跳到正文
10月30日週五
  1. DEV Community34

    Echoes:在至親離世後保存鮮活的家族回憶

    Echoes 是為 DEV Hacktoberfest「Ghost in the Machine」挑戰打造的開源家族記憶檔案庫,將錄音、上載的音訊檔案及文字故事轉化為珍藏回憶。它使用 Groq LPU API(Open-Weight Qwen 27B)擷取故事中的智慧,並透過 ElevenLabs Text-to-Speech API 生成語音敍述;作者稱智慧擷取約需半秒。

  2. 新浪科技68

    Neuralink 公佈 VOICE 早期可行性研究:一名 ALS 參與者首週達每分鐘 75 詞輸出

    Neuralink 公佈 VOICE 語音恢復項目的早期可行性研究,報告一名 ALS 參與者使用首週達每分鐘 75 詞輸出,並將大腦訊號轉為文字和語音。在 12.5 萬詞詞庫下,詞錯誤率(WER)為 5.8%。研究計劃招募約 6 名因 ALS、脊髓損傷或中風失去溝通能力的參與者;目前數據來自單一參與者,尚未有經同行評審的完整論文。

  3. DEV Community21

    將 AI 語音整合至 Notion 及生產力工具

    文章示範以 Notion API 取得頁面內容,透過 ElevenLabs TTS 生成語音,再將音訊嵌回 Notion。流程亦可用克隆聲音製作頁面摘要;文中稱 10 頁研究筆記可轉成 2 分鐘音訊簡報,並提醒加密儲存語音樣本及生成音訊。

  4. 新浪科技66

    Neuralink 公佈 VOICE 早期可行性研究,ALS 參與者使用首週達每分鐘 75 詞輸出

    Neuralink 於 10 月 28 日公佈 VOICE 語音恢復項目的早期可行性研究,一名 ALS 參與者在使用首週達每分鐘 75 詞輸出。使用 12.5 萬詞詞庫時,詞錯誤率為 5.8%。研究計劃招募約 6 名參與者,首要評估植入後 12 個月內與設備或手術相關的不良事件;目前未有經同行評審的完整論文。

  5. DoNews56

    Anthropic 升級 Claude 流動應用程式,新增 CarPlay 語音支援及多端協作

    Anthropic 宣佈全面升級 Claude 流動應用程式,涵蓋 iPhone、iPad、Android、Chromebook,以及網頁和桌面端。iPhone 版新增 CarPlay 語音支援,駕駛時可免提操作;iOS/iPad 將推出下拉搜尋,iPad 與 iPhone Duo 支援並排顯示內容,Android 大屏幕裝置則優化側邊欄、觸控板及鍵盤快捷鍵。

  6. IT之家65

    Neuralink 公佈 VOICE 早期研究數據,ALS 參與者使用首周達每分鐘 75 個單詞

    Neuralink 公佈語音恢復項目 VOICE 的早期可行性研究,一名 ALS 參與者使用首周達每分鐘 75 個單詞的輸出速度。在 12.5 萬詞詞庫下,詞錯誤率(WER)為 5.8%。研究計劃招募約 6 名參與者,首要評估植入後 12 個月內的設備或手術相關不良事件;目前數據來自單一參與者,完整論文尚未經同行評審。

  7. 阿里雲開發者社區 AI33

    AI 數字人影片生成流水線:TTS、口型驅動與影片合成的工程拆解

    AI 數字人影片生成流水線由文本預處理、TTS、數字人驅動及影片合成四個環節構成,文章逐一拆解各環節的工程流程與選型要點。口型對齊精度直接影響觀感,輸出則應預置多套平台規格。文中亦提供按環節檢查文本、語音、驅動與合成效果的自檢清單。

  8. 阿里雲開發者社區 AI43

    拆解函數計算 Serverless GPU 部署 AI 模型:Flux 生圖和語音復刻如何運作

    阿里雲函數計算(FC)的 Serverless GPU 方案可部署 ComfyUI、Flux 和 GPT-SoVITS,按需分配 GPU,請求完成後釋放資源,並按實際使用時長計費。Flux 生圖冷啟動約 60 秒,後續每張圖約 5 秒;GPT-SoVITS 語音案例冷啟動約 8 秒。方案適合間歇性使用和快速驗證,不適合等待時間要求高的即時互動。

  9. DEV Community28

    語音 AI 安全與私隱完整指南

    語音 AI 安全與私隱指南整理語音資料處理的主要風險,並提出涵蓋傳輸、儲存、API 整合、語音克隆及監察的防護做法。指南亦提供安全呼叫 TTS 服務的 Python 範例,並以 ElevenLabs 為例説明語音克隆服務及 API 的安全措施。

  10. DEV Community65

    克里米亞韃靼語建庫的資料教訓:語言過濾器難辨近親語言

    Servin Osmanov整理克里米亞韃靼語語料建置經驗,指出一般語言識別難以排除詞彙相近的土耳其語,並以偵測本語言不會出現的形式補足。他將數千個可疑片段隔離而非刪除,並指出自動檢查仍須母語者覆核。在同一組 524 個評估提示詞中,新版本帶有土耳其語形式的拉丁字母 token 比例為 2.02%,前一版為 0.27%,相差 7.5 倍。

  11. 新浪科技56

    蘋果 HomePod mini 2 智能音箱時隔六年換代,今日以1099元發售

    蘋果第二代 HomePod mini 今日在中國內地正式發售,定價1099元,提供白色、粉色、綠色、藍色及午夜色五款配色。新品將初代 S5 升級至 Apple S10,並支援 WiFi 6E 和藍牙 6.0,亦可搭配 Apple TV 4K 組建家庭影院環繞聲系統。海外版本日後將透過軟件更新加入 Siri AI,原文稱國行用戶無法使用相關功能,短期內亦沒有希望。

  12. DEV Community39

    如何利用語音複製實現個人化市場推廣

    文章示範如何使用 ElevenLabs 語音複製及文字轉語音 API,製作個人化市場推廣音訊,並整合至電郵、SMS、語音通話和應用程式通知。ElevenLabs API 可用 5-10 秒清晰音訊建立語音複製,範例使用 eleven_multilingual_v2;文章亦提醒取得明確同意、標示 AI 生成音訊及妥善保管 API 金鑰。

  13. DEV Community30

    建立即時語音翻譯應用程式

    這篇教學示範如何以 Whisper、翻譯服務及 ElevenLabs,建立即時語音翻譯應用程式,串連語音辨識、文字翻譯、語音合成及音訊播放。架構以低於 1 秒的往返延遲為目標,並提供使用 DeepL 免費方案每月 500 k 個字元及 ElevenLabs 每分鐘音訊 $0.02 的資料。

  14. HuggingFace Daily Papers(社區熱門論文)40

    TurnTurk-GPT:土耳其語文本發言輪替預測

    TurnTurk-GPT 是以 GPT-2 微調而成的土耳其語文本發言輪替預測器,在錄音分離及説話者分離評估中均勝過多語言偵測器。移除輪次末詞語的後綴,平均精確率(AP)最多下降 44%;移除句內詞語則下降 2%,顯示輪替線索與動詞句末形態有關。模型及評估流程已公開發布。

  15. DEV Community40

    Streaming TTS 背後如何運作

    Streaming TTS 會在音訊生成時逐段傳送,讓用戶幾乎即時開始播放;其流程包括文字處理、神經合成及音訊編碼。文章亦説明語音克隆如何運用説話者嵌入向量,並以 ElevenLabs API 示範 Python 串流播放;首個音訊片段延遲約為 200 ms,非串流完整音檔則需 1–3 s。

  16. TechCrunch · AI61

    Granola 推出聽寫功能,與 Wispr 競爭

    會議記錄工具 Granola 推出適用於 Mac 的聽寫功能,用戶按下「Fn」鍵即可在各款應用程式中口述,工具會整理並格式化語音內容後輸出文字。該功能目前免費且不限字數,Granola 表示稍後會登陸 iOS 和 Windows。這項更新與 Wispr 推出會議記錄工具的做法相呼應,反映語音 AI 應用正整合多種功能。