Scowld:一次真實的 iPad 對話,展示我的開源 AI 語音伴侶
Scowld 展示了一段真實的 iPad 對話:用戶先請 Bella 推薦高蛋白餐點,再提出不含大豆的限制,對話隨之調整。應用程式結合原生 iOS 介面、VRM 動畫角色及即時語音連線。用戶可自備 Google Gemini Live、OpenAI Realtime 或 xAI Grok Voice 的 API key,亦可選用 Scowld Premium。
Scowld 展示了一段真實的 iPad 對話:用戶先請 Bella 推薦高蛋白餐點,再提出不含大豆的限制,對話隨之調整。應用程式結合原生 iOS 介面、VRM 動畫角色及即時語音連線。用戶可自備 Google Gemini Live、OpenAI Realtime 或 xAI Grok Voice 的 API key,亦可選用 Scowld Premium。
iOS 27.3 Beta 的 Siri AI 語言設定出現「中文(廣東話 – 香港)」選項,但 Apple 尚未確認廣東話語音已在測試版開放。Apple 表示繁體中文將稍後加入,香港功能供應狀況頁面目前仍未列出廣東話版的確定開放日期。 iOS 27.3 現為開發者 Beta,正式版支援及廣東話語音、個人情境理解和跨 App 功能仍待確認。
Transcreva 建構了面向巴西葡萄牙語音訊與影片的 AI 轉錄及字幕平台,結合 Whisper Large-v3 與 Pyannote 產生附有説話者標籤和逐詞時間戳的文字。平台支援 WhatsApp 語音訊息轉錄及 .srt、.vtt 字幕輸出,並以開源 MCP 伺服器 transcreva-mcp 將轉錄工具整合至 Cursor、Claude Desktop 和 Windsurf。
AI 英語教學軟件的開發與落地通常分為需求規劃、架構選型、功能開發、低延遲優化、測試評估及持續營運六個階段。方案結合 LLM、ASR/TTS、多模態技術與 RAG,並提出以 WebSocket 或 WebRTC 將語音對話響應延遲壓至 1 秒內。
Arrowhead AI 推出語音模型 Fletch,供印度及東南亞的多語言客戶對話使用,目前每日處理超過 100 萬通客戶電話。Fletch 支援 14 種語言,可在句子中切換語言,並設有 12 種情緒風格;據稱延遲為 80 毫秒,選定詞語的發音準確度提高約 30%。
ElevenLabs API 可透過上載語音樣本、訓練聲音模型及合成語音,建立模仿指定説話者的聲音克隆。ElevenLabs 建議每位説話者提供至少 3–5 分鐘清晰音訊,快速克隆則可使用 30 秒音訊;生成語音時可調整穩定度、相似度、風格、音高和語速。教程亦示範以 Python 呼叫 API,並用 Flask 建立可輸入文字及下載 MP3 的網頁演示。
Confucius4-R2T2 團隊公開推出穩定前綴串流 ASR 模型,輸出只追加、不反覆修訂的文字,供語音智能體等下游系統即時使用。模型以 Qwen3-ASR-1.7B 為基礎,透過 Longest Stable Prefix(LSP)監督,經後訓練將全上下文 ASR 模型轉為串流模型,無需修改架構。
ElevenLabs 免費方案生成的旁白只可作非商業用途,發布時須在標題加入「elevenlabs.io」或「11.ai」;涉及廣告收入、贊助、聯盟連結或客戶工作的影片,則須使用付費方案生成音訊。免費方案期間生成的音訊即使日後升級仍不可商用;付費訂閲期間生成的內容,在訂閲結束後仍保有商業授權。作者示範以 CSV 記錄音訊的生成方案和日期,並在渲染前檢查商業影片是否包含免費方案生成的旁白。
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 60 天由 10 億增加約 2 億。他稱 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合計有 2.5 億週活躍用戶,每週生成 15 億張圖片。凡觸發 ChatGPT 聯網搜尋的問題均計作一次搜尋,單純寫作和編程請求不計入。
推薦理由:報道同時比較 ChatGPT 與 Google 的搜尋類查詢量,並列出語音及圖片生成數據,讓讀者可從用戶增長以外瞭解其不同功能的使用規模。
Gemini API 為 Gemini 3.8 TTS 推出 Voice remixing,讓用戶以自然語言修改既有預設或設計語音,建立並儲存新的獨立語音。
文章拆解 AI 翻唱的流程:先從混音分離人聲,再在保留演唱內容的同時轉換音色,最後把轉換後的人聲與伴奏混合。文中以 Demucs、RVC 和 so-vits-svc 説明各階段原理及常見失效因素,並介紹 Voicestars 的分離、清理和轉換工具;Voicestars 未公開內部模型架構。作者提醒只轉換本人或獲授權使用的聲音,並披露文章與 Voicestars 合作撰寫。
OpenAI 消費者產品負責人 Adam Fry 表示,ChatGPT 周活躍用戶已達 12 億,過去 60 天增加約 2 億,增速約為每 30 天增加 1 億。ChatGPT 搜尋類查詢量約為 Google 的五分之一;只有觸發聯網搜尋的問題才計作搜尋,純寫作和編程請求不計。ChatGPT 每週生成圖片 15 億張,語音輸入和語音對話合計周活躍用戶為 2.5 億。
Soniox 發佈語音轉文字模型 Soniox STT v6,新增智能體文字輸入及智能體語音回聲過濾,支援 60+ 種語言。即時串流版 stt-rt-v6 可透過同一 WebSocket 接收智能體文字,協助辨認來電者的簡短回覆並過濾殘留的智能體音訊;串流價格為每小時 $0.12,包含説話者分離和語言識別。
提升 AI 語音合成(TTS)自然度的 10 項技巧,涵蓋選擇語音模型、按語境整理文字、微調音高、語速與韻律,以及處理文字正規化和停頓。內容亦建議跨裝置測試、審慎使用語音複製,並透過聽眾回饋持續調整;ElevenLabs API 支援相關功能,並提供免費方案供試用。
Convoso 宣佈無需編碼的 Voice AI Agent 正式提供,為其外撥銷售平台加入自動潛在客戶資格判定及來電處理。該系統回應時間約 600 毫秒,以 2,000 萬段銷售對話訓練,並可回答常見問題、安排預約及把來電轉接至合適人員。
Sonos 宣佈,Sonos 27voice 將於 11 月 6 日開放早期測試,支援自然語言指令及更廣泛的一般知識問答。早期測試僅限美國及英文,用戶須在 Sonos app 內申請並獲批;Sonos 計劃於 2027 年全面推出。
Apple 向 iPhone 推送首個 iOS 27.3 開發者預覽版,為國行用戶帶來「Apple 智能與 Siri」首批功能。整理列出的亮點包括 AirPods 實時翻譯,以及 iPhone 可聯手千問(Qwen)實現更多功能;IT之家表示已第一時間上手體驗並整理亮點。
Apple 向 iPhone 推送首個 iOS 27.3 開發者預覽版,為國行用戶帶來「Apple 智能與 Siri」及首批功能。功能包括 Siri 呼出燈效、訊息、FaceTime 通話和電話 App 的即時翻譯、寫作工具、視覺智能、相片消除工具、智繪表情及通知摘要;「千問」擴展則可協助撰寫文本、生成圖像和回答問題。
Clerk AI 藉助 LiveKit 構建企業對話式 AI 平台,現可在無需預先配置的情況下處理超過 1,000 個並行語音工作階段,回應時間低於 500 毫秒。平台原生支援 30+ 種語言,可在對話中自動偵測及切換語言,並具備 SOC 2 Type II 認證及內置 TCPA 合規功能。
Apple 向開發者推出 watchOS 27.3 首個開發者測試版,為 Apple Watch Series 12 和 Apple Watch Ultra 4 加入 Siri Recap 與 Live Rewind 兩項音訊智能功能。
Apple 向開發者推送 watchOS 27.3 首個開發者測試版,為 Apple Watch Series 12 和 Apple Watch Ultra 4 加入 Siri Recap 與 Live Rewind 兩項音訊智能功能。
ElevenLabs 與 Amazon Polly 都能將文字轉為語音,文章比較兩者的語音質素、自訂功能、價格及開發者體驗,並推薦 ElevenLabs 作為大多數現代開發項目的選擇。
這份入門指南以 ElevenLabs 為重點,講解語音 AI 開發,涵蓋文字轉語音、語音克隆,以及語音轉文字與文字轉語音的整合。ElevenLabs API 可接收文字和 voice ID,並返回 MP3 或 WAV 音訊;語音克隆需使用 30–60 秒的音訊樣本,處理需等待 5–10 分鐘。語音克隆目前只供付費方案用戶使用。
Apple 在 watchOS 27.3 開發者測試版加入兩項 Audio Intelligence 功能,讓 Siri 使用 Apple Watch 麥克風生成對話摘要及最近 15 秒音訊的文字轉錄。
Apple 發佈 iOS 27.3 和 watchOS 27.3 的首批開發者 beta,加入 Apple Watch Audio Intelligence 及面向中國的 Apple Intelligence 功能。
Apple 推送 macOS 27.3 Golden Gate 首個開發者測試版,Siri AI 或擴展支援繁體中文等語言,但相關資訊仍有待驗證。蘋果此前承諾在 2026 年年底前加入繁體中文、挪威語、土耳其語及越南語支援,相關語言或於 12 月隨 macOS 27.3 正式版推出。
Apple Watch Series 12 和 Ultra 4 隨 iOS 27.3 的 beta 更新加入 Audio Intelligence,其中 Siri Rewind 可回看前 15 秒對話,Siri Recap 則會摘要日常談話。
Speculative Listening 是一種免訓練、無損的推測解碼框架,利用分塊交錯式全雙工語音語言模型的閒置運算,預先草擬並驗證後續音訊區塊。在八項任務的 TickTock-Bench 上,它令語音區塊加速 2.6-2.8x、工具呼叫區塊最高加速 23.4x,並將回應開始前的解碼延遲平均降低 73% 至 74-241 ms。
Boson AI 聯合創辦人 Alex Smola 在訪談中介紹 Higgs Realtime 的即時語音互動設計,並談及語音智能體進入企業客服流程的部署要求。
Cartesia 的 Sonic 文字轉語音及 Ink 語音轉文字模型均針對低於 100ms 首字節延遲作優化,文章並詳述 Sonic 在 AWS 的部署方式。Sonic 可透過 AWS Marketplace 的 SageMaker AI 模型套件部署至 VPC 內端點,亦可在 EC2 GPU 上自行管理;Ink 則透過 Cartesia API 提供。
TokenLean 拆解將 OpenAI Realtime 語音智能體遷移至 ElevenLabs Eleven Realtime 的做法、通話成本和 WebRTC 限制。
Salesforce 已簽署最終協議收購 Cresta,並計劃將其語音智能體整合至客戶服務軟件 Service Cloud。Salesforce 表示,Cresta 的智能體可進行自然、即時對話並處理打斷,也能在通話期間協助真人客服及分析每次互動。
ElevenLabs 與 OpenAI Voice 面向不同需求:前者專注語音生成、聲音克隆和創作者工具,後者把語音整合到多模態 API 與 ChatGPT 生態系統,支援推理及對話流程。ElevenLabs 提供每月 $0、$6、$22 和 $99 的方案,適合重視旁白質感和聲音識別度的產品。需要語音與推理、工具呼叫緊密配合的互動應用,則可考慮 OpenAI Voice。
吉利銀河星耀 6 EF 正式發布,官方稱其為全球首款甲醇電混家轎,上市限時煥新價為 7.68-9.68 萬元。新車 CLTC 純電續航 230km,滿醇滿電綜合續航 1250km,滿油滿電綜合續航最高 1880km。車輛搭載由 1.5L 甲醇發動機與電機構成的插電混合動力系統,支援甲醇和汽油在同一油箱靈活配比。
MilhommeSI 創辦人開始逐日公開記錄產品的建構過程,並在產品投入服務期間分享設計選擇、實際回饋與調整。首個已投入服務的產品 Sarah 是一款 AI 秘書,可全天候以自然的魁北克法語接聽中小企電話、記錄聯絡資料、回答常見問題及安排預約。
Bose開放式運動耳機主打運動佩戴,單耳重5.9克,具IP54防護,評測認為佩戴穩固,音質均衡且保留動感低音。它不支援主動降噪或沉浸式音頻,配備Auto Volume自動音量及SpeechClarity語音清晰技術。售價為1599元,最高支援AAC編碼。
益普索《2026播客行業報告》推演影片播客、名人播客及 AI 播客的發展情境,指出三者分別帶來入口、流量與效率。受訪播客聽眾中,60.4%較喜歡純音頻,85.0%接受 AI 輔助製作;AI 直接生成內容的聽感評分平均為 5.3 分(滿分 10 分)。
Apple 的 watchOS 27.3 beta 已加入 Siri Recap 和 Live Rewind 兩項 Audio Intelligence 功能,供 Apple Watch Series 12 和 Apple Watch Ultra 4 用戶測試。
AppMagic 數據顯示,AI 語言學習產品 Midoo 9 月應用商店分成後流水接近 100 萬美元,下載量、月流水與 RPD 同時上升。文章將增長歸因於面向不同用戶的達人營銷、AI 定製課程及訂閲設計,年訂閲約佔中國市場內購收入三成。實測顯示,Midoo 的口語課程能配合個人目標,但雅思寫作練習仍沿用跟讀和發音糾錯方式,教學方法與學習目標出現錯配。
Apple Watch 的 Audio Intelligence 功能正隨 iOS 27.3 Beta 開放開發者測試,包含 Live Rewind 和 Siri Recap,並計劃在正式提供前推出較廣泛的公開測試版。