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。
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。
Anthropic 升級 Claude 多端應用,iPhone 版語音模式現已支援 Apple CarPlay,用戶可在駕駛途中向 Claude 提問。Claude 在網頁、桌面、iOS 和 Android 端新增 24 種語言,累計支援 33 種語言。
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。
這篇教學示範如何在 $15 的 Raspberry Pi Zero 2 W 上以 KWS 辨識 14 個固定語音指令,無需雲端或完整 ASR。作者提供基本偵測程式,以及透過 GPIO LED 和 HTTP webhook 控制設備的整合範例;模型檔案為 1.3 MB,推理每個區塊約 10 ms,CPU 使用率為單個 A53 核心的 32.2%。
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。
作者為 Hacktoberfest 開源 AI 挑戰賽打造一款網頁版 AI 虛擬助理,結合語音互動與 AI 回應,讓用戶以語音下達指示。它以 Web Speech API 處理語音識別及語音合成,透過 Gemini API 生成對話回應,並支援搜尋、YouTube 搜尋、Google Maps 整合、天氣查詢及數學計算。
VaxVoIP SIP Voice Agent AI SDK 是一套 Windows 開發工具包,可將 SIP 電話通話接駁至 OpenAI Realtime,協助開發者建立多語言 AI 語音智能體。SDK 會把來電者的即時語音傳送至 OpenAI Realtime,並將生成的語音回覆傳回來電者,支援雙向語音對話。
作者打造 Happy Birthday Song With Name,用戶輸入名字並選擇音樂風格,幾秒內即可生成包含該名字歌詞的生日歌。歌曲的旋律、人聲和歌詞均由系統合成,不取樣現有錄音;無需帳戶即可免費收聽完整歌曲並分享連結。下載為選用付費功能。
Edge0 發佈開放權重文字轉語音模型 Audio8-TTS-Realistic,模型有 0.6B 參數,支援零樣本語音複製及 23 種語言。它可用 1 段參考音訊及對應逐字稿複製聲音,權重和程式碼採 Apache 2.0 授權。
Ollama v0.40.13 為 Linux 和 Windows 加入 Liquid AI LFM3 系列支援,包括可處理語音辨識、翻譯和文字轉語音的 lfm3-audio 及 lfm3-omni。
Hugging Face 宣佈推出 AnySpeechRecognizer 和 AnyDecisionModel 兩款 Swift 套件,分別讓語音辨識切換不同引擎,並以模型概率輸出決策結果。
iOS 版微信輸入法推出 4.0.0 正式版,新增「AI 錄音筆」,並全面適配 iPhone Duo 摺疊屏。用戶可從功能中心開啟錄音,或將功能加入輸入法頂部的自訂工具列;錄音會即時轉寫並生成 AI 摘要,離開頁面或螢幕關閉後仍可繼續錄音。
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。
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。
FlowPick 團隊介紹其網頁工具的瀏覽器本機轉錄實作,使用 Transformers.js 辨識、Mediabunny 讀取媒體,並為每項轉錄任務建立獨立 Web Worker。
Anthropic 升級 Claude 應用,iPhone 版語音模式現已支援 Apple CarPlay,用戶可在駕駛途中直接向 Claude 提問。Claude 在網頁、桌面、iOS 和 Android 端新增 24 種語言,累計支援 33 種語言。iOS 與 Android 版可同時保持多個帳戶登入並直接切換;iPhone 和 iPad 即將支援下拉搜尋。
Fish Audio 的串流 STT endpoint 收費 $0.36/session hour,宣稱在 Cekura 的 Converse-STT leaderboard 達 2.21% WER;即時通話助手的工程難點則是輪替判斷和 Windows 音訊擷取。
這篇教程説明如何用 vLLM 部署 Nvidia Nemotron 3.5 Transcribe,將會議錄音轉成帶説話者標記的逐字稿,並產生 Markdown 筆記和 SRT 字幕。
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。
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。
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。
一汽奔騰小馬五門版全球上市,推出222km、328km兩種續航的4款車型,官方指導價為4.49萬至5.49萬元,限時權益價為3.99萬至4.99萬元。新車全系搭載寧德時代電池,國內門店已全面到店,海外亦已開啟交付。
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。
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。
OpenBMB 展示一套以 ESP32-S3 和附近 Mac 運作的 AI 塔台語音示範,結合 MiniCPM5-2B 與 VoxCPM2,進行即時航空交通管制互動。ESP32-S3 負責顯示、觸控及感應器輸入,Mac 則執行語音識別、模型推理及語音生成。GitHub 專案和文章未提供產品可用性、定價或商業方案資料。
蘋果 HomePod mini 2 今日正式發售,提供五種配色,售價 1,099 元。產品搭載 S10 芯片,支援立體聲組合、多房間音訊、聲音識別及温濕度感測,無線連接升級至 Wi-Fi 6E。它亦可作為家居中樞,供用戶操控聯網家居及自動化配件。
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。
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。
Amazon Polly、Google Cloud Text-to-Speech、Microsoft Azure Speech 和 ElevenLabs 在語音品質、延遲、價格及免費額度方面各有差異。ElevenLabs 提供自然語音、語音複製及即時串流,延遲低於 50 ms;每 1 M 字元收費 $5.00,另有訂閲方案。
作者展示一個以 Selenium 操控 Google Voice 的 Windows 外撥 AI 智能體,並以保守的通話狀態偵測,確認對方接聽後才開始對話。接通後,智能體透過 VAD、語音轉文字、Groq 生成回覆及 Edge TTS 完成即時語音互動;專案採用 MIT 授權。
Elliot Sturzaker 建立並開源 Speakhold,一款 Mac 原生 Swift App,提供按鍵聽寫與會議錄音後生成筆記。聽寫語音模型在 Mac 上執行;會議結束後,App 輸出包含摘要、決策、行動項目、未解問題及完整逐字稿的 Markdown 檔,並刪除音訊。
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。
Rivian擴大與Volkswagen Group的合資合作,透過合資企業授權其AI語音助理技術,納入雙方的電氣架構及軟件合作。Rivian第三季軟件及服務收入中,$354 million(59%)來自合資企業;Rivian Assistant於2026年10月登陸R2,並加入Gmail整合。
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。
Armin Ronacher 以 Qwen3-TTS 示範自訂聲音,透過混合聲音嵌入向量調配聲線,並把 Base 提取的向量傳入 CustomVoice,讓克隆聲音接受語音指令。
Claude Code Local 的 v0.5.0 加入 Linux 和 Windows 支援,非 Mac 裝置改用 llama.cpp 執行本地模型。v0.6.0 的安裝程式可選裝 NarrateClaude、Moonstone、Browser、Phone、Remote、Failover 和 Trinidad Head 等配套工具。
作者在黑客松期間打造了一個語音智能體,探索以語音超越常見文字互動,讓用戶與軟件的溝通更自然。開發過程需要在有限時間內作出決定、排解突發問題,並優先確保作品可以運作。作者希望日後重新檢視項目架構,繼續探索如何令 AI 語音介面更實用、易用。
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。
Smriti 是一個開源、以私隱為先的紀念空間,收集逝者留下的文字、語音和智慧,保存回憶而不假裝逝者仍然在世。記憶影片可把照片和故事配上音樂;只有 1–3 段回憶時,Gemma 會重述已保存的文字和建議,而非虛構對話。
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。