DharaniAI:為印度旱地農民提供離線氣候韌性及母語語音指引
DharaniAI 結合 Google Gemma 2、微氣候物理模型及 ICAR/CRIDA 旱地農業知識,為印度旱地小農提供離線氣候韌性指引。系統以 Gemma 2 在本地裝置運行,並可用泰盧固語、印地語、馬拉地語、卡納達語及英語生成語音建議。它亦提供作物用水評估及抗旱應對方案,無需網絡或雲端 API 訂閲。
DharaniAI 結合 Google Gemma 2、微氣候物理模型及 ICAR/CRIDA 旱地農業知識,為印度旱地小農提供離線氣候韌性指引。系統以 Gemma 2 在本地裝置運行,並可用泰盧固語、印地語、馬拉地語、卡納達語及英語生成語音建議。它亦提供作物用水評估及抗旱應對方案,無需網絡或雲端 API 訂閲。
Ofrenda 可在瀏覽器內把親友的語音備忘錄轉成可列印的紀念卡,全程無需後端伺服器。它以 WebAssembly 執行 Whisper 語音轉錄,並用 Qwen2.5-0.5B-Instruct 撰寫卡片文字,輸出 1000 × 1400 SVG。完整流程首次會下載並快取 39 MB Whisper 權重,其後可離線使用;項目採 MIT 授權。
一項網上 MBA 金融課程的預印本研究比較 AI 導師的語音與文字互動,發現語音帶來更多對話,但每週掌握度落在研究設定的 ±0.3 個標準差等效範圍內。該實作的語音交付成本約為文字的 2.8 倍;模態分析只涵蓋 29 名有導師支援的學生,結果不宜直接推及其他科目。文章建議院校在試點中分開衡量學習成效、使用偏好與成本,並以無導師協助的評估判斷學生能否理解和應用所學。
Hugging Face 發佈 Granite Switch 4.1.1,這個補丁版本與 4.1 完全向後兼容,無需遷移。更新包括支援 10 種語言的 Granite Speech ASR,以及在 Jev Decision Index 測試集上整體表現有所提升的 Decision adapter。除訓練新的 ASR 模型和 Decision adapter 外,基礎模型沒有重新計算。
文章介紹如何以 Whisper、Claude、Chatterbox 和 LiveKit 搭建 AI 接待員,涵蓋電話語音處理、診所規則、預約工具及轉接,並附入門程式碼。
Deepgram 宣佈收購 Daily,Daily 團隊將加入 Deepgram,Pipecat 則繼續按 BSD V2 授權免費開源。
Deepgram 收購 Pipecat 的開發及維護方 Daily,並表示會維持 Pipecat 開源;交易金額未有披露。Pipecat 管理語音及影片串流,以及語音轉文字(STT)、大語言模型和文字轉語音(TTS)等流程,並降低延遲。
團隊發現 LLM 預熱未明顯加快首次回覆,最終停用所有通話的 LLM 預熱。啟用預熱時 p50 為 1,163 ms、停用時為 1,235 ms,p95 分別為 2,149 ms 和 2,118 ms;GPT-5.1 預熱回覆約 98% 命中快取,但每次仍須逐 token 生成回覆。團隊移除了不會重用音訊連線的語音轉文字預熱,並只在服務會保留連線時使用文字轉語音預熱。
BengaliStoryTeller 是免費、離線的 AI 故事工具,可用自然語音逐句朗讀孟加拉語故事,並為孩子創作新故事。它在只配備 CPU 的 Ubuntu 手提電腦上運行,使用 Meta 開放權重的 facebook/mms-tts-ben,無需網絡、GPU 或訂閲;故事會儲存,方便重播。
Dadi’s Voice Archive 使用本機運行的 Whisper 和 Gemma,將長者的口述故事轉錄、逐行翻譯並整理成可搜尋的檔案。家人可提問並查看錄音引文,每則引文均可播放對應時刻的原聲;整個應用程式離線運行,不會把資料送出電腦。
AnySpeechRecognizer 與 AnyDecisionModel 兩個 Swift 套件正式公佈,分別為 Apple 平台提供可選擇辨識引擎的語音轉文字功能,以及輸出型別化答案和機率的決策 API。
推薦理由:文章列出語音模型的測試結果、下載體積及平台限制,讓讀者可比較 Apple 裝置本機部署的取捨。
Gnani AI 推出 Prisma v3.0 自動語音識別模型,支援 10 種語言及句內印度語言與英語混用的語音轉錄。
Genspark 發佈第二款硬件 SecondBrain VoicePad,以五個可自訂按鍵和近場語音,支援語音輸入、開啟指定 App、調用 Super Agent,以及錄音和整理會議紀要。
小鵬 MONA L05 在發布會現場進行空間實測,滿載5人時仍可放下9個20寸行李箱。車尾行李廂容積為702L,最大可擴展至1913L,另設102L前備箱及41處收納空間。車款提供純電及超級增程雙動力,預售價16.98萬至19.18萬元;純電版CLTC續航615至660km,增程版CLTC綜合續航最高1310km。
NVIDIA 於 10 月 28 日發佈 Nemotron 3.5 Transcribe,這款開放權重語音模型可轉錄 40 種語言、翻譯語音及辨認説話者。模型可按自然語言指令調整轉錄格式,無須重新訓練,並支援最長一小時錄音;NVIDIA 報告其在英文和多語言 Open ASR Leaderboard 的平均 WER 分別為 4.71% 和 4.62%。
Maya Research 發佈 Maya 2 Native 文字轉語音模型,支援 11 種印度語言及英語,模型權重與推理程式碼以 Apache-2.0 授權提供。模型提供 20 種內置語音、串流音訊及以 3–10 秒參考語音複製聲音,輸出為 24 kHz 單聲道音訊。發布基準涵蓋 12 種語言的 6,000 條留出文本;阿薩姆語是基準中最具挑戰的語言。
Sarvam AI 正向 2,500 名馬哈拉施特拉邦政府官員部署 Indus Cowork,協助他們起草文件、分析報告、摘要檔案及搜尋政府紀錄。平台支援包括馬拉地語在內的 22 種語言,並提供政府決議搜尋、電郵摘要及招標評估工具。
華為 WATCH 5 系列已開啟 HarmonyOS 7 花粉 Beta 版招募,並推送版本 7.0.0.107 SP18。更新包括 AI 通話降噪、同步華為手機地震預警訊息、HarmonyOS 7 光穹錶盤,以及健康生活應用新增飲食維度;小藝建議的通知摘要等主題,需配對 HarmonyOS 6 及以上版本的手機。
NVIDIA 公開 Nemotron 3.5 Transcribe,支援包括日語在內的 40 種語言轉錄,並提供語音翻譯、模型權重及追加訓練工具。它可按文字提示詞調整轉錄格式;日語支援多説話者轉錄及與英語雙向翻譯,錄音最長可處理 1 小時。NVIDIA 的技術報告列出其在不含日語的 7 種語言上平均 WER 為 4.62%;商用 ElevenLabs Scribe v2 的榜單值為 3.56%。
AssemblyAI 發佈首個文字轉語音模型 AssemblyAI-TTS-1,並提供面向即時電話語音智能體的串流 API。服務按每 1M 字符 $15 收費,支援不限並發,且不設年度合約。AssemblyAI 自報實體準確率為 93.7%、首字節中位延遲為 47 ms;Cekura 基準則測得串流延遲 159 ms、朗讀準確率 81.5%。
Block 發佈 Dessa,這是一款僅以人類對話音訊訓練、可同時聆聽和説話的全雙工語音模型。Block 於 2026 年 10 月 23 日以研究預覽形式公佈,稱訓練未使用文字或預訓練模型,並以 1 NVIDIA GB200 NVL72(72 GPUs)完成訓練。模型可在 MacBook Pro M4 Max 或以上本地運行,速度快於即時;目前未公開基準分數、權重、論文或 API。
DeepInfra 的 Nemotron 3.5 Transcribe API 每分鐘收費 $0.002,轉錄 1 小時音訊約需 $0.12。API 支援 40 種語言,並可在同一次呼叫中回傳逐字時間戳、説話者標籤及偵測語言。文章示範如何取得 API key、提交音訊、處理回應,並以 Apidog CLI 建立自動化測試。
AI 遠距語音轉錄系統透過麥克風陣列和波束成形收音,再以降噪、去混響及神經網絡增強處理音訊。處理後背景噪音可降低 20–30 dB,混響尾音則由 400–800 ms 壓縮至 80 ms 以下。多任務 conformer 網絡和 Transformer 語言模型負責辨識語音並產生文字。
EchoArchive 以本機優先方式保存口述歷史,並將錄音和經人工審核的逐字稿作為唯一依據,用本機 AI 建立可追溯記憶。語音識別使用 whisper.cpp,語言模型則透過 Ollama 執行 qwen2.5:1.5b;所有推理均在本機進行,不使用外部雲端 API。EchoArchive 以 MIT License 開源,官方版本為 v1.0.0。
英偉達於10月28日推出開放權重語音轉錄模型 Nemotron 3.5 Transcribe,並同步推出配套訓練數據管線 Granary v2。Nemotron 3.5 Transcribe 採用 MoE 架構,總參數量為340億,支援40種語言轉錄、31種語言與英語互譯,可區分最多8名説話人並處理多人重疊對話。
這份阿爾及利亞 Darija 文字轉語音檢查清單,提供開發者和創作者檢視腳本與合成語音的聆聽流程,涵蓋方言用字、標點、法語詞彙、專有名稱及數字。測試時應一次只改動一項,並在影片、字幕或介面等實際播放情境中核對發音、停頓和價格資訊。
NVIDIA 於 10 月 28 日推出開放權重語音轉錄模型 Nemotron 3.5 Transcribe,並公開訓練資料管線 Granary v2;模型支援 40 種語言轉錄、最多 8 名説話人辨識,並整合翻譯及音訊問答。
語音 AI 一方面由 Dessa 探索不經文字、直接從聲音建立對話能力,另一方面由商業模型結合文本推理與原生語音,但屏幕仍難以取代。OpenAI 更新 GPT-Live,xAI 推出 Grok Voice 3.0;文章指出,低延遲、自然互動及通話處理能力是實際應用的關鍵。
NVIDIA 發佈 Nemotron 3.5 Transcribe,這款開放權重語音 LLM 支援 40 種語言及最長 1 小時錄音。單一模型可輸出轉錄文字、説話者標記、時間戳及翻譯,並可透過文字指令切換格式。
VoxLock 是一款供語音智能體使用的因果式目標説話者提取模型,可利用通話本身截取的語音樣本,無需預先登記。在 Krisp 的 265 段錄音基準中,WER 為 4.95%,未處理音訊為 23.21%;在 400 個 AMI 會議片段中,WER 由 42.95% 降至 10.63%。
HUAWEI WATCH Ultimate 2 非凡探索支援 eSIM 獨立通話及 AI 語音降噪,並以環隙天線系統和自研算法優化天線訊號。手錶提供全能模式和省電模式,續航分別為 4.5 天和 7 天,兩種模式可在 3 秒內切換。
文章提出一套以 Node.js API 和佇列批次轉錄多個音訊檔案的設計:每個檔案建立一筆持久化工作記錄,再由工作者逐一認領處理。佇列只負責傳遞工作,租約和冪等鍵處理工作者競爭、重試與重複投遞;完成時應在同一資料庫交易保存轉錄文本及用量事件,方便按租戶追蹤成本。
創維於10月27日發布耳背式 Sound BR、頸掛式 Sound N3 Max 及耳內式 Sound QR,構建面向不同聽力損失程度與使用習慣的 AI 中文助聽器產品矩陣。Sound BR 配備5核異構12nm AI 晶片、64個獨立聲信號處理通道,以及中文言語增強補償2.0和AI非平穩降噪系統2.0。用戶可選擇上門服務或遠程影片 AI 驗配;全國已有90%+區縣提供工程師上門服務。
巴慕達推出 AI 個人化電台 BALMUDA Good Morning Radio,按用戶生活習慣與興趣生成約 10 分鐘的每日電台音訊。服務計劃於 2026 年 11 月 2 日起向 The Clock 用戶開放 Beta 測試,未購買時鐘的用戶亦可透過 BALMUDA Connect 申請,名額 1000 名。
AI 英語教培軟件系統的開發聚焦低延遲語音即時互動、教學場景 LLM 微調及學生語言能力畫像,涵蓋口語對話、寫作批改、自適應閲讀和數據中台四大模組。技術方案採用流式 ASR-LLM-TTS、RAG 及 WebSocket 或 gRPC,並可接入 Whisper v4、SenseVoice、Llama 或 Qwen;開發難點包括延遲控制、教學準確性及學習留存率。
AI 正在重塑英語培訓全鏈路,應用涵蓋口語陪練、寫作批改、自適應聽讀、學情診斷、備課及機構營運;教學模式轉向「AI 導師+真人教練」協作。落地仍面對學員持續使用、大模型幻覺及商業化挑戰,機構正以微調、RAG 和學科專家校驗把關教學內容。
邁從 R9 輕量化零壓電競頭戴耳機的白紫、黑金配色現已發售,首發價為 249.2 元,定價為 299 元。耳機重約 235 g,滿電續航約 150 小時,響應延遲約 15 ms。產品支援 THX 空間音效,並配備可插拔的 360° 全指向 AI 降噪麥克風。
語音 AI 產品可透過節流、指數退避和快取,處理雲端 TTS 或語音複製服務的速率限制,避免 429 錯誤並減少 API 呼叫。ElevenLabs 的限制為每個 key 每秒 5 個請求;文章亦示範以 Python 的 requests-cache 快取 HTTP 回應,並介紹 JavaScript 快取做法。
Jaden Vo 梳理 Murf AI 的 Studio 訂閲方案與 API 按字元收費方式,並比較各方案的額度、授權和適用情境。Creator 年付 $228($19/month),提供每年 24 小時語音生成及商業權利;Business 年付 $792($66/month),提供每年 96 小時及 Business License。
ElevenLabs 和 Node.js 可用來建立 AI 語音助理,讓用戶輸入查詢後,由 OpenAI 的 ChatGPT 生成回覆,再透過 ElevenLabs 轉換成語音並播放。教學提供命令列工具的程式碼,並示範如何加入自訂聲音克隆。