Speech-Hands: A voice agent that knows when to trust itself

Share
Speech-Hands: A voice agent that knows when to trust itself

What if a speech AI could pause and double-check its hearing when the sound gets messy? That’s the idea behind Speech-Hands, a new voice-agentic framework that teaches models to know when to trust themselves—and when to ask for help.

Instead of blindly mixing speech recognition with external audio perception, Speech-Hands adds a learnable self-reflection step. For every audio snippet, the agent explicitly decides: rely on its own transcription, or consult external candidates. This simple decision prevents noisy guesses from derailing the model and naturally extends from transcription to multiple-choice audio reasoning.

  • On the OpenASR leaderboard, it cut word error rate by 12.1% across seven benchmarks.
  • On audio question answering, it reached 77.37% accuracy with high F1, showing robust generalization.

Why it matters: by unifying perception and decision-making, Speech-Hands builds more reliable, resilient audio intelligence—for voice assistants, contact centers, and accessibility tools.

Paper: https://arxiv.org/abs/2601.09413v1

Paper: https://arxiv.org/abs/2601.09413v1

Register: https://www.AiFeta.com

#AI #SpeechRecognition #AudioAI #ASR #MachineLearning #VoiceTech #AgenticAI #Accessibility

Read more

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Uusi vertailu näyttää, että tekoälyn tapa muotoilla järjestelmävaatimuksia luonnollisen kielen kysymyksiksi vaihtelee mallin ja aiheen mukaan. Siksi tärkeintä ei ole valita ”parasta” mallia, vaan tilanteeseen sopiva. Kuvitellaan tuttu kokous: pöydän ääressä yritetään päättää, mitä uuden tietojärjestelmän pitää pystyä tekemään. Syntyy lista kysymyksiä, joihin järjestelmän on osattava vastata. Esimerkiksi: ”Mitkä lääkkeet

By Kari Jaaskelainen
Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Kun tutkija jättää työpöytänsä, hänen äänensä ei välttämättä vaikene. Pelkistä julkaisuista voidaan jo rakentaa tekoäly, joka ohjaa väitöskirjaa, arvioi artikkeleita ja väittelee paneelissa – uskottavasti. Useimmat meistä ajattelevat tutkimusartikkeleita kirjastoiksi: hyllyriveiksi ajatuksia, joihin muut voivat palata. Uusi arXivissa julkaistu esityspaperi ehdottaa toisenlaista kuvaa. Julkaisut ovatkin rakennuspiirustuksia, joista voidaan koota tekijänsä ajattelutapa

By Kari Jaaskelainen
Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Moni tietää tunteen seminaarin päätteeksi: ohjelma oli kiinnostava, mutta kuka päätti, mistä puhuttiin ja mistä ei? Usein vastaus on pieni ohjelmakomitea, joka tekee valinnat ennakkoon. Yleisö kuuntelee, harva vaikuttaa. Eräässä tekoälyn yhteiskunnallisia vaikutuksia käsittelevässä kansainvälisessä konferenssissa kokeiltiin toisenlaista tapaa. Osallistujat eivät vain tulleet paikalle – he auttoivat muokkaamaan itse tilaisuuden suuntaa.

By Kari Jaaskelainen