Wispr Flow发布语音模型Canto，主打真实嘈杂场景听写

Wispr Advanced Interfaces Lab 推出新一代语音识别模型 Canto，是该实验室"更广泛研发计划"中的第一个模型，专门针对实时听写场景打造。多数语音识别模型在干净录音上表现优异，但 Wispr Flow 的用户实际是在笔记本麦克风、耳机、通勤路上、嘈杂办公室里口述消息、邮件和代码，背景常混有他人说话声、音乐或交通噪音——这类真实条件下的识别效果，一直是行业没有被充分验证的部分。

真实听写数据评测，不只看公开基准

团队构建了一个由 2300 多名用户贡献、共 10 小时英语 Wispr Flow 听写录音组成的评测集，样本随机抽样自不同应用场景，并严格将训练集和测试集的说话人分开，避免模型对特定口音过拟合。

在这个评测集上，Canto 的词错误率（WER，衡量替换、遗漏、插入错误，越低越好）低于对比的各家模型：官方图表显示，Canto 的 WER 为 3.4%，优于 Google Gemini 3.1 Pro（3.6%）、OpenAI GPT Transcribe（4.0%）、AssemblyAI Universal-3.5 Pro（4.2%）、Google Gemini 3.5 Transcribe（4.5%）和 Deepgram Nova-3（7.4%）。

图：真实听写评测集上，Canto 的 WER 为 3.4%，低于 Google、OpenAI、AssemblyAI、Deepgram 的对比模型，来源：wisprflow.ai

团队还单独构建了 3 小时"挑战集"，专挑近处人声、音乐、交通、风声、低音量、耳语或远场说话、上下文极少的简短口述等最容易让听写失败的条件。Canto 在此集上 WER 为 9.1%，仅次于 Gemini 3.1 Pro（8.2%）——但后者是不适合实时低延迟场景的多模态前沿模型，在所有面向实时转写的模型里 Canto 的 WER 最低。

在 LibriSpeech、FLEURS、Common Voice 三个公开英语数据集上，Canto 在 LibriSpeech 上并列最低 WER，另两个数据集上具备竞争力但未领先。团队解释，公开数据集多是"朗读式"语音，和用户即兴口述、语境稀少的真实听写分布不同，这是同时使用两类评测的原因。

训练分两步：监督微调之后做强化学习

Canto 从一个在数百万小时语音和文本上预训练的模型出发，再分两阶段训练：监督微调给模型音频和参考文本，让它学习预测文本中的词；强化学习则让模型对同一段音频生成多个候选转写并打分，使其未来更倾向输出得分更高的转写，区别在于反馈方式——监督微调每步都给"正确答案"，强化学习是对模型自己生成的完整转写打分。具体算法是 GRPO（分组相对策略优化，最早出现在 DeepSeekMath 中）：将每个候选转写的得分与同组其他候选比较，得到相对优劣的"优势值"指导训练更新。

Canto 是该实验室更广泛研发计划里的第一个模型，官方表示已有后续研究在塑造下一步方向，但未给出下一个模型的时间表，也未说明 Canto 何时或是否已全面替换 Wispr Flow 现有的听写模型。