Voice AI 音訊格式與音質設定指南
文章説明 Voice AI 常見音訊格式及音質設定如何影響延遲、檔案大小和語音自然度,並以 ElevenLabs API 示範生成音訊。語音複製訓練宜使用 WAV 或 FLAC 等無損格式;面向用戶傳送語音則可選用壓縮格式。設定取捨包括取樣率、位深和位元率,需按用途及延遲要求調整。
文章説明 Voice AI 常見音訊格式及音質設定如何影響延遲、檔案大小和語音自然度,並以 ElevenLabs API 示範生成音訊。語音複製訓練宜使用 WAV 或 FLAC 等無損格式;面向用戶傳送語音則可選用壓縮格式。設定取捨包括取樣率、位深和位元率,需按用途及延遲要求調整。
研究測試以 11 種語言訓練的 SLAM-ASR 單語投影器能否讓模型執行零樣本口語理解,結果顯示投影器未能有效傳遞相關能力。回答是非問題的平均指令遵循率為 49.8%,要求以單一數字選項作答時則升至 81.3%。主題分類平衡準確率為 23.2%,低於同一解碼器使用參考轉錄文本時的 71.5%。
Apriel Voice 27B Preview 是一款開放式語音語言模型,在共享推理骨幹中整合語音理解、推理及工具調用,並保留文字和圖像輸入。模型以經後訓練的 Gemma 4 26B-A4B checkpoint 為基礎,透過兩階段訓練及線上蒸餾適配語音。
這篇教學説明如何將 Voice AI 整合至 Shopify 網店,並以 ElevenLabs 作為文字轉語音(TTS)和語音克隆平台。示範以 Node.js 建立應用程式,接收加入購物車的 webhook,再生成語音確認;API key 不應放在前端程式碼中。
Natiq Studio 開放權重發佈 Natiq-dz-ARG,這款 LoRA 適配器以 Higgs TTS 3.4B 為基礎,針對阿爾及利亞 Darija 語音合成。模型以 300 小時以上、來自 100 多位講者的語音微調,支援阿拉伯語與法語語碼轉換及零樣本聲音條件控制,生成 24 kHz 音訊。適配器採用 CC BY-NC 4.0 授權,商業用途須另行取得授權。
Raise Financial Services 與 Cartesia 合作開發多語言語音體驗,讓金融智能透過自然對話傳達。Cartesia 的語音模型目前支援 Dhan 部分語音機械人互動,包括對話式 KYC;其 Sonic 文字轉語音模型支援 11 種印度語言,並可在單次生成中切換語言。Dhan 逾 75% 的相關互動以英語以外的語言進行。
Baseten 優化 Qwen3-ASR 1.7B 批次轉錄部署,在單張 RTX PRO 6000、64 路併發下,吞吐量較原版 vLLM 提升逾 7 倍。方案改用 torchcodec 原生音訊解碼、FP8 KV cache,並減少 CPU 與 GPU 同步及調整請求處理;5 分鐘音檔在 64 路併發時,中位延遲由 50.4 秒降至 7.3 秒。
NVIDIA 於 2026 年 10 月 28 日發佈開放權重語音模型 Nemotron 3.5 Transcribe,並同步推出 Granary v2 語音數據集及整理流程。
推薦理由:Nemotron 3.5 Transcribe 將多語轉錄、説話者標註、翻譯與音訊問答整合於單一檢查點;Granary v2 公開清單涵蓋 48 種語言及 463,062 小時,呈現模型功能與數據集範圍。
Samsung 首款夾耳式耳機 Galaxy Buds On 將於 11 月 6 日在美國開售,售價 $229。耳機環繞耳垂佩戴,讓耳道保持開放,並支援 Google 的 Gemini。耳機播放時間長達 9.5 小時,配合充電盒則可達 38 小時。
Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重模型,可轉錄 40 種語言、翻譯其中 31 種,並在最長一小時的錄音中標記最多 8 位説話者。
NecroShell 與 OfrendaAI 以開放權重 AI 打造萬聖節幽靈終端及數碼追思神龕;NecroShell 可在本機運行,Gemma 2 則驅動靈媒角色及雙語亡靈節詩歌生成。作品整合 ElevenLabs 文字轉語音 API,並提供 Render 雲端部署設定及 MongoDB Atlas 紀念資料 schema。
一汽奔騰小馬五門版正式全球上市,提供222km、328km兩種續航和4款車型,限時權益價為3.99-4.99萬元。新車全系搭載寧德時代電池,並提供整車及三電終身質保等6項終身服務保障。國際市場已正式開啟交付,國內門店全面到店。
Nvidia 發佈開放語音模型 Nemotron 3.5 Transcribe,將轉錄、翻譯、説話者識別及錄音內容問答整合於單一模型。模型支援轉錄 40 種語言、將其中 31 種與英文互譯,並可識別 13 種語言的説話者;錄音最長一小時、最多八名説話者。
Nvidia 推出 Nemotron 3.5 Transcribe 開放權重模型,支援多語言音訊轉錄與翻譯,並推出開源語音數據集 Granary v2。
Nvidia 發佈 Nemotron 3.5 Transcribe,這款開放權重 MoE 模型可在單次處理中完成多語言音訊轉錄、翻譯、説話者標註及音訊提問。模型參數量為 30 billion、啟用參數為 4 billion,可處理 100 小時音訊及 40 種語言,最多標註 8 名説話者。
NVIDIA 推出開放權重的 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程。模型支援 40 種語言轉錄,其中 31 種可與英文互譯,並支援 13 種語言的説話者標註;Granary v2 公開清單涵蓋 48 種語言、463,062 小時及 16 個來源語料庫。醫療語音案例中,微調令留出説話者的 WER 較最佳提示詞基線相對下降 45.8%。
推薦理由:文章串連提示詞控制、資料整理與微調流程,並以留出説話者的醫療語音評估呈現 WER 相對下降 45.8% 的結果。
Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重模型,可轉錄最多 40 種語言的音訊,並推出開源語音數據集 Granary version 2。Nvidia 表示,模型可將 31 種語言與英文互相翻譯、處理最長一小時的錄音,並分辨最多 8 位説話者。Nvidia 稱這個 30 billion parameters 模型可在單一晶片上運行,但只支援錄音、不支援即時串流。
Samsung 宣佈推出首款開放式耳機 Galaxy Buds On,耳機單次充電可播放音樂 9.5 小時,連充電盒最長可達 38 小時。產品採用 Qualcomm Snapdragon S7 Gen 1 Sound Platform,將於 11 月初在美國上市,售價由 $229 起。耳機支援 Gemini Live 免提語音操作、Quick Voice Memo 及以頭部動作接聽或拒接來電。
極米記得 AI 記憶眼鏡 G1 與 AI 記憶手環 L1 今日開售,首發價分別為 1299 元及 599 元起,兩款均有標準版和終身會員版。手環兩版本首發價為 599 元及 1059 元,補貼後為 509.15 元及 900.15 元;眼鏡兩版本首發價為 1299 元及 1649 元,補貼後為 1104.15 元及 1401.15 元。
Yankel Perelman 以 FastAPI 建立開源語音助理,將瀏覽器音訊串流至 Gemini Live 並播放回覆,程式碼見 https://github.com/yankelperelman/anna-dev。
AI Ghost Story Generator 是一款開源恐怖故事網頁應用,使用 Ollama 在本地執行 Meta 的 llama3.2:3b,支援英文及印地文生成。用戶可選擇 6 種恐怖子類型及 3 種故事長度,並透過瀏覽器語音合成和 Web Audio API 聆聽故事及恐怖氛圍音效。
Windows 桌面應用程式可透過作業系統層級的音訊擷取,同時取得咪高峯和通話系統音訊,無須讓機械人加入會議。分開兩條音軌可讓語音轉文字引擎為雙方生成清晰逐字稿,並供介面並排顯示;兩條音軌須使用同一時鐘標記時間,以便對齊逐字稿。作者正開發 Talkaside,這是一款供求職面試及外語通話使用的 Windows 應用程式。
一汽奔騰小馬五門四座版正式上市,共推出4款配置,限時權益價3.99萬至4.99萬元,CLTC續航最高328公里。新車增設後排獨立車門,車身長度及軸距較兩門版增加350毫米及262毫米。全系支援快充,30%充至80%需時30分鐘。
Hasbro正建立授權旗下經典角色 AI 版本的業務,並計劃讓 AI 生成的 Mr. Potato Head 接聽客戶服務來電。
RecallMate 是一款語音日誌工具,可將口述內容轉錄成結構化日誌,並根據用戶的記錄回答回顧問題。核心流程使用 faster-whisper、Ollama 上的 qwen2.5:7b、Instructor、SQLite 和 Streamlit,並在本機或運行環境執行,無須將錄音或日誌內容傳送至公司伺服器。
RecallMate 將語音轉錄並整理成結構化日誌,讓用戶日後透過提問找回過往記錄。核心流程以 faster-whisper、Ollama 上的 qwen2.5:7b、Instructor、SQLite 和 Streamlit 建構,並以開源軟件在本機運行。語音及日誌毋須傳送至公司的伺服器,使用亦無需付費。
Samsung Galaxy Buds On 是 Samsung 新推出的高階耳夾式耳機,定價 $229,將於 11 月初出貨。耳機配備 11.3 毫米驅動單元,單次充電可播放音樂長達 9.5 小時,連同充電盒總共長達 38 小時。產品支援 Gemini、語音備忘錄及頭部手勢,但非 Samsung Galaxy 裝置不支援多點 Bluetooth 連線。
UseLipSync 展示一個 AI 主持人片段的音訊轉影片唇形同步測試,指出生成影片的時長只能協助剪輯規劃,不能代表口型同步品質。這次測試的替換語音長 2.31 秒,生成影片長 2.32 秒,處理時間為 81 秒,使用 90 credits;這些只是單次測試結果,並非保證。評估時應聆聽語音並檢查口型、畫面及剪輯效果。
文章以 Node.js Whisper 音訊轉錄 API 為例,提出轉錄追求低延遲、CRM 動作經證據校驗和審核後才提交的架構。系統以通話及轉錄版本生成穩定冪等鍵,保留不可變音訊、版本紀錄及可追溯至帶時間戳逐字稿片段的證據;缺少必要資料時轉入審核。文章亦區分可重試的轉錄逾時、需要檢視證據的品質問題,以及需要對賬的 CRM 不確定提交。
奇瑞全新捷途自由者 7 將於 11 月 4 日上市,主打輕越野方盒子 SUV 和智能座艙。新車搭載靈犀智艙 TOUR OS、結合 DeepSeek+ 與訊飛星火的 AI 語音大模型、2.5K 超清巨幕及高通 8155 芯片,並支援 APA 全場景自動泊車。車輛配備 1.5T 發動機,最大功率 135kW,匹配 7 擋濕式雙離合變速箱。
全新捷途自由者 7 將於 11 月 4 日上市,主打輕越野方盒子 SUV 和智能座艙。新車搭載靈犀智艙 TOUR OS,內置 DeepSeek+ 訊飛星火雙加持的 AI 語音大模型,配備 2.5K 超清巨幕及高通 8155 晶片,並支援 APA 全場景自動泊車。
Taobao Instant Commerce 推出 AI 通話功能,協助聽障及弱聽外賣員聯絡顧客;研究估計該功能縮小了約三分之一的時薪差距。外賣員可選預設訊息或自行撰寫,再由 AI 工具致電顧客並讀出訊息。功能推出後,遲到送達和負面評分亦減少,聽力損失較嚴重的外賣員受益最大。
AI 會議轉錄工具已能即時轉錄、辨識説話者,並整合視像會議平台;選擇方案時,準確度、説話者辨識和即時處理能力是重要考量。文章以 OpenAI Whisper 示範轉錄,並指出若要即時處理或辨識説話者,可能需要自行建構相關功能。雲端 API 可提供説話者辨識,但大規模使用可能產生可觀成本。
Arctic Fox 推出 Super Mouse,配備 3.1 英寸 720×720 彩色 LCD 觸控屏,並已在 Kickstarter 開啟眾籌。鼠標起售價 199 美元,支援 Windows 和 macOS,觸控屏可作為觸控板、滑動鍵盤及應用啟動器使用。語音聽寫支援語音轉文字,資料處理在本地完成,不經雲端。
科大訊飛推出 AI 錄音環標準版及「聽見會員版」,後者定價 1099 元,配合訊飛聽見 APP 使用,並於雙十一開售。錄音環重約 35g,支援連續錄音約 20 小時;「聽見會員版」首年提供年度會員權益,第二年可選 198 元基礎會員或 518 元高級會員。它亦支援訊飛聽見 Skill+Agent,並可供 WorkBuddy 等第三方 Agent 調用。
開源工具 MicYou 可將手機變成電腦麥克風,支援 Wi-Fi、USB 及手機瀏覽器掃碼連接,兼容 Windows、Linux 和 macOS。它提供 AI 降噪、回聲消除等音訊處理功能;電腦端須配置虛擬音訊設備才能使用。
科大訊飛於2026年10月22日發布訊飛輸入法16.0,推出第三代語音輸入「意圖成稿」,可按用戶表達意圖整理相關資訊、組織內容並生成文稿。版本亦接入訊飛星火Spark-ASR-2.0,支援202種方言,相關識別準確率由85%提升至91%,中英文專業詞混合場景的英文槽位準確率由33%提升至80%。個性化AI鍵盤把任務資訊、表達技能及成稿編輯整合到輸入流程,並按意圖與上下文推薦技能。
SmartCall 開源 AI 客服的智能體知識庫以門控攔截與 function 工具調用兩條通道實現語音 RAG,並以音訊保持和 fail-open 機制處理檢索與模型搶答的競速。
訊飛輸入法於2026年10月22日發佈16.0,推出第三代語音輸入「意圖成稿」,按用戶提供的表達意圖與任務資訊組織並生成文稿。16.0接入訊飛星火Spark-ASR-2.0,方言支持達202種,識別準確率由85%提升至91%,英文槽準率由33%升至80%。生成的文稿會返回輸入框,供用戶確認或修改後使用。
三星推出首款耳夾式無線耳機 Galaxy Buds On,現已在韓國上市,售價 299,000 韓元,滿電連續播放音樂最長 9.5 小時。耳機採用柔性耳掛、不堵塞耳道,並搭載 Snapdragon S7 Gen 1 音頻平台及 TwinBoost 雙揚聲器。