跳到正文
11月3日週二
  1. 阿里雲開發者社區 AI25

    AI數碼人直播系統源碼如何搭建?從直播技術到電商交易的架構設計

    AI數碼人直播系統需整合數碼人生成、AI語音、直播推流及電商交易等模組,並按產品宣傳或直播帶貨等場景規劃架構。直播技術可按延遲、並發規模及互動需求,選用 RTMP、HLS 或 WebRTC;電商功能則涵蓋商品、購物車、訂單及會員管理。選擇系統源碼時,還需考慮技術架構、AI能力、擴展性及第三方服務費用。

  2. DEV Community63

    ElevenLabs 與四款免費語音克隆模型的盲測:以作者本人聲音作比較

    作者以本人聲音盲測 ElevenLabs 與四款免費語音克隆模型,Fish S2 Pro 平均排名第一(1.25),Qwen3-TTS 的 ECAPA 相似度分數則最高(.61)。聽感排名與相似度分數對模型的排序並不一致,測試亦比較了處理速度、每分鐘音訊成本和冷啟動時間。Fish S2 Pro 授權為非商用,商用授權未列價格;Qwen 則已允許透過生成語音賺取收入。

  3. DEV Community38

    如何以純 Python 建構零延遲即時音訊與視覺智能體:低於 10ms 的 VAD、即時插話中斷與全雙工 WebSocket

    這套純 Python 全雙工多模態智能體架構,以即時音訊、視覺串流及插話中斷實現低延遲互動。StreamAgent Pro 在本地硬件測得端到端延遲 159.1ms,VAD 執行時間為 0.08ms,插話反應時間為 12.3ms。方案亦以循環緩衝區保留語音起始音節,並透過關鍵影格取樣減少視覺處理開銷超過 90%。

  4. DEV Community30

    神經網絡文字轉語音如何運作

    神經網絡文字轉語音會依次經過文字正規化、音素轉換、聲學建模和聲碼器,將文字轉成自然語音波形。Tacotron 2、FastSpeech 和 VITS 用於聲學建模,WaveNet 和 HiFi-GAN 則可將頻譜轉成音訊;微調預訓練模型亦可用少至 5-10 分鐘的説話者錄音複製聲線。ElevenLabs 提供雲端 TTS API,支援即時聲線複製、串流及語音參數調整。

  5. 阿里雲開發者社區 AI48

    音色克隆:千條人聲素材標準化預處理流程實戰

    文章展示一套面向音色克隆的千條人聲素材標準化預處理流程,涵蓋音訊篩選、切片及格式統一。參考音訊須為單一人聲,信噪比 SNR≥12dB,並以 16kHz 單聲道 WAV 為佳,單片段有效時長以 10‑30 秒為宜。配套 Python 腳本可輸出符合條件的音訊,供 XTTS 等開源模型作零樣本克隆。

  6. Unite.AI61

    Salesforce 同意收購語音客戶服務 AI 公司 Cresta

    Salesforce 於 2026 年 11 月 2 日宣佈已簽署最終協議,收購提供語音智能體、真人客服輔助及對話分析平台的 Cresta。交易預計於 Salesforce 2028 財政年度第一季度完成,仍須取得所需監管批准並符合慣常交割條件。Salesforce 表示,交易完成後 Cresta 會繼續支援客戶現有的聯絡中心及電話平台。

  7. DEV Community39

    ElevenLabs 與 Next.js 整合:逐步教學

    教學示範如何將 ElevenLabs 的雲端 API 接入 Next.js,讓用戶輸入文字後生成並播放語音。API 路由可在伺服器端保管 API key,並將生成的音訊傳回前端;大部分請求可在 < 300 ms 內完成。ElevenLabs 亦支援上載 ≤ 5 min 的音訊片段建立自訂語音。

  8. DEV Community53

    ElevenLabs 與 Murf AI 腳本轉旁白流程比較:2026 年如何選擇

    作者比較 ElevenLabs 與 Murf AI 的腳本轉旁白流程,按音訊用途、聲音風格、聲音克隆、工具範圍及商用授權説明兩者的適用情境。ElevenLabs 偏向生成聲音後匯出至其他剪輯工具;Murf AI 則以整合旁白、時間軸與視覺素材的 Studio 為主,另提供開發者 API。文章亦提供 Python 腳本,匿名化音訊樣本以進行盲聽比較,並建議先用自己的腳本測試。

  9. DEV Community40

    RadioText AI:透過字幕提升網絡電台的無障礙體驗

    獨立開發者 Roman Eklmn 推出實驗性 Android 應用程式 RadioText AI,讓用戶收聽網絡電台時,同時閲讀語音辨識字幕。Beta 版支援俄語和英語辨識,並提供電台比賽公告的實驗性偵測及本機字幕記錄。應用程式仍在測試階段,開發者正招募 Android 用戶試用並提供意見。

  10. DEV Community22

    語音 AI 模型選擇與微調指南

    指南説明如何按用途選擇語音 AI 模型,並介紹 TTS 評估、微調、語音克隆和部署方式。微調流程包括收集 1–5 hrs 語音數據、準備訓練流程,以及訓練與驗證。ElevenLabs 提供雲端 API,支援以幾分鐘音訊克隆聲音;Pro 方案為 $49/month。

  11. Unite.AI36

    Signia MaX 與 Active Mini IX 開始透過美國政府服務機構提供

    Signia 宣佈,Pure Charge&Go MaX 和 Active Mini IX 已透過美國退伍軍人事務部、國防部及印第安衞生服務局提供。MaX 以四個神經網絡即時處理聲音,系統以 40 million 個聲音樣本訓練,並可在 0.01 秒內解讀周遭聲音;Signia 引述的研究顯示,97% 使用者在嘈雜羣體對話中的表現優於主要競爭產品。

  12. Hacker News:AI 熱帖51

    Subvocal 展示無聲口述轉文字智能眼鏡,開放首批預訂

    Subvocal 正開發一款智能眼鏡,透過 RF 感測無聲口述,並將其解碼成文字。眼鏡發出的無線電波會受舌頭、嘴唇和軟顎的動作調制,團隊以相關數據訓練基礎模型,並擴大預訓練數據改善跨用戶表現。團隊計劃於 Q1 2027 出貨,現已為首批 500 副開放預訂,每副較最終價格減 $200。

11月2日週一
  1. DEV Community44

    設計 AI 直播助手:分開處理預設話術與生成式回覆

    ModelFold AI Live Room 0.1.0 在桌面應用程式中分開處理預設歡迎語與需要模型生成的即時回覆,並讀取抖音直播留言、生成語音回覆及按音量驅動 Live2D 角色嘴部動作。預設話術不消耗語言模型額度,AI 回覆則按實際模型用量扣除 ModelFold 帳戶額度。應用程式目前記載的留言整合平台是抖音;文章沒有提供延遲、轉換率或觀眾增長的基準測試。

  2. DEV Community49

    用 Agora Voice Agent SDK 構建免提表格助理

    作者以 Agora Agents SDK 和 Agora Skills 構建 GabAI,一款在 Chrome 側邊欄運作的語音助理,可協助用戶免提填寫網頁表格,並在提交前確認資料。這仍是示範作品;語音流程串接 OpenAI 的 gpt-4o-mini、DeepgramSTT 和 MiniMaxTTS,並透過 MCP 工具把雲端 Agent 的操作傳送至瀏覽器。

  3. DEV Community27

    非牟利機構的 AI 電話智能體:提升捐款者參與度與留存率

    AI 電話智能體可協助非牟利機構規模化聯絡捐款者,按捐款及志願服務紀錄提供個人化跟進,並在需要深入溝通時轉交真人。Green Earth Initiative 使用後,首季捐款者留存率上升 18%,每月通話量由 300 次增至 3,000 次。Hope for Children Foundation 的個人化外展計劃令定期捐款增加 25%。

  4. DEV Community38

    AI 電話智能體個人化對話的最佳做法

    AI 電話智能體可透過整合客戶資料、採用靈活對話流程及即時情緒分析,按客戶背景調整對話。文章建議以個人化欄位和人工轉接提升對話連貫性,並追蹤接聽率、互動時長、轉換率及 CSAT 分數,持續測試和改善。使用個人資料時,應取得同意、披露 AI 身份並提供退出選項。

  5. DEV Community72

    如何修正語音轉文字中的術語誤識,又避免加入沒有人説過的詞

    文章建議為每段錄音提供精簡的術語詞表,把重要詞項放在末尾,並以相似發音的普通詞片段測試語音轉文字模型。作者以 whisper-1 測試 15 個術語,正確率由 14% 升至 90%;但短詞表在 72 段誘餌片段中仍造成 13 次誤插入。Whisper 只保留提示詞最後 223 個 token,因此詞表長度及排序都會影響結果。

  6. 阿里雲開發者社區 AI23

    AI 英語培訓智能體的開發

    AI 英語培訓智能體的開發、上線及營運迭代流程涵蓋 LLM 微調、RAG 知識庫、語音互動和提示詞工程。上線前須進行合規審查、多維測試及小範圍灰度發布;上線後則透過學習數據、用戶反饋和錯題資料改進留存設計及模型。

  7. 阿里雲開發者社區 AI20

    AI 英語教學培訓系統的開發

    AI 英語教學培訓系統採用感知層、智能中樞與知識層三層架構,整合語音糾錯、語法診斷、情境對話及學情評估等功能。方案透過提示詞工程和分級語料庫支援教學,並分四個階段推進需求規劃、模型微調、多模態接口集成及測試迭代。

  8. 新浪科技45

    iOS 微信灰度測試方言語音轉文字功能

    iOS 微信正灰度測試方言語音轉文字功能,用戶可將方言語音轉成文字,轉換不準確時亦可補充正確意思,協助系統修正錯誤。功能目前只供灰度測試範圍內的用戶體驗,尚未覆蓋的用戶需等待陸續覆蓋;手機微信另有多項新功能仍在灰度測試。

  9. IT之家43

    2026 款奔馳 E 300 L 改款轎車上市:首次搭載中國團隊開發的 AI 智能座艙,起售價下調 1.6 萬元

    2026 款奔馳 E 300 L 改款轎車上市,建議零售價為 42.38 萬元至 50.98 萬元,起售價較之前版本下調 1.6 萬元。新車搭載奔馳中國研發團隊主導開發的 AI 智能座艙,車載虛擬助手融合豆包 AI 大模型,支持聲紋識別及語音操作屏幕,多音區交互識別定位準確率達 98%。每個帳戶最多可存儲 6 位用戶的聲紋。

  10. DEV Community32

    如何構建 Podcast 開場生成器

    Podcast 開場生成器可用 Python 與 Jinja2 根據 JSON 設定檔生成口播文案,並接入 ElevenLabs 的 TTS,將文字合成音訊;亦可選用語音複製功能建立自訂聲音。流程還可用 ffmpeg 或 pydub 加入背景音樂及淡入淡出效果,並把音訊上載至 S3 或儲存在本機。

  11. DEV Community46

    ClipShrink 長影片語音轉文字前的檢查清單

    ClipShrink 開發者整理長影片語音轉文字前的檢查清單,提醒先確認所需片段和音訊品質,再核准雲端處理。文章建議查看按時長計算的報價,並以原始音訊進行轉錄;首輪結果仍須人工核對人名、術語及重疊説話內容。