跳到正文
10月30日週五
  1. DEV Community42

    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。

  2. DEV Community48

    Ofrenda:無需離開裝置的記憶祭壇

    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。

  3. Unite.AI55

    AI 導師加入語音能否提升學生學習成效?

    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。

10月29日週四
  1. Hugging Face Blog42

    Granite Switch 4.1.1:像更新軟件一樣更新模型

    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。

  2. DEV Community66

    Sherlock Holmes:語音智能體預熱為何沒有加快首次回覆

    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。

  3. Hugging Face Blog62

    AnySpeechRecognizer 與 AnyDecisionModel 推出 Apple 平台語音辨識及決策套件

    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。

  4. 新浪科技23

    小鵬 MONA L05 空間實測:滿載5人仍可放下9個行李箱

    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。

  5. Analytics India Magazine64

    NVIDIA 發佈支援 40 種語言的開放權重轉錄模型 Nemotron 3.5 Transcribe

    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%。

  6. DEV Community65

    Maya 2 Native 發佈權重與推理程式碼,支援 12 種語言串流 TTS

    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。

  7. IT之家42

    華為 WATCH 5 系列開推 HarmonyOS 7 花粉 Beta 版,新增 AI 通話降噪及同步手機地震預警訊息等功能

    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。

  8. gihyo.jp65

    NVIDIA 公開 Nemotron 3.5 Transcribe 語音轉錄與翻譯模型

    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%。

  9. MarkTechPost56

    Block 發佈僅以人類對話音訊訓練的全雙工語音模型 Dessa

    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。

  10. DEV Community29

    AI 如何清晰轉錄遠距語音

    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。

  11. DEV Community50

    EchoArchive:以本機語音和有根據的開放權重 AI 保存真實口述記憶

    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。

  12. DEV Community58

    Node.js API 如何以佇列批次轉錄多個音訊檔案,以及任務認領為何重要

    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。

  13. 新浪科技44

    創維助聽器「三箭齊發」,構建 AI 中文助聽器旗艦產品矩陣

    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。

  14. 阿里雲開發者社區 AI24

    AI 英語教培軟件系統的開發

    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。

  15. 阿里雲開發者社區 AI26

    AI 技術在英語培訓行業的落地應用

    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。