时音频，并已集成进 Unsloth Studio。
TuxWhisper 是一款面向 Ubuntu、Fedora、Arch 等 Linux 桌面的免费开源语音听写工具，全部在本机离线运行，语音数据不上传云端。它基于 Whisper（faster-whisper），松开按键约半秒后即可在光标处输入文字，支持 Whisper 的 100 种语言，兼容 X11 和 Wayland，NVIDIA GPU 可用，AMD 和 Intel 走 Vulkan，无 GPU 时也能用 CPU 慢速运行。可选的 LLM 清理键通过 Ollama 本地模型（默认 Llama 3.2）删除“嗯”等填充词、修正标点，并处理口述自我纠正，但该功能需约 2 GB 额外 GPU 显存。
Local AI Voice Studio 是一款面向 Windows x64 的离线桌面 TTS 工具，主打本地处理、语音预设、脚本管理和批量生成。它支持 WAV/MP3 导出、可复用的项目配置（Fast Balanced、Quality、Low VRAM 等）、基于队列的处理，工作流程无需强制上传文件到云端。系统要求最低 8 GB 内存（推荐 16 GB+），GPU 可选但对重度 AI 后端推荐使用。
GitHub 上线 Windows 离线 AI 视频配音翻译工具 Offline-AI-Video-Dubber-Translator，支持本地语音转写、SRT/VTT 字幕导出、离线翻译、本地 TTS 配音、逐段时间对齐、原声闪避与多语言导出。项目采用离线优先设计，不强制上传云端，支持批量处理和可复用配置文件，推荐 16GB+ 内存与支持 GPU 加速的现代显卡。
一项发表于 SPECOM 2026 的研究在单说话人病理语音场景下，对 Whisper 中的 LoRA 适配做了组件级分析。结果显示：全注意力层的 LoRA 提供最可靠的准确率和最佳时间-准确率权衡；模型扩容虽能降低错误，但无法消除说话人失配；中等长度语音受益最大，短和长语音仍是难点。研究强调适配器位置与依赖时长的评估在数据稀缺个性化场景中的重要性。
Kröger 为发音动态模型 DYNARTmo 引入声学与气动扩展：手势控制轨迹确定声道几何并转换为带鼻腔分支的声管，集总气动网络将声门运动与肺压映射为气流和声门上压力存储。帧级声学响应通过 overlap-and-add 合成叠加，并以德语词"Tasse""Muse""Lade"演示元音、鼻音、边音、擦音和塞音的协调。实现目前以声音可辨识度为主，独立感知评估尚未完成。
jsanchez542-hub 公开了 Maître 仓库，一个面向餐厅等预约类商家的订位助手，客人可通过电话、网页聊天或 WhatsApp 预订，桌位、营业时间、日期和过敏原等规则全部由代码保证，语言模型只负责说话，已上线 maitre.live。项目用预先写好的 41 段对话（其中 26 段含电话场景）对真实模型做评测，每段跑三次，在 19 段对话的对比中 Claude Haiku 5.5 以 19/19、p95 延迟 5.7s、每次 $0.0021 被选用，10 月 15 日最新一轮全部通过；架构上每家餐厅对应一个 Cloudflare Durable Object，数据固定在欧盟，语音部分基于 LiveKit Agents，代码以只读评估为目的发布（保留所有权利）。
推荐理由：仓库用评测数据对比了多个真实模型并给出选择依据，读者可以借此了解规则交给代码、对话交给模型的工程取舍。
nineninesix 团队发布开源权重模型 Tyger，基于 NVIDIA Nemotron 3.5 ASR Streaming 0.6B 加 14M causal GRU，每 80 ms 无前瞻地在 answer、stop、chime in 三种状态间切换，实现语音 Agent 的全双工轮次控制，可同时听到麦克风和 Agent 自身回放以避免回声误判。配套 tyger-s2s（Apache-2.0）整合 Gemma 4 E4B FP8 与 VoxCPM2，支持工具调用和最多 4 路并发对话，RTX 5090 上从用户说完到首段音频约 0.7 秒；默认全本地运行，不外传音频和文本。限制：tyger-s2s 需 28 GB 显存，仅测过 5090，仅 FP32 未测量化，目前只有离线基准。
Reddit 用户发布 LumaScribe，一款 Windows 本地语音听写应用，通过 whisper.cpp 调用 Whisper 将语音转录并输入任意文本框，适合 SillyTavern 等场景。应用支持自定义快捷键、麦克风选择、转录历史和系统托盘，每次转录后卸载模型以释放 VRAM，需 NVIDIA GPU（CUDA）、Python 3.10+，源码在 GitHub 以 PolyForm Noncommercial 许可开源。
一篇 arXiv 论文系统评测 Qwen3-TTS 两种克隆接口（ICL 与 X-Vector），对比 Chatterbox、XTTS-v2 和 F5-TTS，覆盖朗读、会议、情感和空管无线电语音，使用十八项客观指标、LLM 评审与听感测试。结果显示两种接口各有优势，ICL 音色更准但对短参考转写错误敏感；语音域差异解释的方差是系统选择的四倍；Qwen3-TTS 可懂度和音高占优但韵律落后，现有反欺诈对策无法识别其克隆音频，空管无线电语音对所有系统都失败。代码和音频已开源。
ConvexLLM 是一个通用语音与音频语言模型，其 C-Gate 接口将音频表示为冻结文本嵌入的连续凸组合。该模型在 VoiceBench 十一项任务上取得 75.36 的聚合分数，是对比的开源权重模型中最高，MMAU Test-mini 准确率为 62.50%。与 2B 参数解码器的对比显示，C-Gate 在语音任务聚合表现上优于 MLP 和 Q-Former 接口，文本任务表现接近 MLP，语音知识与推理任务优势最大。
开源项目 telegram-llm-bot 是一个本地优先的 Telegram AI 机器人，默认通过 Ollama 运行 qwen3.5:0.8b，支持文本、语音、工具调用（时间、计算器）及可选 SearchApi 网络搜索。语音经 faster-whisper 本地转写、音频归档到 MinIO，聊天历史存于 SQLite，也可切换 MongoDB，支持 Python 3.10+ 或 Docker Compose 部署，并提供 /health、smoke、doctor 等诊断命令。
GitHub 开源项目 smarhome 是一个智能家居语音 AI 助手后端，核心不绑定具体 LLM，通过适配器接入 Claude、Groq 和本地 Ollama。语音端采用 Whisper 语音识别、可插拔 TTS、Vosk 本地唤醒词和 ECAPA-TDNN 说话人识别，支持电脑控制与 Home Assistant 智能家居集成。技术栈为 Python、FastAPI、SQLite，含 450+ pytest 测试。
GitHub 新仓库 ZDX-AI 展示了一款智能 AI 助手，支持聊天、语音输入、语音回复、打开应用命令和 AI 图像生成。项目目标是让 AI 对所有人可用。
GitHub 开源项目 EMOrobo 推出一款基于 Raspberry Pi 的 AI 桌面机器人。其集成 Pygame 蓝色眼睛动画、Ollama 本地 LLM、自定义 Whisper 语音唤醒词 "emo"、Chatterbox TTS，以及 MediaPipe 手势/人脸/物体识别，并配备 4 个舵机、双 MPU6050 IMU、电容触摸和 Flask 网页遥控器。
Drama3 现已获得 audio.cpp 支持，在 RTX 5090（Q4_k）上全速运行最高可达 5 倍实时速度，采用 CPU weight offload 分级释放模式时低于 8 GB VRAM 也能达到约 2 倍实时速度（RTF 0.484）。该模型还支持 Vulkan 和 Metal，目前仍存在多说话人生成出现异常静音、Vulkan 触发 token 上限等问题，需更多迭代才会进入正式版本，社区贡献者欢迎参与优化。
研究者提出 SITAR，一种自动语音识别（ASR）的情境失真度量，通过有界递归公式将情境严重度与累积程度聚合为统一分数。SITAR 以 BERT 家族的轻量回归器实现，单次前向传播即可对参考-假设对打分，无需依赖 LLM 评测带来的高额计算成本。验证协议涵盖宏观与微观层面的外在效度和评分器内在可靠性，完整代码、模型权重与数据集将在内部审查后发布。
DaemonFlow 是一款免费的 macOS 本地语音听写工具，作为 Wispr Flow 的替代方案，按住 Fn 说话、松开即在当前应用粘贴干净文本。它通过 whisper.cpp 的 Whisper（Tiny 到 Large v3 Turbo）或 Apple Neural Engine 上的 Parakeet TDT 0.6B v3 转写，再用 MLX 本地模型（Llama 3.2、Qwen 2.5、Phi 3.5 或 Llama 3.1 8B）去除口头语、修正标点和自我更正。音频不落盘、语音和文本不出本机，仅在从 Hugging Face 下载模型时联网。
开源会议笔记应用 Scribble 1.3.0 在 GitHub 发布，提供实时录音转写、多语言 cabin 翻译和 AI 会议纪要生成，支持 macOS、Windows 和 Linux。转写后端可选 Nvidia Riva（13+ 语言）、Soniox（约 $0.12/小时）或完全离线的本地模式；说话人识别基于 ONNX Runtime + CAM++。纪要可导出 Markdown 和 Word，LLM 兼容 OpenAI、DeepSeek、Mistral、Groq、Gemini、OpenRouter 等 provider。
研究者提出 ELLSA 2，一个端到端全双工对话模型，联合优化语音交互与流式手势表情生成，在语言沉默时仍可持续生成非语言行为。模型通过上下文语义调用与模板引导实现语义手势生成，并建立对话感知的共语手势数据与评测管线。实验显示其与开源全双工语音交互模型相当，在手势与表情指标上超越级联基线，语义模板引导显著提升语义手势质量。
研究者在 Qwen-Audio-3.1-ASR-Flash-Next 基础上加入专用 Jev 决策头，推出 Qwen-Audio-Jev，通过 CHOICE、NOUL、SCORE 三种决策原语统一音频选择、二值判断与评分。模型在 MMAU-mini 上达到 78.70% 准确率、MMSU 上 84.06%，VoxCeleb1-O 等错误率 6.50%，NISQA 归一化平均绝对误差 0.1062。相比原模型推理速度提升约 20 倍，适用于大规模音频筛选、说话人验证和自动质量评估等高吞吐场景。
scragnog 发布 HOT-Step CPP 桌面应用，基于 acestep.cpp 和 GGML 在本地硬件上生成音乐，无需云端、API key 或订阅，支持 ACE-Step 1.5、MiniMax-Music3 和 YuE2 三个模型在工具栏切换。实验性 Training Studio 可在应用内为三个模型训练风格适配器，无需 Python；对量化基座训练将 MiniMax-Music3 的显存下限从 31.4 GB 降到约 10 GB。支持 Windows/Linux/macOS 的 CUDA、Vulkan、ROCm、Metal 和 CPU 后端，便携版解压即用，含歌词工作台、伴奏分离、音频转 MIDI、Lua 插件等功能，项目采用 MIT 许可证，模型权重各有独立条款。
GitHub 上的 OmniVoice 0.8.0（内部测试版）发布，这是一款 macOS 菜单栏应用，默认在本地完成实时转写、翻译和语音输入，无需云端服务。它支持悬浮字幕面板、⌥A 划词翻译、⌥S 截图翻译和任意应用内语音输入，可用系统引擎或本地模型（R2T2、HY-MT1.5 1.8B、T3PO），平衡版模型包约 3.4 GB，需 macOS 26 或更高版本，可通过 Homebrew 安装。
BMO 是一个专有 AI 聊天应用与智能体工作区，通过 Server-Sent Events 逐 token 流式输出，支持 Markdown、代码块、KaTeX 数学公式渲染、图像生成、文档解析与语音交互。模型路由可在 Mistral AI 驱动的 Stanza 2.5、Nexos 3.0 深度推理和 Iris 1.0 图像生成间切换；后端为 Flask 网关，验证 Supabase JWT 并将推理路由至 NVIDIA 端点，前端使用无构建工具的原生 ES modules。