Hop tu Naa Simulator:以 Gemma 打造曼島「不給糖就搗蛋」遊戲
Hop tu Naa Simulator 是一款以曼島為背景的 2D「不給糖就搗蛋」遊戲,使用 Ollama 本機運行的 Gemma 即時創作居民角色、對白和笑話。玩家可在 21 間房屋前選擇説「不給糖就搗蛋」、唱 Hop tu Naa 歌曲或講笑話;ElevenLabs 語音功能則為居民和玩家提供語音。Gemma 負責創作,遊戲規則由程式碼控制;即使沒有 ElevenLabs,遊戲仍可運作。
Hop tu Naa Simulator 是一款以曼島為背景的 2D「不給糖就搗蛋」遊戲,使用 Ollama 本機運行的 Gemma 即時創作居民角色、對白和笑話。玩家可在 21 間房屋前選擇説「不給糖就搗蛋」、唱 Hop tu Naa 歌曲或講笑話;ElevenLabs 語音功能則為居民和玩家提供語音。Gemma 負責創作,遊戲規則由程式碼控制;即使沒有 ElevenLabs,遊戲仍可運作。
Jaden Vo 根據 ElevenLabs 官方定價頁,比較 Starter 與 Creator 的費用、每月點數及腳本配音工作量。月繳費用分別為 $6 和 $22,額度為 30,000 和 121,000 點;標準 TTS 約每個字元消耗 1 點,兩個方案分別約可生成 30 分鐘和 121 分鐘語音。
初創團隊可利用 Voice AI 將文字轉成自然語音,並複製品牌聲線,以加快用戶測試和產品迭代。ElevenLabs 提供低於一秒的語音生成回應及語音複製 API,平台建議上載合共 5‑10 分鐘的音訊樣本。文章亦示範如何在 CI/CD 流程自動生成語音素材、快取生成結果,以及配合 STT 建立對話流程。
Bayān 是一款以本地運行為先的阿拉伯語修辭練習工具,讓用戶選擇明喻、隱喻或感官描寫練習,短暫外出觀察環境,再把觀察寫成更有力的阿拉伯語句子。它以 Ollama 搭配 Gemma 3 4B 生成練習任務、翻譯及聊天,並支援離線或低網絡連接的戶外使用。工具亦可選用本地 Piper 語音合成及 Whisper 語音轉錄。
Sauti Labs 源於創辦人為 Scribe AI 尋找合適語音模型時,發現 Whisper 難以應付所需的非洲語言和口音,因而希望以公司填補研究與可用產品之間的落差。
Scribe AI 以 Faster-Whisper small 模型在本機離線辨識教會聚會中的語音,再用規則偵測經文引用,並由操作員核准後才顯示經文。系統會檢查引用是否符合聖經各卷的章數,亦會保留上一段逐字稿末尾的 60 個字元,以免跨越音訊分段時漏掉引用。語音辨識、偵測、查經文及顯示均在本機執行;聚會狀態機與歌詞偵測器尚未接入即時麥克風流程。
ElevenLabs 與 Twilio 可結合文字轉語音和通話路由,構建語音通話應用程式。指南示範以 ElevenLabs 生成 MP3 音訊,再透過 Twilio 語音 webhook 播放;亦示範收集來電者的語音或按鍵輸入,生成語音回應。
Gina Zhang 與隊友在 Cal Hacks 13 打造 macOS 繪圖輔助工具 Statheros,讓用戶以頭部、手掌或語音在 Krita 繪圖。工具以本機 MediaPipe 追蹤面部或手部動作,並提供校準、安全繪圖區、筆劃模式及語音指令。
作者 SUDARSHAN SASTRY GOVINDALURI 建立 Rehearse,讓用戶以語音建立、排演及修正語音機械人,並在瀏覽器進行語音測試;免登入試用:https://rehearse-ecru.vercel.app,程式碼:https://github.com/sudarshan032/rehearse。
語音正成為網絡應用程式的重要互動方式,文章以 ElevenLabs 示範透過 API 生成語音及克隆聲音。ElevenLabs 可用 5–30 秒清晰錄音建立可重用的聲音,再用於文字轉語音。文章亦建議分段串流、預取及快取,提供文字替代方案,並妥善處理語音資料的私隱。
EchoVault 把語音錄音轉錄並整理成可搜尋的記憶,協助保存和重訪真實故事,而非模擬逝者對話。它使用 faster-whisper 轉錄,並支援透過 Ollama 在本機運行 Gemma,或經 OpenRouter 使用可配置模型;用戶可檢視、修改、搜尋及匯出記憶。選用本機推理時,錄音和摘要可在用戶裝置上處理;選用 OpenRouter 時,轉錄文字會傳送至遠端推理服務。
Maya Research 於 25 October 2026 開放 Maya 2 Native 權重,模型涵蓋 12 種語言,包括 11 種印度語言,採用 Apache 2.0 授權。
Regal 為其平台加入 Goal Oriented Agents,讓 actor 和 director 兩個 AI 模型在每通電話中分工處理對話和目標。企業可用目標節點設定待完成事項及前置條件;director 每輪檢視進度,並可切換至新階段、為 actor 提供新指示。Regal 指複雜的資料收集和資格評估電話是這套智能體的主要用途。
NecroShell 主打可在本機運行的開放權重幽靈終端,OfrendaAI 則打造數碼紀念神龕。作品採用 Google Gemma 2 開放權重模型,生成雙語 Día de los Muertos calaverita。
Eli 新增巴西、葡萄牙及拉丁美洲西班牙語地區的緊急求助熱線,並為 TTS 加入德語和波蘭語語音模型。後端新增每小時執行的網站健康檢查,並將支出上限和工作階段延遲記錄到資料庫,另設交易記錄及 PDF 收據生成。開發者亦調整 API 限流,以減少流量高峯時出現 429 錯誤。
yangshun2005/VoiceStudio-cn 是 debpalash/VoiceStudio 的中文文件翻譯版,並加入補充性的中文快速上手指南。它不修改程式碼,另整理各系統的安裝方式與硬件限制;Intel Mac 不能在本機執行後端,英文原文則保存在 README_en.md。
REDMI發佈首款耳夾式耳機REDMI Clip Neo,建議零售價399元,國補後到手價359.15元起。單隻耳機重5.3g,單次續航最長7小時,配合充電盒總續航最長32小時。耳機支援一鍵喚醒超級小愛,亦可喚醒Siri。
Nexariza AI 分享其企業級語音與視覺 AI Agent 參考架構,涵蓋即時 WebRTC 電話通訊及 TensorRT 邊緣視覺管線。語音管線的首個音訊影格回傳時間為 <200ms–380ms;TensorRT FP16 邊緣推理每影格需時 4–11ms,單一節點可同時處理 12–24 條 RTSP 串流。
Balaka 發佈 v0.3.0,兩種語音合成模式均改用 OmniVoice 0.2.1 更新版執行環境。伺服器預設監聽 127.0.0.1:8000,參考音訊上限為 20 MiB,每個程序同一時間只執行一次生成。介面新增文字提示、API 預覽及進階設定。
零跑為 2027 款 B10/B01 車型推送 OTA 更新,新增 8 項功能並深度優化 10 項體驗;B01 和 B10 的版本號分別為 4.2762.020 和 4.2700.020。新增功能包括華為 HiCar4.0 手機互聯、汽水音樂、騰訊雲遊戲、語音實時改口、聲紋守護及車輛長期離線提醒。更新亦加入多車主帳號切換及多項用車設定聯動記憶。
「什麼值得買」將興趣消費服務拓展至新一代 Rokid AI 眼鏡,透過消費智能體「張大媽」識別眼前商品並提供消費資訊。用戶可查閲商品名稱、價格參考、真實用戶口碑及推薦購買指數,並在「什麼值得買」App 查看詳情、評價和購買渠道;服務依託10億級商品庫及200億級內容庫。
科大訊飛將 SparkAudio 1.0 的説話人辨識能力加入辦公本,讓會議轉寫按發言人分段,並可為説話人配上姓名。相關能力於10月24日推送至 X5 與 Air3,處理過程均在設備內完成。設備亦可分開重疊發言,並記錄常用詞彙。
評估 AI 會議轉錄工具的成效,關鍵在於轉錄準確度、説話者分離能力及即時處理能力。文章比較 Google Speech-to-Text、Microsoft Azure Speech 和 OpenAI Whisper 等方案,並提及 NVIDIA NeMo 可用於微調模型,pyannote-audio 可用於説話者分離。重疊説話、相似音色及低音質仍會帶來挑戰,即時轉錄則依靠串流模型和 API。
微信輸入法近日更新 4.0.0 版本,新增「AI 錄音筆」,可即時轉寫用戶説話內容並生成網頁。功能支援自動提煉重點、梳理邏輯,並根據內容生成圖表和互動頁面,同時刪除語音中的冗餘表達。
Jeffrey Turov 開發 Memoria,讓家庭語音備忘錄可在本機轉錄並整理成口述史檔案。流程先用 faster-whisper / Whisper small 轉錄,再由 Gemma 3 4B IT QAT 生成 JSON 和 Markdown 記憶卡,並以確定性檢查剔除逐字稿中找不到的引句;錄音和逐字稿不會離開本機作推理。
騰訊宣佈微信輸入法推出 AI 錄音筆功能,可把錄音即時轉寫並整理成結構清晰的網頁。功能會剔除錯字和冗餘表達,在不改變原意的前提下按上下文修正內容,亦可生成圖表、圖示及互動頁面。
REDMI 宣佈與服裝品牌 CryingCenter 哭喊中心聯名推出 Clip Neo 限定禮盒套裝,並同步開放預約。禮盒包括零度黑耳機、專屬貼紙及潮流耳機包。小米 REDMI 首款耳夾耳機 Clip Neo 將於今晚上市,單耳重量為 5.3g,並支援低音增強算法、EQ 自訂調節及動態 AI 通話降噪。
訊飛AI翻譯亮相2026科大訊飛全球1024開發者節,展示涵蓋眼鏡、耳機、翻譯機及會議系統的產品矩陣。訊飛AI眼鏡支援122種語言翻譯,訊飛聽見多語言會議系統支援20多種語言翻譯。訊飛同傳已服務全球50多個國家和地區,累計支援超42萬場會議,覆蓋觀眾超4億人次。
REDMI 宣佈與服裝品牌 CryingCenter 哭喊中心聯名推出 Clip Neo 限定禮盒套裝,並同步啟動預約。套裝包含零度黑耳機、專屬貼紙及潮流耳機包;Clip Neo 將於今晚上市。耳機單耳輕至 5.3g,支援低音增強、EQ 自訂調節、動態 AI 通話降噪及端側語音助手。
阿里雲智能聯絡中心(AICCS)結合語音通訊與大語言模型能力,支援呼入和呼出,提供 AI 語音交互、流程編排、通話分析及後續處理等功能。企業可接入自有大模型,或使用平台工具構建 AI 語音機械人,應用於通知、回訪、線索確認等場景。
文章提出設計 AI 語音介面的實用指引,涵蓋以用戶為本的設計、TTS 引擎選擇、語音複製、無障礙支援、本地化、效能、安全及測試。文中以 ElevenLabs 示範整合方式,並指出語音複製須兼顧用戶同意、資料最少化、偏差及安全。
科大訊飛在全球1024開發者節首發星火語音基座大模型 SparkAudio 1.0 並全繫上線,同時發布機器人超腦平台 3.0。活動提及從多模交互邁向具身多模交互,並稱機器人超腦平台 3.0 是行業落地關鍵一步。
聲音複製技術的門檻已大幅降低,現時只需數秒參考音訊和瀏覽器即可生成模仿特定人士的合成語音,但相關法律與倫理規範仍未追上。未經同意複製可被辨認的聲音可能侵犯當事人權利;負責任的做法包括取得列明用途範圍和期限的同意,並為合成音訊加上水印或中繼資料標記。
這套 AI 英語線上考試系統結合高並發流媒體處理、大語言模型評測及 AI 多模態防作弊監考,涵蓋聽説讀寫測評與考試管理。系統支援自適應測試、音素級口語評分、語義級寫作批改,以及實時行為監控和可疑作弊標記。搭建方案包括微服務、對象儲存和 CDN,並整合 DeepSeek、Qwen、GPT-4o 等模型進行主觀題評分。
Vapi 上線流量拆分功能,讓團隊可將部分通話流量導向語音 Agent 新版本,再決定是否全面發布。團隊可將 0.1%、1% 或 5% 的通話流量分配至新版本,查看指標後推進至 100% 或回退。回訪者的版本黏性可按部署需要開關;Vapi 建議先進行兩個版本的分流。
AI 英語培訓軟件的開發結合大語言模型、語音技術與二語習得理論,涵蓋口語對話、寫作批改、自適應閲讀及學習畫像四大模組。系統採用多智能體架構與 RAG 知識增強,並以語音評估、個人化內容生成及學習記錄支援教學。
作者整理了 8 個開源 LLM 項目,涵蓋模型微調、評估與部署,智能體框架、語音合成、影片配音、羣組聊天及客服。項目包括 Oumi、PocketFlow、F5-TTS、VideoLingo、LangBot、HuixiangDou、Chatwoot,以及以 DeepSeek 摘要書籤的個人流程。
Ishan Gautam 分享開源聽寫應用 Talvio 的開發經驗,並整理開發時遇到的 5 個問題及處理方法。內容包括把視窗操作排入主執行緒、避免浮動視窗搶焦點、將語音引擎移至獨立程序、原子寫入設定檔,以及使用 minisign 簽署自動更新。
Intel Raptor Lake Next 處理器的貨運清單顯示,相關芯片今年8月已開始出貨,首批產品主要替換現有酷睿 i5 和 i7 型號。該系列沿用 LGA 1700 接口並支援 DDR4,目前未發現酷睿 i9-14900K 的替代型號。
Vapi 聘任 Jeff Liu 出任工程副總裁,負責平台及基礎設施工程;他此前曾任 Turing 工程副總裁,並在 LinkedIn、Google、Twitter 和 Splunk 任職。他認為語音 AI 將帶動下一波 AI 普及,並把 Vapi 定位為供企業構建業務的平台,而非單一應用。上任後,他的首要工作是提升平台的可靠性和可擴展性。