Platypush 本地語音助手流程重構,改用 microWakeWord 和 Silero VAD
作者在 Platypush 重構本地語音助手流程,新增 microWakeWord 喚醒詞插件,並以 Silero VAD 作為主要語音活動偵測後端。在合成語音混合背景雜音的測試中,舊設定在説話結束後仍會讓對話保持開啟 6–10 秒,新流程則縮至 1.0–1.6 秒,包括設定的 conversation_end_timeout 和平滑延遲。
作者在 Platypush 重構本地語音助手流程,新增 microWakeWord 喚醒詞插件,並以 Silero VAD 作為主要語音活動偵測後端。在合成語音混合背景雜音的測試中,舊設定在説話結束後仍會讓對話保持開啟 6–10 秒,新流程則縮至 1.0–1.6 秒,包括設定的 conversation_end_timeout 和平滑延遲。
恩智浦透過語音處理、音訊播放與邊緣 AI 技術,為智能眼鏡打造更自然、響應迅速的對話式 AI 體驗。Conversa Voice Suite 提供自適應多麥克風波束賦形、聲學回聲消除及機器學習降噪;Essential Audio Processing(EAP)則提供可配置的音訊處理演算法。
Akko 將於今晚 20:00 開售面向氛圍編程的多功能輸入設備靈動 Key,標價 268 元。設備支援三模連接,配備 3 顆按鍵、1 個旋鈕及全向麥克風,但藍牙模式不支援收音。收音系統針對低音量優化,並適配騰訊 WorkBuddy,亦支援辦公會議控制及手機/平板遙控。
Akko 將於今晚 20:00 開售面向氛圍編程開發的多功能輸入設備靈動 Key,現標價 268 元。設備支援三模連接,配備 3 顆按鍵、1 個旋鈕及全向麥克風,藍牙模式不支援收音。靈動 Key 適配騰訊 WorkBuddy,亦支援辦公會議控制及手機、平板遙控。
FluentSprout 的免費 TEF 口語檢測會將回答轉成文字,再由大型語言模型估算 CEFR 等級,並映射為 NCLC 練習範圍。這不是官方換算或考試成績,模型判斷可能相差一個等級;檢測只讀取文字稿,因此不能直接評估口音。錄音不會保留,結果會暫存於瀏覽器,直至用戶選擇儲存。
Qwen-Audio-ASR-Flash-Streaming 是通義實驗室為低延遲、高並發即時互動場景打造的語音識別模型,模型 ID 為 qwen-audio-3.0-asr-flash-streaming,RPM 為 1200。
語音 AI 服務可透過速率限制控制與快取,減少 API 呼叫、改善延遲並遵守配額限制。文章介紹 Token Bucket、Leaky Bucket 和指數退避策略,並以 ElevenLabs TTS 每分鐘 30 次請求為例示範 Token Bucket。Python 範例會先查詢快取,未命中時呼叫 ElevenLabs 合成語音,再把音訊儲存在本機以供重用。
AI-SaaSRadar 將 ElevenLabs 與 Cartesia 的語音生成方案統一換算為每分鐘成本,兩者分別約為 0,165–0,20 $ 和 0,028–0,038 $。按文中 2026 年 11 月 20 日查得的價格,Cartesia 每分鐘約便宜 4 至 6 倍;文章亦指出,ElevenLabs 側重配音及有聲書製作,Cartesia 則提供低延遲語音串流,選擇需配合任務。
阿里雲的 Qwen-Audio-3.1-Realtime 是端到端實時全雙工語音模型,支援文字及音訊雙模態輸入與輸出、工具調用、聯網搜尋和聲音複刻。
GPT-Live-1.1 按語音工作階段時長而非 token 計費,活躍時每分鐘 $0.05,WebRTC 推理暫停時每分鐘 $0.02,按秒計費且不會進位至下一分鐘。後端模型及託管工具按各自常規費率另行收費;文中以 8 小時桌面助理為例,持續開啟並使用待命模式每月需 $237.60,在使用間隔關閉工作階段則為 $44.00,按 22 個工作日計算。
GPT-Live-1.1 按會話時間而非 token 收費,活躍時段每分鐘 $0.05、待機時段每分鐘 $0.02,並按秒計費。待機只適用於推理已暫停的 WebRTC 會話,後端模型與工具調用則按各自費率另行收費。以每天開啟 8 小時、實際交談 40 分鐘的桌面助理為例,不設待機的日費為 $24.00,啟用待機為 $10.80,使用間關閉會話則為 $2.00。
GPT-Live-1.1 按語音工作階段時間計費,活躍時每分鐘 $0.05、待命時每分鐘 $0.02,並按秒計算;後端模型及工具費用另按各自標準收取。待命費率只適用於推理暫停中的 WebRTC 工作階段,並需設定喚醒策略和閒置逾時;WebSocket 和 SIP 工作階段則按連線時間收取活躍費率。文中以客服、瀏覽器語言導師及常駐助理的算例,展示通話時長、閒置時間與關閉工作階段對費用的影響。
GPT-Live-1.1 的語音費用按時間而非 token 計算,活動時段每分鐘 $0.05、待機時段每分鐘 $0.02,並按秒計費;後端模型及工具另行收費。待機費率只適用於推理暫停的 WebRTC 連線,WebSocket 和 SIP 連線則按活動費率計算。文章以多個情境試算費用,並建議長時間停用時關閉連線,以及記錄最終的 usage.seconds。
GPT-Live-1.1 按會話時間而非 token 計費,活躍時每分鐘 $0.05、待機時每分鐘 $0.02,費用按秒計算而不向上取整。待機費率只適用於推理暫停中的 WebRTC 會話;後端 Responses 模型與託管工具則按各自正常費率另行計費。文章以三種使用情境拆算成本,並説明關閉長時間閒置的會話可減少音訊費用,但會失去即時喚醒能力。
MiMo TTS API 教學示範如何把文字轉成可播放的 WAV 音訊。使用 mimo-v2.5-tts 預設語音路線時,回應會以 JSON 傳迴音訊資料;必須解碼 Base64 音訊並驗證 WAV 容器,單純將 JSON 儲存為 .wav 檔並不能產生音訊。若音訊未能儲存,可從已保存的回應在本機解碼,毋須連線或 API key。
作者以 Krisp 公開數據集的 8 段錄音測試 Krisp Voice Isolation API,並用 Parakeet TDT 0.6B v2 轉錄,整體 WER 由 40.1% 降至 10.2%。在主講者沉默、只有背景人聲的片段,原始音訊轉錄出 331 個背景語音詞,處理後則沒有轉錄出背景人聲。作者亦指出,乾淨電話音訊的改善有限,API 目前只在美國區運行,而測試僅涵蓋 8 段錄音。
ja-reading-tagger-v1 是一款日語同形異讀標註器,按語境逐段輸出供假名標註顯示的書寫讀音,以及供文字轉語音使用的發音讀音。在 5,000 句封存測試中,整體準確率為 0.9354,高於 Sudachi 的 0.9308;同形異讀測試為 0.7230,勝過字典的 0.5570,但普通文本略低於 Sudachi(0.9360 對 0.9432)。
Krisp Voice Isolation 在作者以 8 段公開錄音進行的測試中,將背景人聲誤入轉寫的 331 個詞降至 0,整體 WER 由 40.1% 降至 10.2%。
火山引擎於11月19日推出豆包 SeedRealtime 1.0 即時音訊及影片通話模型 API 服務,支援多模態即時互動。模型融合聲音、畫面、時序與表達,具備持續環境感知及主動表達能力。相較依賴 ASR、VLM、TTS 等模組串聯的方案,模型可顯著降低延遲與資訊損耗,並能識別説話對象、消解同音歧義及理解視覺時序指代。
OpenAI 向開發者開放 GPT-Live-1.1 API,讓第三方可把模型整合至應用程式,構建能即時聆聽、回應及執行複雜任務的語音智能體。GPT-Live-1.1 支援全雙工語音互動,可同時聆聽和説話,並改進多語言處理、指令遵循及語音保真度。它亦可把需要深入推理或工具調用的任務交由開發者選擇的後端模型處理,期間語音對話可繼續;後端可選用 OpenAI 或第三方模型。
OpenAI 宣佈 ChatGPT 新增「即時聽寫」功能,用戶説話時語音會同步轉成文字,毋須等錄音結束後才轉寫。功能將陸續向全球所有 ChatGPT 用戶開放,涵蓋網頁版、桌面客戶端及 iOS 和 Android 應用;點按音訊波形可查看即時轉寫內容,錄音結束後可在輸入框編輯。OpenAI 同時取消語音聽寫原有的 10 分鐘時長限制,並提高轉寫可靠性。
Apple 在 watchOS 27.3 開發者預覽版為 Siri Modular 錶面新增大時鐘及緊湊時鐘+智能堆疊兩種樣式。新樣式配備藥丸形三鍵 Siri 模組,可啟動對話、呼叫 AI 或查看 Siri Recap。功能適用於 Apple Watch Series 12 及 Ultra 4,並支援自動清理期限為 7 天的對話摘要,以及 15 秒 Live Rewind 文字回放。
2026年11月20日,OpenAI 向全球開發者開放 GPT-Live-1.1 語音模型 API,供開發者整合至應用。模型支援全雙工即時語音交互,可邊聽邊説,並能識別停頓、打斷及語速變化;相較前代,多語言處理、指令遵循和語音保真度顯著提升,尤其強化字母數字等精確資訊的識別。
OpenAI 向開發者開放 GPT-Live-1.1 API,讓第三方應用整合可即時聆聽、回應並執行複雜任務的語音智能體。模型具備全雙工語音交互能力,可同時聆聽和説話,不必等用戶説完整句子才開始處理。需要深入推理或工具調用的任務可交由開發者選擇的 OpenAI 或第三方後端模型處理,語音對話無須中斷。
HardCall 以 52ms 雙迴路插話架構取代輪流等待,為開源全雙工 AI 語音面試及高壓演練模擬器處理用戶打斷。本地 Silero VAD 約 18ms 偵測語音起始並即時清空外發音訊環形緩衝區,語義閘則判斷用戶發言是否為有效反駁;整體感知插話延遲為 52.16ms。
OpenAI 向開發者開放 GPT-Live-1.1 API,讓第三方可在應用中構建能即時聆聽、回應並執行複雜任務的語音智能體。GPT-Live-1.1 採用全雙工語音交互,可同時聆聽和説話,並識別停頓、打斷及語速變化。開發者可把需要深入推理或工具調用的任務交由自選後端模型處理,期間語音對話無需中斷。
Voice AI 的音訊格式與音質設定會影響音質、檔案大小、頻寬使用及跨平台播放相容性。文章比較 WAV、MP3、AAC、OGG/Opus 和 FLAC,並説明取樣率、位元率及聲道的取捨。ElevenLabs API 可設定輸出格式、取樣率和位元率,其預設輸出為 24 kHz、128 kbps MP3。
Apple 在 watchOS 27.3 Beta 擴充 Siri Modular 錶面,新增 2 款樣式,令總數增至 5 款。新樣式採用藥丸形三鍵 Siri 模組,可進入 Siri 對話、調用 Siri AI 或開啟 Siri Recap。
OpenAI 為 ChatGPT 新增即時聽寫功能,用戶説話時即可同步轉成文字,並取消原有10分鐘時長限制。功能將陸續向全球用戶開放,涵蓋網頁版、桌面客戶端及 iOS、Android 應用。錄音結束後,用戶可在輸入框編輯轉寫內容,再發送給 ChatGPT。
Pavel Hegler 並列整理 8 款 Mac 聽寫應用程式,對照語音處理位置、離線支援、平台和價格。價格資料於 2026-11-19 查閲,其餘資料於 2026-10-23 至 2026-10-28 查閲。shepetal 收費為 €24 一次或 €2/月;Superwhisper Pro 則為 $8.49/月、$84.99/年或 $249.99 一次。
Twilio Assemble 將於 12 月 8 日在布魯克林舉行最後一站,免費開放予紐約地區從事 AI 開發的開發者及建構者。活動聚焦讓 AI Agent 走出聊天介面、進入電話及訊息等渠道,並設有互動式「Escape the IVR」挑戰;Twilio 亦會展示 Conversational Intelligence 和 Claude Code skills。
語音 AI 正逐漸成為應用程式體驗的重要部分,文章預測到 2028 年,應用程式會普遍嵌入語音 AI,開發者應開始規劃。文字轉語音(TTS)和語音複製的進展,以及裝置硬件、開源工具、私隱法規和用戶期望的變化,推動語音功能普及。文章亦提供 ElevenLabs API 的 Python TTS 和 JavaScript 語音複製示例。
xMEMS Labs 正開發矽基 PulseAir 揚聲器及 µCooling 散熱技術,旨在減少 AI 眼鏡內部元件佔用的空間,並協助管理熱量。PulseAir 以微型閥門發聲,µCooling 則以振動薄膜帶動氣流,兩者均採用固態設計。公司計劃在 CES 2027 展示這兩項技術。
Amazon Polly 的語音複製功能已正式推出,目前採受限開放,只有部分客戶已獲啟用。用戶可提供 1–10 段經説話者同意的錄音,通常 5–10 分鐘即可完成聲音建立,功能支援七種語言。建立聲音免費,合成語音則按用量收費;聲音只屬建立它的 AWS 帳戶及區域,並可透過 Amazon Polly API 用於即時或長篇語音合成。
推薦理由:文章除介紹功能外,也列出建立流程、説話者同意、權限管理及區域配額,呈現將語音複製整合至應用程式時的實務環節。
OpenAI Developers 發佈 GPT-Live 多語言語音提示指南,説明如何設定聲線和會話指令以處理不同語言及地域口音。指南涵蓋內置聲線、以文字描述生成聲線及 script_hint,並以印度英語、西班牙語和迪拜阿拉伯語示範。指南亦建議以實際對話測試發音、混合語言、數字與日期,並明確設定語言切換政策;口音提示不保證每次回覆都維持一致。
Amazon Web Services 於 2026 年 11 月 19 日宣佈,Amazon Polly 的自訂語音複製功能正式提供,但須逐個 AWS 帳戶啟用;獲批帳戶可用一名已同意人士的錄音建立自訂聲線。
AWS 將 PolyAI 的 Dialog-RSN-1 加入 Amazon SageMaker JumpStart 目錄,提供一鍵部署、評估工具及四種最佳化配置,並在客戶自己的 AWS 帳戶內執行端點。
PolyAI 的即時複雜對話推理模型 Dialog-RSN-1,現已可透過 AWS Marketplace 和 Amazon SageMaker JumpStart 使用。模型可部署為用戶 AWS 帳戶內的 SageMaker endpoint,直接理解通話音訊、推理及即時回應;目前只支援英文。
Pete Warden 與主持人探討 AI 為何愈來愈傾向在本地而非雲端運行,以及本地 AI 的發展。Warden 指,本地模型在評測中表現出色,能力與大型商業模型的差距僅數月。對談亦涵蓋低延遲語音模型、在筆電及瀏覽器運行 AI,以及可能挑戰 GPU 為中心基建的新硬件方向。
Moonshine Voice 創作者 Pete Warden 探討 AI 為何需要本地運行,以及開源模型、語音介面和硬件的未來。提供的內容未列出進一步的技術細節或數據。