跳到正文
11月10日週二
  1. 新浪科技27

    博世旗下 AVONIC 發佈 CamDirector® Voice Tracker 4.0

    AVONIC 發佈 CamDirector® Voice Tracker 4.0,升級包括重新設計的用戶介面、可互動的 Room Canvas、簡化的攝像機配置,以及新增支援 Nureva HDL310 和 HDL410。系統最多可控制 10 台攝像機,並根據陣列麥克風提供的聲源定位資料,自動選擇攝像機追蹤發言人。

  2. 新浪科技53

    Firefox 160.0 穩定版加入本地語音轉文字及 MKV 播放支援

    Mozilla 發佈 Firefox 160.0 穩定版,新增可在裝置端運行的語音轉文字功能,並加入 MKV 檔案播放支援。Web Speech API 語音轉文字支援 40 種語言,MKV 播放相容 FLAC、MP3 和 PCM 音訊編碼。畫中畫播放器新增語音播放速度設定,可在 0.25 倍至 2.0 倍速之間調節;地址欄域名與其餘部分的對比度亦有所提高。

  3. DEV Community21

    Streaming TTS 如何在幕後運作

    Streaming TTS 會將生成的音訊分成小段即時傳送,讓用戶無須等待整段語音完成便可開始播放。流程包括文字預處理、聲學模型生成 mel-spectrogram、vocoder 轉換音訊,以及透過 HTTP/2 或 WebSocket 傳送音訊片段。ElevenLabs 提供支援語音克隆和 SSML 的低延遲串流 API。

  4. DEV Community60

    Windows 電腦本機 Whisper 轉錄指南:硬件要求與輸出檢查

    ClapClip AI 的 Windows 本機 Whisper 轉錄指南,説明如何確認 GPU 是否參與運算,並以五分鐘音訊片段測試硬件和轉錄品質。大型模型需要更多 RAM 和顯示記憶體;比較中型與大型模型時,除計算 WER 外,還要另核對人名、數字和否定詞。指南亦建議停用網絡後重跑片段,並在 Resource Monitor 查看轉錄期間的網絡流量,以檢查離線運作。

  5. DEV Community43

    如何處理 Voice AI API 速率限制與快取

    Voice AI API 的速率限制可能導致語音生成延遲或失敗,快取音訊可減少 API 呼叫。文章以 ElevenLabs 為例,示範使用 Python、Redis 和 JavaScript 設置快取,並建議收到 429 時按 Retry-After 等待及採用指數退避。常見提示詞亦可預先生成音訊,以減少重複生成的成本與呼叫量。

  6. DEV Community45

    在瀏覽器打造英語語音練習 App:最先出問題的是甚麼

    BataTalk 創辦人分享如何在瀏覽器打造英語語音練習產品,以及開發初期最先遇到的問題。產品以 AI 角色和教練 Tato 引導巴西用戶在日常情境中練習口説,免費方案每日提供一次引導式對話。文章指出,訪客試用與防濫用、註冊摩擦、SEO、語音成本及內容重複都需要及早處理。

  7. DEV Community44

    以語音智能體和 Odoo 建立 AI 診所接待員:診所預約自動化指南

    指南説明如何結合語音智能體與 Odoo,建立可接聽來電、回答診所服務問題及預約的 AI 接待員。系統由電話、語音轉文字、LLM、Odoo API 和文字轉語音等部分組成,遇上緊急情況或複雜醫療問題則轉交真人處理。指南建議把語音延遲控制在 800ms 以下,並測試至少 50 通電話。

11月9日週一
  1. DEV Community60

    語音智能體技術棧:哪些可在瀏覽器分頁運行,哪些需要付費

    Daniel García 梳理語音智能體技術棧的瀏覽器端能力與限制,並建議把編排、開源模型服務及高級語音放在雲端。瀏覽器可透過 transformers.js 在 WebGPU 或 WASM 上免費執行 Silero VAD、Whisper 類 ASR 和 82M 參數的 Kokoro TTS,但 8B 級 LLM、正式部署所需後端及品牌級語音超出瀏覽器端的能力範圍。

  2. DEV Community39

    聲音交易市場需要報價,而非貼紙

    聲音交易市場應以報價約束資產、使用權限、分配方式、政策及獲準的付款執行,而不能只展示價格。現有唯讀市場流程以經核實的 AppleSauce 報價作為顯示及交易依據,並在呼叫 Stripe 前核實報價;資產身份、條款或處理器授權不符時,不會建立結帳工作階段。報價亦應列明創作者、平台及生態系統的分配,讓創作者可查閲交易條款。

  3. DoNews40

    日本 Shizuku AI 發佈日語全雙工 AI 模型 Shizuku-Duplex

    日本人工智能實驗室 Shizuku AI 發佈日語全雙工 AI 模型 Shizuku-Duplex,該模型是繼 GPT-Live 後全球第二個支援日語智能對話的全雙工 AI。模型以 80 毫秒為一個互動幀,支援音訊、文字與動作三模態輸出,並每 5 分鐘壓縮一次上下文。測試中,其日語對話自然性在 6 個參測模型中排名第一,回應質素僅次於 GPT-Live。

  4. IT之家40

    Shizuku AI 公佈全雙工模型 Shizuku-Duplex,為 AI 伴侶開發奠基

    Shizuku AI 公佈全雙工模型 Shizuku-Duplex,稱其為繼 GPT-Live 後第二個支援日語智能對話的全雙工模型,無需等待完整提問即可啟動思考。該模型在 6 個參測模型中日語對話自然性最高,回應質素僅次於 GPT-Live;模型以 80ms 為一個互動「幀」,每 5min 壓縮一次上下文。Shizuku AI 正基於這項技術開發伴侶式 AI 雫。

  5. DEV Community71

    如何比較語音 AI 智能體:16 個情境的驗收測試

    作者提出一套比較語音 AI 智能體的驗收測試,包含 16 個合成通話情境、匹配測試流程、評分規則及 JavaScript 比較器;文中沒有實際測試任何供應商產品,也沒有公佈產品結果。Track A 固定測試條件,Track B 則讓各產品採用有文件説明、供正式環境使用的設定,並記錄設定時間及額外依賴。文章建議先設硬性安全門檻,再依可觀察事件評分,並在實際電話路徑檢查通話、工具動作和轉接結果。

  6. 新浪科技34

    思必馳多方言混合識別算法通過國家網信辦備案

    思必馳自主研發的多方言混合識別算法通過國家網信辦深度合成服務算法備案,是思必馳第十項通過備案的算法。該算法以普通話和方言雙路並行識別,覆蓋十餘種方言,無需用戶預先選擇語種。通過備案為合作夥伴集成方言語音交互提供合規基礎。

  7. DEV Community65

    AI 語音智能體身份告知:通話開始 10 秒的 12 項測試

    這篇指南提出 12 項合成驗收測試,檢查面向歐盟部署的 AI 語音智能體是否在開始實質對話前,向來電者清楚告知其 AI 身份。測試涵蓋 IVR、排隊轉接、語言分流、中斷及重試,並要求以來電端音訊和事件紀錄確認告知順序。文章亦區分 AI 身份告知與錄音或轉錄通知,並附 CSV 檢查程式;這套測試不構成合規認證,也沒有提供實測通過率。

  8. 阿里雲開發者社區 AI29

    AI 英語測評系統開發:功能、實施流程與費用估算

    AI 英語測評系統整合語音評測 API、大語言模型、智能題庫及 Web、APP、小程序,支援音素級口語評分、作文批改、自適應組卷和學情報告。開發預算通常為 8萬元至50萬元+,按版本規模可分為 8萬 - 15萬元、15萬 - 35萬元及35萬 - 80萬元+。系統亦需持續支付語音評測 API、大模型 Token、伺服器及音視頻存儲等營運費用。

  9. 阿里雲開發者社區 AI31

    AI 英語教培智能體的開發

    AI 英語教培智能體結合大語言模型、二語習得理論與低延遲語音技術,採用「感知—大腦—行動」三層架構。系統支援流式 ASR/TTS、多模態互動、情境對話、分級糾錯、評測打分及教師教學支援。開發方案涵蓋 RAG 知識庫、多智能體協作、記憶追蹤、評測及持續迭代。

  10. 小眾軟件34

    發現頻道:10 款大家發現的好評軟件【2026年第45期】

    小眾軟件論壇「發現頻道」列出最近10日的系統自動生成熱門排行榜,共有10款軟件,涵蓋截圖、系統管理、Markdown 編輯、照片處理及 AI 互動屏等用途。Tomoru 和 AudioScript 可將電腦播放的聲音轉成雙語字幕;AudioScript 的識別和翻譯均在本機完成,音訊和文字不會上傳。

  11. DEV Community47

    已有錄音時的對嘴 API 比較

    這篇比較按已有錄音選擇對嘴 API 的路線:現有影片可評估 Magic Hour Lip Sync,靜態人像可評估 Magic Hour AI Talking Photo,多位説話者的影片則可評估 Sync Labs。各路線的輸入欄位和説話者、片段控制各有不同,應先核對所選模型支援的選項。內容比較的是文件所述輸入方式,沒有提供渲染測試或準確度分數。