跳到正文
11月9日週一
  1. Engadget48

    舊智能手錶的 5 個意想不到用途

    舊智能手錶可改作 AI 語音助手、記事裝置、睡眠追蹤器或兒童手錶,毋須因升級而閒置。部分用途需要額外應用程式或流動網絡計劃,兒童手錶功能亦須視乎型號;睡眠數據不能代替醫生診斷。

11月8日週日
  1. DEV Community27

    Subvocal 與 Amblyotube 如何啟示隱形科技的設計

    作者測試 Subvocal 靜音語音辨識與 Amblyotube 視網膜投影原型,指出介面消失後,複雜度會由用戶操作轉移至硬件排程。Subvocal 在 30 個詞的詞彙表上達到 78% 準確率,端到端延遲為 42 ms;Amblyotube 則以 1.2 W 功耗達到 60 ppd 感知解像度。文章建議先訂定可量度的延遲預算、縮小模型佔用空間,並及早進行人機測試。

  2. IT之家36

    保時捷多款車型車機性能升級:新一代通訊管理系統算力達前代 5 倍

    保時捷推出新一代保時捷通訊管理系統(PCM),算力最高可達上一代 5 倍,並將逐步應用於新生產車型。新系統提升車機啟動、應用載入及多應用同時運行的流暢度,並加入 3D 車輛模型和支援多步驟指令的 AI 語音助手。升級亦包括導航、充電規劃、手機互聯及 OTA 軟件更新。

  3. DEV Community43

    FluentVoice Pro 1.6.7:新增防意外限制,並改善最大化視窗排版

    FluentVoice Pro 推出 1.6.7,為自動複製朗讀和線上語音請求加入限制,並改善大量貼上文字時的載入表現。自動複製朗讀上限為 10,000 個字元,Reader、系統匣及快捷鍵維持 100,000 個字元上限;線上請求共用每 10 秒 10 次的限制。處理 5 MB 貼上的時間由 2.1 s 降至 0.07 s,最大化視窗時的介面亦會維持舒適寬度。

  4. DEV Community54

    如何用 miragea-voice-mcp 為 Claude、Cursor 等 AI 智能體生成配音與字幕

    miragea-voice-mcp 是開源 MCP 伺服器,讓 Claude Desktop、Claude Code、Cursor、VS Code 等 MCP 客戶端呼叫語音合成及語音轉文字,產生音訊檔和 SRT、VTT 字幕。伺服器以 uvx 啟動,需設定 Miragea API key,語音服務使用 Miragea 帳戶點數。它提供 8 個工具,包括預估費用、設定點數上限,以及查詢和續接任務。

  5. DEV Community44

    構建 TianDun:由一張照片打造支援多平台的 AI 直播主持人

    TianDun(天遁)讓創作者和賣家只需提供一張清晰肖像照及一段短稿,便可製作會説話的虛擬形象影片、產品短片和 AI 直播主持人。直播功能包括自動配音、虛擬貨架、產品推介及彈幕回覆,並支援推送至 Douyin、Kuaishou、WeChat Channels、Bilibili、Xiaohongshu 和 RTMP。瀏覽服務免費,任務失敗會退還點數。

  6. DEV Community34

    Mimikara:日語説到對應詞語時,英文字幕逐詞顯示

    Mimikara 將日文和英文字幕檔轉成 .ass 字幕,讓英文單詞在日語對應詞語説出時逐詞淡入。它以時間配對字幕提示,使用 UniDic 分詞,並讓 LLM 配對英日詞語,再按 mora 數或強制對齊為單詞定時;透過顏色和不透明度變化,令英文仍可由左至右自然閲讀。

  7. DEV Community46

    使用一個月後,個人語音庫是甚麼樣子

    作者以 FreeVoiceClone 為例,記錄使用個人語音庫一個月後的整理流程,包括命名、每週清理,以及決定哪些語音可以公開。每個名稱依次標示角色或用途、語言、演繹風格和日期;建立語音前亦應確認公開設定及取得所需許可。文章建議以清晰錄音開始,並定期刪除不再使用或不合用的語音。

  8. DEV Community56

    OpenWhispr 如何在任何應用程式中私密聽寫提示詞

    OpenWhispr 是開源桌面應用程式,用戶按住全域快捷鍵説話,文字便會輸入遊標所在位置,適用於任何應用程式。它支援本機 Whisper 或 NVIDIA Parakeet,使用本機模型時音訊會留在裝置上;接入雲端服務,音訊或文字則會傳送至服務商。文章根據 README 編寫,作者沒有安裝應用程式核實,並提醒快捷鍵及模型名稱可能隨版本改變。

  9. DEV Community39

    AI 語音介面的最佳實踐

    AI 語音介面應以清晰、一致和用戶控制為設計原則,並兼顧音質、語音延遲與私隱。文章建議選用支援低延遲串流的 TTS 引擎,實時互動的延遲以 <200 ms 為理想,並為超過 2 s 的 API 呼叫設定後備處理。語音功能亦應提供靜音、語音選擇等控制,並在收集語音資料時取得明確同意及妥善保護資料。

  10. DEV Community53

    Phonon 31M WebGPU 語音合成頁面 75 秒未產生音訊,作者整理驗證方法

    作者測試 Phonon 31M 的 WebGPU 語音合成頁面,等待 75 秒後仍沒有音訊元素或錯誤節點,儘管頁面已載入且 GPU context 有效。頁面列出的冷啟動數字為 46 ms,但作者沒有在自己的硬件上測得瀏覽器端效能;本機執行同系列模型約為 23x realtime。文中建議按頁面公佈的延遲預算設定等待時間、檢查輸出節點,並分開驗證 WebGPU 初始化與點擊操作。

  11. DEV Community29

    從次聲語音到雙眼分視 VR:打造隱形介面

    作者展示了一套結合次聲語音輸入與雙眼分視渲染的 VR 介面,讓用戶以低聲耳語叫出介面,並以每隻眼睛稍有偏移的畫面形成有深度的文字表面。裝置端約 1 M 參數的 INT8 Transformer 配合渲染流程,將整體延遲由約 75 ms 降至約 35 ms。現有方案在 Snapdragon XR2 Gen 2 和 XR2+ Gen 1 上運行,並正探索移植至 Apple Vision Pro。

  12. DEV Community34

    AI 語音模型如何訓練:技術概覽

    AI 語音模型的訓練流程包括語音資料收集與預處理、聲學模型生成頻譜圖、神經聲碼器合成,以及為語音克隆進行微調。文章説明各步驟的技術做法,並以 Tacotron 2、FastSpeech、VITS 和 HiFi-GAN 為例。VITS 可用 30–60 seconds 的資料生成新聲音,但品質會隨語音覆蓋度提高。

11月7日週六
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI67

    OpenMOSS 的 MOSS-Live 支援即時多模態連續對話

    OpenMOSS 提供 MOSS-Live,一套支援連續互動的即時多模態對話系統,可同時聆聽與發言、處理打斷及話題轉換,並理解即時視覺輸入。系統由負責聆聽、輪流發言和語音互動的前景模型,以及負責推理、工具調用和較長任務的背景模型組成,兩者透過協調層共享記憶、上下文和任務狀態。

  2. 新浪科技24

    漫步者 W900NB 30 週年典藏版頭戴式藍牙耳機上架,限量 3000 套、售價 1159 元

    漫步者 W900NB 30 週年典藏版頭戴式藍牙耳機已上架,將於 11 月 9 日 20:00 開售,售價 1159 元,限量 3000 套。耳機支援 -50dB 降噪、杜比全景聲及六軸頭部追蹤,SBC 編碼下開啟降噪可續航 42 小時,關閉降噪可續航 110 小時。採用 LHDC 編碼時,開啟降噪可續航 33 小時,關閉降噪可續航 73 小時。

  3. DEV Community56

    WizMantra Academy 示範如何處理語音轉文字漏掉填充詞的問題

    WizMantra Academy 介紹一分鐘英語流暢度測試的實作,透過瀏覽器語音辨識計算每分鐘字數、填充詞和長停頓。辨識器通常會省略「um」和「uh」,文章建議只計算轉寫後仍保留的填充詞,並以 onresult 事件相隔至少 2 秒作為長停頓的代理指標。Android Chrome 會在新結果中重複較早文字,文章示範以新結果取代前一段重複文字;Firefox 則提供文字輸入替代方式。

  4. DEV Community57

    WhatsApp AI 銷售智能體應否支援語音訊息?成本如何計算?

    WhatsApp AI 銷售智能體支援語音訊息,宜先轉錄成文字,再交由現有文字智能體處理;是否投入,應按實際語音訊息比例、語言需求及音訊量判斷。文章建議先統計兩至三星期的語音訊息,收集 50 至 100 段真實錄音作評估,並由母語人士評分轉錄結果。成本比較應以每月音訊分鐘數為準,低用量時雲端 API 較合適;用量高或合規要求禁止音訊離開所在地區時,可考慮自託管。

  5. DEV Community36

    Ebook Voice Player 跨平台電子書語音朗讀器架構深度解析:Kivy + edge-tts

    Ebook Voice Player 是以 Kivy 和 Microsoft edge-tts 建構的跨平台電子書文字轉語音朗讀器,支援 Windows、Android 等平台;文章深入分析其架構設計、核心模組及技術挑戰。系統採用非同步語音合成與播放、SHA256 快取及最多 3 路並行合成,並以事件機制處理播放流程。文件在本機解析,只有語音合成請求會傳送至雲端,且不設帳戶、遙測或廣告。

  6. unwire.hk · 人工智能61

    Meta 為 Muse 推出 Muse Voice,加入即時語音對話與虛擬角色

    Meta 於 11 月 5 日為旗下個人 AI 助理 Muse 推出 Muse Voice,讓用戶透過即時語音對話或全螢幕虛擬角色介面交流。用戶可在 AI 回答途中插話;角色會配合語氣呈現嘴形、表情及手勢,並提供數百種聲線選擇。功能目前率先在美國 Muse 應用程式開放,支援手機、網頁及 Mac;這是與 AI 動畫角色交談,並非與真人互通視訊,香港推出時間未公佈。

  7. 阿里雲開發者社區 AI45

    AI 同聲傳譯的延遲預算如何計算:字幕 2 秒、語音 4 秒背後的技術鏈路

    AI 同聲傳譯以 VAD 斷句、流式 ASR、增量翻譯、流式 TTS 和終端分發組成五段鏈路,透過流式增量處理把字幕延遲壓至 2–3 秒。字幕與語音分流,語音因多一段合成而比字幕慢 1–2 秒;斷句、術語控制及多語向並行都涉及延遲與翻譯品質的取捨。

  8. DEV Community23

    瞭解 SSML 如何改善 AI 語音輸出

    SSML 是 W3C 定義的 XML 語言,可讓開發者控制文字轉語音的語調、語速、音量、停頓及強調,令 AI 語音輸出更自然。文章示範如何透過 ElevenLabs API 傳送 SSML,並提醒不同平台支援的標籤可能有所不同。

  9. DEV Community49

    DubbingMate 如何讓合成語音與 YouTube 影片保持同步:跳轉、速度上限與降低原聲音量

    DubbingMate 會朗讀 YouTube 影片字幕,並以字幕時間戳作為同步依據,處理觀眾跳轉、改變播放速度及暫停影片等情況。系統每 250 ms 檢查一次播放位置,偵測到跳轉後取消當前語音,等待 300 ms 再從新位置的字幕重新播放。配音開啟時,原聲音量降至 20%;功能可免費試用 72 小時,其後需一次性購買。