跳到正文
11月6日週五
  1. DEV Community28

    自然流暢 AI 語音背後的科學

    自然流暢的 AI 語音由神經 TTS 流程生成,涵蓋文字正規化、編碼、時長預測、解碼及聲碼器,韻律、音色、微時序與情緒都會影響語音表現。ElevenLabs 提供 API,並可透過 voice_id 切換語音或使用克隆語音;文章亦説明語音克隆流程,以及改善音訊品質、文本對齊和延遲的方法。

  2. DEV Community28

    甚麼是 AI 秘書?MilhommeSI 開發者的解答

    MilhommeSI 開發的 AI 秘書 Sarah 以自然的魁北克法語接聽來電,為魁北克中小企全天候回答常見問題、記錄來電者資料及來電原因,並按預定空檔安排預約。Sarah 亦會透過短訊和電郵跟進,並向業主發送電郵摘要;遇上緊急來電則以短訊通知。她不知道答案時會明言並轉達訊息,不會自行編造。

  3. DEV Community21

    Qevra AI 如何打造面向軟件工程師的即時 AI 面試助手

    Qevra AI 正在打造面向軟件工程師及專業人士的即時 AI 面試助手,桌面應用程式會聆聽面試問題並生成具上下文的回答建議。用戶可提供履歷和職位描述,讓 AI 結合個人經驗與職位要求生成建議。開發團隊正處理語音識別、上下文管理、回應延遲及答案質素等挑戰。

  4. Unite.AI57

    Otter AI 評測:兩段錄音共 802 詞只錯 3 詞

    作者實測 Otter AI,兩段會議錄音共 802 詞只錯 3 詞,AI Chat 面對誤導性提問時也沒有捏造資訊。加入自訂詞彙後,姓名、價格和日期均辨識正確;嘈雜通話中説話者識別混亂,摘要和 AI Chat 也曾把任務歸錯人或誤判日期。免費方案每月有 300 分鐘轉錄額度,每段對話限 30 分鐘,終身只能匯入 3 個檔案。

11月5日週四
  1. DEV Community43

    聲音所有權不應受制於供應商的產品路線圖

    AI 聲音產品需要讓創作者的權利與商業紀錄在供應商改變方向、停運或撤下模型後仍可延續,而非只依賴平台內的同意紀錄。文章主張支援匯出同意條款、授權、使用紀錄、收入及未付款項,並清楚處理撤回與已授權用途。Uspeaks 的訓練資料匯出工作展示了可追蹤權限與交付的工程做法,但尚非完整的供應商可攜方案。

  2. Hugging Face Blog65

    深入瞭解 Phonon TTS:推出高質素裝置端語音生成,基準測試表現領先

    Phonon TTS 推出兩款可在裝置上離線運行的文字轉語音模型,合計支援五種語言。兩款模型約為 65 MB 和 75 MB;Phonon 31m 採 Apache 2.0,Phonon 40m 涵蓋五種語言並採非商業授權。

    推薦理由:文章同時交代 Phonon 的離線運行方式、授權與多語言支援,並對照 Open TTS Leaderboard 的可理解度及速度表現,呈現小型語音模型的部署特點。

  3. 阿里雲開發者社區 AI38

    AI日語口語練習智能體的開發

    方案提出開發一款日語口語練習智能體,結合 ASR、LLM 和 TTS,提供情景對話、即時發音診斷及語法糾錯。技術選型包括 Whisper、GPT-4o、Claude 3.5 Sonnet、ElevenLabs 和 Azure,並涵蓋假名標註、敬語校驗及語音流式處理。

  4. DEV Community59

    一次順利的測試通話,不能證明語音智能體可靠

    語音智能體不能憑一次成功通話判定可靠性,作者建議重複測試每個通話環節,並以通過率決定版本是否發布。文章以 Dograh 為例,説明如何透過 API Trigger 啟動通話、以 Webhook 接收結果,並用草稿、發布版本和回滾管理變更。瀏覽器測試以 16 kHz 運行,而多數電話通話仍以 8 kHz 傳入,文章建議最後使用實際電話線測試。

  5. 阿里雲開發者社區 AI38

    【直播切片工作台】第28章:ASR 非同步 Worker

    第28章拆解直播切片工作台的 ASR 非同步 Worker 設計,説明 loop goroutine 與 pollLoop 如何透過喚醒和定時輪詢協作處理任務。Worker 每 3 秒輪詢,並在啟動時先回收孤兒任務;drain 會持續搶佔待處理任務,直至沒有任務可取。進度只會遞增,狀態寫回受 asrVersion 保護,調試資料則按素材及版本分開落盤。

  6. 阿里雲開發者社區 AI28

    AI 德語口語練習智能體的開發

    開發方案結合 ASR/TTS 即時語音技術與德語專用 LLM,針對德語發音和語法特點設計 AI 德語口語練習智能體。智能體支援全雙工情境對話、音素級發音糾正、語法隱式糾錯及按 CEFR 調整難度。透過流式大模型輸出與流式 TTS,端到端延遲控制在 1 秒以內。

  7. DEV Community40

    ElevenLabs + React:構建語音互動介面

    ElevenLabs 與 React 可用來構建語音互動介面,將用戶輸入的文字送往後端,再把 ElevenLabs 返回的 MP3 音訊串流播放。文章示範以 Node.js/Express 代理 TTS 請求,並提醒每次請求有 200 個字元上限,延遲約為 300–500 ms。

  8. DEV Community35

    文字轉語音 API 完整指南

    文字轉語音(TTS)API 指南梳理合成語音的基本流程,並比較 Google Cloud Text-to-Speech、Amazon Polly、Microsoft Azure Speech 和 ElevenLabs。指南示範以 Python、JavaScript 和 curl 透過 ElevenLabs 生成語音,並説明上載 30 秒至 5 分鐘的參考音訊建立克隆語音。

11月4日週三
  1. TNW39

    ElevenLabs 行政總裁稱公司或於 2028 年開始準備 IPO

    ElevenLabs 行政總裁 Mati Staniszewski 表示,公司可能於 2028 年開始為首次公開招股作準備,並稱 IPO 是公司長遠發展的一步,而非終點。ElevenLabs 的估值今年在員工股份交易中升至 $22bn。籌備 IPO 之際,AI 公司正面對投資者對 AI 開支回報的質疑,並承受證明盈利能力的壓力。

  2. 新浪科技78

    OpenAI:2026年11月 ChatGPT 每週活躍用戶達12億,兩個月新增約2億

    OpenAI 消費者產品負責人 Adam Fry 表示,ChatGPT 每週活躍用戶已達12億,過去兩個月增加約2億。ChatGPT 每週處理的搜尋類查詢量約為 Google 的五分之一,語音輸入及語音對話周活躍用戶合計達2.5億,每週生成圖片15億張。

    推薦理由:ChatGPT 搜尋查詢量約達 Google 的五分之一,文章亦把語音與圖像使用規模、Chat 和 Work 整合計劃放在同一脈絡,呈現產品擴展方向。

  3. Engadget42

    Apple Music 即將推出自拍卡拉 OK 錄影功能

    Apple Music 將推出 Selfie Sing,讓用戶一邊跟隨即時滾動的歌詞唱卡拉 OK,一邊錄製影片,無須使用其他 App。功能將隨 iOS 27.3 推出,目前該版本已進入測試版;用戶可為人聲加入 Megaphone、Echo、Concert Hall 或 Studio 效果,並儲存或分享影片。Selfie Sing 有專屬播放清單,但未支援 Apple Music 全部歌曲。

  4. 新浪科技42

    飛貓A6正式上市:一部可以對話的隨身 WiFi

    飛貓A6正式上市,售價為日常價399元、活動期間到手299元,是一款配備3.4英寸彩屏、支援語音對話的隨身 WiFi。裝置採用5G RedCap和WiFi 6,峯值速率286.8Mbps,並支援查流量、切換網絡、播放音樂及建立日程等功能。其AI能力由訊飛星火大模型支撐,採用端側交互、雲端處理。

  5. 阿里雲開發者社區 AI56

    阿里雲百煉 CLI 説話人分離轉寫的歸屬仍需人工核驗

    文章測試阿里雲百煉 CLI 的説話人分離轉寫,發現標籤數與實際人數沒有穩定對應,逐行標籤亦可能因停頓切行造成錯誤歸屬。建議以自我介紹或點名句建立標籤與姓名的映射,並抽查承諾、數字及爭議句,以簽到或邀請核實與會人數。測試使用八組合成語音,文中指出生產接入仍須以企業自採真實錄音驗收,且轉寫不保證逐字。

  6. DEV Community44

    Ankita 如何在每次回答後保持語音監聽 25 秒

    Ankita 在 v2.7.5 加入追問時段,每次回答後持續完整監聽 25 秒,讓用戶毋須再次説出喚醒詞即可追問;時段會在偵測到聲音時重新計時,結束後則返回待命。用戶可在設定中把時段調整為 0 至 300 秒,並以 5 秒為步進。這項功能沒有説話者識別,背景聲音也可能延長監聽;Ankita 以 MIT 授權開源。

  7. DoNews53

    《Arc Raiders》開發商澄清 AI 配音用途並逐步改用真人錄音

    Embark Studios 表示,《Arc Raiders》開發初期使用生成式 AI 角色語音應付錄音壓力,並自2025年10月發售後逐步以真人錄音取代。AI 語音以真人表演訓練,音效總監本斯·帕約爾稱其可配合玩法迭代和內容擴展;改用真人錄音則旨在提升沉浸感。配音演員戴安娜·加德納肯定遙距協作的便利,同時提出 AI 合成語音涉及的表演所有權疑慮;工作室稱目標是強化以人為本的表達,而非取代演員。

  8. DEV Community43

    語音智能體 AI:語音智能體如何端到端處理客服來電

    智能體語音 AI 透過聆聽、推理、操作後端系統並回覆,讓客服來電由選單式流程轉為以解決問題為目標。整個流程涵蓋語音識別、意圖偵測、工具呼叫及語音回覆,各環節都可能增加延遲和出錯風險。要在正式環境可靠運作,系統需設計權限與寫入防護、人工升級及上下文交接規則,並監察延遲和解決問題的成效。