Latest developer news about speech-recognition, summarized in Vietnamese by AI.
Xây dựng trợ lý giọng nói hoàn toàn cục bộ bằng Whisper (để nhận dạng giọng nói) và Ollama (để xử lý ngôn ngữ) thay vì phụ thuộc vào máy chủ của bên thứ ba.
Nếu bạn muốn tự tạo một hệ thống trợ lý giọng nói hoàn toàn tự chủ, không phụ thuộc vào các nền tảng trung gian và bảo vệ dữ liệu nói chuyện của riêng mình, bài này sẽ hướng dẫn cách xây dựng một giải pháp hiệu quả với Ollama và Whisper.
Agent Draw là công cụ hoạt động trên tldraw Agent starter kit, cho phép AI agent vẽ trên canvas vô hạn khi bạn nói. Bạn kéo vùng chọn, mô tả yêu cầu bằng giọng nói, và agent sẽ render bằng tldraw primitives hoặc bút vẽ. Bài viết chi tiết cách triển khai: StateNode tùy chỉnh, pipeline audio MediaRecorder, transcription qua Mistral Voxtral (Cloudflare Worker), hàng đợi FIFO xử lý yêu cầu vẽ đồng thời, và kỹ thuật prompt ngăn model xuất text thay vì vẽ. Tối ưu hiệu suất bằng cách loại bỏ hai action (setMyView, review), giảm 50% round-trip. So sánh khả năng, claude-opus-4.8 tạo tác phẩm phong phú hơn claude-haiku-4.5 hay gemini-2.5-flash-lite.
Những người lập trình viên muốn phát triển ứng dụng AI tích hợp giao diện đồ họa trực quan, đặc biệt là các ứng dụng tương tác âm thanh-video, nên đọc bài này để hiểu cách xây dựng pipeline hiệu quả từ nhận dạng âm thanh, xử lý đa nhiệm và tối ưu hóa giao tiếp giữa AI với người dùng thông qua các công cụ như tldraw.
Wispr Flow thông báo sẽ ra mắt một công cụ ghi chép cuộc họp (notetaker) theo phong cách Granola, tự động tạo bản tóm tắt và danh sách việc cần làm (action items) từ cuộc họp.
Là người phát triển, hiểu về Wispr Flow và công nghệ tự động hóa ghi chú cuộc họp sẽ giúp bạn tối ưu hóa công cụ AI cho ứng dụng của mình, từ đó tiết kiệm thời gian và cải thiện hiệu suất trong việc tích hợp các giải pháp tự động hóa trong dự án.
Việc chọn API chuyển văn bản từ giọng nói (Speech-to-Text) giá rẻ nhất có thể trở nên tốn kém hơn về lâu dài do chi phí ẩn như độ chính xác thấp, yêu cầu xử lý bổ sung hoặc giới hạn tính năng.
Lập trình viên nên đọc bài này để tránh rủi ro chi phí cao từ API giá rẻ nhưng có hạn chế về độ chính xác, tốc độ xử lý hoặc quy mô sử dụng, dẫn đến chi phí thực tế vượt ngân sách dự kiến trong dự án AI âm thanh.
Parakeet vs Whisper for Local Dictation: Speed, Accuracy, and Vocabulary in 2026 What our offline tests revealed about speed, vocabulary, languages, and hardware while developing DictaFlow on …
Apple giới thiệu tính năng "dictation nâng cao" sử dụng mô hình AI cỡ 12GB, nhưng dung lượng này không phải giới hạn vật lý mà nhằm thúc đẩy nâng cấp phần cứng.
Bài viết giải thích cách Apple tối ưu hóa bộ nhớ AI trong Siri, giúp hiểu rõ cách các mô hình lớn quản lý dữ liệu và cách các công ty áp dụng các kỹ thuật như local refinement để giảm chi phí mà vẫn nâng cao hiệu suất, giúp lập trình viên hiểu sâu về kiến trúc AI hiện đại và cách tối ưu hóa ứng dụng của mình hiệu quả.
AI Gateway now supports streaming transcription. Stream live audio and get transcript updates back as they're produced, using the AI SDK's streamTranscribe.
MLA-Whisper across 11 languages, and what the compression actually costs The Whisper-MLA paper compressed the decoder’s KV cache in English and released no models. I extended it to 11 languages and …
How I Made My Own Offline Voice Assistant Humans love to talk. We talk to our friends, family and coworkers every day. Sometimes we even talk to AI assistants — maybe to get a quick fact, or when …
I’m Building My Own AI Voice Assistant. Here’s What’s Happened So Far. I didn’t plan to write about this one. Same as the ML series, actually; I just started building something and figured …
Thư viện Swift/SpeechTranscriber bổ sung tính năng nhận diện ngôn ngữ tự động, cho phép chuyển đổi đa ngôn ngữ mà không cần can thiệp thủ công. Tính năng này dựa trên mô hình MLX-STT đã được giới thiệu trước đó.
Lập trình viên phát triển ứng dụng âm thanh hoặc AI cần tìm hiểu để tối ưu hóa hệ thống chuyển văn bản từ giọng nói đa ngôn ngữ mà không cần thay đổi thủ công thiết lập ngôn ngữ, tiết kiệm thời gian và công sức.
PrivateTranscriber là công cụ chuyển giọng nói thành văn bản cho macOS, thay thế riêng tư cho WhisperFlow, nhanh hơn VoiceBox, hỗ trợ nhận diện ngôn ngữ tự động và định dạng bằng LLM (tùy chọn). Mã nguồn đầy đủ có sẵn trên GitHub.
Nếu bạn là lập trình viên muốn tự xây dựng công cụ tự động hóa chuyển văn bản từ âm thanh với hiệu suất cao và tính riêng tư trên macOS, PrivateTranscriber sẽ là nguồn tham khảo hữu ích để so sánh, học hỏi và tối ưu hóa giải pháp của riêng mình.
Trình phát media mới yêu thích của tôi có thể tạo và dịch phụ đề theo thời gian thực, giúp tôi không cần dùng tới file SRT nữa.
Lập trình viên nên đọc bài này để khám phá cách tích hợp công nghệ tự động hóa xử lý phụ đề trực tiếp vào ứng dụng media player, giúp tối ưu hóa hiệu suất và mở rộng khả năng tương tác với các nền tảng đa dạng mà không cần phụ thuộc vào định dạng tệp cũ như SRT.
Một nơi để thử nghiệm công nghệ một cách dễ dàng và thú vị.
Lập trình viên nên đọc bài này để khám phá cách kết hợp mã nguồn đơn giản với công nghệ hiện đại để tạo ra các giải pháp thực tế, từ đó mở rộng kiến thức về cách ứng dụng logic lập trình trong các dự án thực tế.
Thư viện moonshine/micro cung cấp khả năng chuyển đổi giọng nói thành văn bản (speech-to-text), nhận diện ý định (intent recognition) và chuyển đổi văn bản thành giọng nói (text-to-speech) với độ trễ cực thấp, phục vụ xây dựng các tác nhân thoại (voice agents) và giao diện thoại.
Lập trình viên phát triển ứng dụng giao diện âm thanh hoặc hệ thống AI thông minh nên đọc để khám phá công nghệ xử lý âm thanh siêu nhanh gọn nhẹ, giúp tối ưu hóa hiệu suất cho các ứng dụng voice agent và giao diện tương tác bằng giọng nói.
Mozilla AI vừa phát hành Llamafile 0.10.4 với tính năng mới Transcribefile, dựa trên thư viện Transcribe.cpp (tương tự Llama.cpp nhưng dành cho speech-to-text). Phiên bản này hỗ trợ 16+ mô hình TTS, cập nhật Llama.cpp, cải tiến tăng tốc Vulkan/AMD ROCm, bổ sung tải xuống HTTPS và sandboxing pledge/SECCOMP.
Là người phát triển AI hoặc chuyên về xử lý âm thanh và GPU, bạn nên đọc để khám phá cách Transcribe.cpp và Llamafile tối ưu hóa hiệu suất inference âm thanh với các mô hình lớn bằng cách tích hợp công nghệ Vulkan, CUDA và Apple Metal, giúp tiết kiệm thời gian và nguồn lực cho ứng dụng của mình.
Educational institutions with large call centers face a scalability problem: reviewing advisor quality across financial aid, admissions, and enrollment calls is manual, slow, and expensive. With Databricks, GenAI can ingest calls, transcribe them with high fidelity, score advisor performance against an institutional rubric, and surface insights through natural language, all on a single governed platform. This blog walks through the approach with code notebooks and an example Genie space.
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
Vocalinux 0.14 beta vừa ra mắt, cung cấp tính năng nhận diện giọng nói offline (speech-to-text) trên Linux, hỗ trợ cả X11 và Wayland. Phiên bản mới bổ sung phím tắt cấu hình, hỗ trợ API từ xa FunASR/SenseVoice, cải tiến Wayland và tối ưu Whisper.cpp trên laptop lai, sử dụng Whisper.cpp (hoặc VOSK/OpenAI Whisper/PyTorch) với tăng tốc GPU Vulkan.
Nếu bạn là lập trình viên muốn phát triển ứng dụng xử lý giọng nói offline trên Linux, Vocalinux 0.14 beta sẽ cung cấp mã nguồn mở, backend linh hoạt (Whisper.cpp, VOSK, OpenAI) và hỗ trợ GPU/CPU hiệu quả, giúp bạn nhanh chóng tích hợp và tối ưu hóa giải pháp cho các dự án riêng của mình.
A benchmark comparing Apple's new SpeechAnalyzer API (iOS/macOS 26) against the legacy SFSpeechRecognizer and three Whisper model sizes (Tiny, Base, Small) on 5,559 LibriSpeech utterances. SpeechAnalyzer achieved 2.12% WER on clean speech and 4.56% on noisy speech, beating Whisper Small (3.74%/7.95%) while running ~3x faster. The legacy SFSpeechRecognizer came last at 9.02%/16.25%. Results were validated against OpenAI's published Whisper numbers, and raw transcripts are publicly downloadable. The conclusion: developers should migrate from SFSpeechRecognizer immediately, and for English on Apple hardware, SpeechAnalyzer is now the strongest on-device option. Whisper retains advantages in language coverage (100+ vs ~30 locales) and cross-platform support.
A prototype silent speech system uses an ultrasound probe placed under the chin to capture tongue movements, which are then decoded into speech using machine learning. Built in about a month with roughly 50 hours of training data, it achieves a 15.6% word error rate and works across different speakers with similar accents. The approach is immune to noisy environments since it doesn't rely on sound waves. Current limitations include the bulky off-the-shelf probe, but a miniaturized adhesive patch form factor is considered feasible as the technology matures.
A hands-on walkthrough of building a fully local voice assistant on a Raspberry Pi 5 using llama.cpp with the Qwen3.5-2B model, Speaches for STT/TTS (faster-distil-whisper-small.en and Kokoro-82M), and Open WebUI as the interface. The author chose llama.cpp over Ollama to reduce performance overhead on the ARM SBC, used Raspberry Pi OS Lite to minimize resource usage, and connected everything via OpenAI-compatible APIs. A browser flag workaround was needed to allow microphone access over HTTP. The result is a responsive voice assistant that runs entirely offline without GPU hardware.
A team trained a model to decode speech from ultrasound video of the tongue during silent articulation, achieving a 15.6% word error rate on open-vocabulary speech — approaching lip-reading benchmarks despite using only 50 hours of training data collected over one month. The system uses a ResNet-18 2+1d video encoder aligned to Whisper's embedding space, enabling the Whisper decoder to transcribe tongue movements into text. Notably, the model generalizes to new speakers without retraining. Data was collected using vocalized speech (to enable audio quality checks) with the assumption that tongue movements transfer to silent speech. The two main remaining hardware challenges are miniaturizing the ultrasound probe and replacing gel coupling with hydrogel for practical wearable use.
Canonical is developing Myna, a local AI-powered speech-to-text tool for Ubuntu, set to debut in Ubuntu 26.10 (October). It works via a hotkey that activates a sandboxed inference process using open models like Whisper, Nvidia Nemotron, Parakeet, or Qwen3-ASR — all running locally with no cloud connectivity. Myna is a dictation tool only, not a voice assistant; wake words, voice commands, and continuous listening are explicitly out of scope. It will be distributed as a removable Snap package, and the project is currently in the architecture/planning stage on GitHub.
Speakr is an open-source, self-hosted transcription tool that converts meetings and voice notes into searchable text using Whisper and local or cloud LLMs. Deployed via Docker Compose in minutes, it offers speaker identification, keyword search, and AI-generated summaries. Unlike Otter.ai, it keeps all recordings and transcripts on your own hardware with no subscription fees or usage limits, making it ideal for anyone handling sensitive or NDA-protected conversations.
Read the news here, practice coding, follow structured courses and train for IELTS on our sibling products — all connected through one 8 Sync account.
The ecosystem home: product overviews, blog and full pricing.
ExploreLearn along a clear roadmap: videos, auto-graded quizzes, certificates and mentors who ship for a living.
View the roadmap1,000+ DSA problems in Vietnamese, auto-graded across 7 languages — many FREE, right in your browser.