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。
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。
作者提供一套不足 70 行 Python 的影片配音流程,結合 Whisper 轉錄、Claude 逐句翻譯及 Chatterbox Multilingual 以克隆聲線生成語音。
雷鳥 iO AI 眼鏡加入高德導航、航班動態及高德打車行程資訊,並為全天智記新增聲紋註冊、文本選擇與複製功能。眼鏡亦新增離線翻譯,並優化語音助手、字幕、錄音、提詞器與通知等功能。文章提到,雷鳥 iO 日均佩戴時長為 5.3 小時,20% 的用戶每天佩戴超過 8 小時。
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。
Mozilla 推出 Firefox 160.0 穩定版,新增可在裝置端本地運行的語音轉文字功能,支援 40 種語言。更新亦加入 MKV 檔案播放支援,兼容 FLAC、MP3 和 PCM 音訊編碼,並為畫中畫播放器新增 0.25 倍至 2.0 倍速的語音播放速度設定。
作者提出三步檢查流程,協助語音智能體團隊在 11 月 17 日前找出即將停用或自動轉路由的模型 ID,並追蹤每通電話實際使用的模型。
HUAWEI 暢享100系列按通話需求分為暢享100 Pro Max、暢享100 Pro和暢享100三款,涵蓋雙向通話降噪、弱網快回及不同定位的續航與防護配置。Pro Max配備85dB+雙揚聲器和8800mAh電池;Pro主打雙向降噪與弱網通話,暢享100則提供關懷模式。
HUAWEI 暢享100系列按聽音需求分為三款,Pro Max主打對稱立體雙揚聲器及星閃2.0無損音頻傳輸,Pro兼顧通話人聲、屏幕與續航,暢享100則面向預算有限及習慣使用耳機的用戶。星閃2.0支持96kHz/24bit音質,傳輸碼率為4.6Mbps;Pro Max國補後約1699元起,Pro國補後約1529元起。
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。
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。
OpenRing 是 MIT 授權的開源替代方案,可在自有伺服器運行並兼容 Vapi API,讓用戶遷移 Vapi 帳戶,免付託管平台的每分鐘費用。用戶可透過一個請求匯入助理、squad、工具和 Twilio 號碼;匯入用的 API key 只使用一次,不會儲存。
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。
Apple 發佈 iOS 27.3 首個公開 beta,重新加入改版健康 App,並讓 Siri AI 在支援 App 中執行更多操作。
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。
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。
Zyphra 發佈 ZONOS3-Mini,這是一款採用 MoE 架構、支援零樣本聲音克隆的實時 TTS 模型。
Maono 推出 PD500W 混合式咪高峯,支援 2.4 GHz 無線、USB-C 及 XLR 連接,並可選用 32-bit float 內部錄音及安全音軌備份。咪高峯配備 32 GB 儲存空間,並支援 AI 轉錄、翻譯及摘要功能。Basic Version 售價由 US$399 起,Desk Stand Bundle 售價為 US$429。
agent002 比較 ElevenLabs 與 Deepgram 的文字轉語音和語音智能體定價,指出前者按字符計費的語音生成成本差距大,但智能體每分鐘費用接近。
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。
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。
HUAWEI 暢享100系列三款機型各有側重,Pro Max配備85dB+對稱立體雙揚聲器及20級音量調節,主打大音量與長續航。Pro主打AI雙向通話降噪;暢享100則獨有關懷模式,適合預算有限的用戶。
小米耳夾式耳機在京東領券後低至 505 元,較首銷價 799 元下調。耳機單隻重 5.5g,搭載 11mm 驅動單元並採用高性能記憶鈦絲;耳機本體續航 9 小時,配合充電盒最高可達 38 小時。
HUAWEI 暢享100系列三款手機均配備小藝語音助手,暢享100 Pro及暢享100 Pro Max支援16種方言識別。暢享100 Pro Max提供85dB+正面響度及8800mAh電池;暢享100 Pro主打方言識別與雙向通話降噪,暢享100則以關懷模式降低操作門檻。
漫步者 W900NB 30 週年典藏版頭戴式藍牙耳機今晚 20:00 開售,售價 1159 元,限量 3000 套。耳機配備 8 顆麥克風,降噪深度達 -50dB,並支援杜比全景聲及 192kHz/24bit 採樣率。降噪開啟時,SBC 編碼續航可達 42 小時;關閉降噪則可達 110 小時。
作者實測 adventists-ai 的 Sophon-Realtime,因兩張 24 GB RTX 3090 未達 README 所列的一張 80 GB GPU 門檻,且磁碟只有 12 GB 可用,未能開始評估準確度。
Shizuku AI 公佈全雙工模型 Shizuku-Duplex,模型無需等待用戶完成提問便會啟動思考流程。在 6 個參測模型中,其日語對話自然性最高,回應質素僅次於 OpenAI 的 GPT-Live。模型以 80ms 為一個互動「幀」,並每 5min 壓縮一次上下文。
這套媒體工具可在瀏覽器分頁內執行轉換、修剪、降噪、字幕及人臉遮蔽,整個流程在本機處理,檔案不會離開裝置。FFmpeg 以 WebAssembly 執行,影片逐影格經 WebCodecs 處理;Whisper 等 AI 功能的模型首次下載並快取後,處理毋須網絡。
美國聯邦檢察官表示,自 2024 年 7 月起的 18 個月內,使用 AI 生成聲音冒充企業高層的詐騙電話,已令企業損失 $129M+。
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。
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。
恩智浦推出 SAF9000 系列單晶片車載收音與音訊平台,整合 5 個內置調諧器、兩個音訊處理內核和一個嵌入式 MCU。平台支援多制式模擬與數碼無線處理,並提供 PCIe 和千兆以太網連接選項;影片講座亦會介紹產品組合、路線圖及應用案例。
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。
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。
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。
Lucataco 維護的 Xtts-V2 是一款多語言文字轉語音模型,可憑 6 秒音訊樣本複製聲線,並支援 17 種語言合成語音。清晰的參考音訊有助提升輸出質素,模型亦提供降噪選項。模型以 24 kHz 取樣率生成音訊,並採用 CPML 授權。
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。
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。
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。
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。
文章示範如何以 ElevenLabs API、Python 和 ffmpeg 建立 YouTube 影片配音流程,從文字生成 MP3、處理音訊並與影片合併。流程亦可選擇加入聲音複製,或包裝成命令列工具。