Lipi-Ghor 研究提出大型多領域、具説話者分離標註的孟加拉語語音語料庫及可擴展建置流程
Lipi-Ghor 研究提出大型弱監督孟加拉語語音語料庫,收錄 885 小時音訊,並附有説話者分離的長篇標註及 gold 評測集。語料來自 998 個 YouTube 影片、596 個頻道及 17 個領域,以自動説話者分離結合字幕製成 SSTT 標註;gold 評測集經 17 名志願標註者共 30 小時校訂,研究亦提供可複製的建置流程。
Lipi-Ghor 研究提出大型弱監督孟加拉語語音語料庫,收錄 885 小時音訊,並附有説話者分離的長篇標註及 gold 評測集。語料來自 998 個 YouTube 影片、596 個頻道及 17 個領域,以自動説話者分離結合字幕製成 SSTT 標註;gold 評測集經 17 名志願標註者共 30 小時校訂,研究亦提供可複製的建置流程。
文章提出 5 種在不犧牲品質的情況下降低語音 AI 成本的方法,包括使用預訓練 TTS 模型、批次處理及快取音訊、精簡送交引擎的文字、策略性使用語音克隆,以及利用分級定價和 Spot Instances。文中以 ElevenLabs 為例,説明快取可減少 API 呼叫,Spot 定價最高可比按需定價便宜 70%。
文章主張,即時語音應用應以確定性測試驗證對話回合協議,並把回答內容的正確性與品質分開評估,而非要求固定句子或回調次序。文中用 TypeScript 建立測試方案,涵蓋新語音使舊回合失效、拒絕過期 ASR、LLM 和播放回調,以及超時後顯示恢復狀態。文章並説明如何將這套設計接入 Tencent RTC 語音流程,分別以確定性檢查、規則及人工評估處理協議、安全政策和開放式品質判斷。
作者推出 Voice Notes Firefox 擴充功能,讓錄音、播放、匯出和轉錄都在瀏覽器內完成;音訊除非用戶明確匯出,否則不會離開本機。錄音儲存在擴充功能隔離的 IndexedDB;轉錄使用 Firefox 本機可用的 Web Speech API,無需 API key 或雲端端點,但準確度不及 Whisper。
開發者打造 ULO AI,一款以對話為核心的個人 AI 英語導師,讓用戶透過語音或文字練習英語,並在對話中獲得發音回饋及温和的文法修正。它提供由初級至進階的適應性課程、每日學習路線圖、進度追蹤及角色扮演情境。產品旨在提供隨時可用、低壓力的練習,但不能取代沉浸式學習、真人對話或備考教師。
Snap Me 透過拍攝身邊物件學習英文,提供單字、發音、例句及填空練習,並以答對練習解鎖時態。Gemma 4 負責辨識物件和生成課程,Kokoro-82M 在瀏覽器內生成語音;優化後,辨識約需 3 至 4 秒,生成課程約需 5 至 6 秒。應用程式每天限拍 5 張照片,進度儲存在裝置本地。
吉利帝豪2027款向上系列正式上市,推出三款配置版本,官方指導價為6.89‑8.29萬元,限時感恩價為5.99-7.39萬元。新車換裝12.8英寸懸浮中控大屏,搭載Flyme Auto車機系統。動力沿用1.5L自然吸氣發動機,提供5擋手動及模擬8擋CVT變速箱。
Hearthlen 的離線 AI 系統新增僧伽羅語語音支援,並與 English 共用一個多語言語音模型。僧伽羅語語音使用 `si_LK-sinhala-medium`,喚醒詞仍是「hey Hearthlen」,English 則繼續使用 Lessac 語音。Qwen2.5-3B 以僧伽羅文回答「ආයුබෝවන්. ඔයා කොහොමද?」,耗時 9564 ms。
Hearthlen 語音智能體改為載入 4-bit 的 Qwen2.5-3B-Instruct,取代只能生成制式短句的 SmolLM2(360 million parameters)。面對「有兩小時空閒而且下雨」的提問,Qwen2.5-3B-Instruct 結合了兩項情境資訊,以 39 tokens 用時 3017 ms 作答。
Hearthlen 的語音會話現在會開啟聊天畫面,並在用戶説話時將辨識文字即時顯示在「You」一行及底部輸入框。一句「how are you」在 373 ms 後顯示為「How are you?」;系統會丟棄因房間噪音而重複的短句,並以啟動時量度的噪音底線作為辨識門檻,這次數值為 833。會話可由 Win+V 開啟。
Hearthlen 的 Win+V 快捷鍵會在 ThinkPad 上開啟語音智能體,並開始與「hey Hearthlen」相同的語音工作階段。記錄顯示,按鍵時間為 10:28:14,工作階段於 10:28:16 開啟。
Hearthlen 的喚醒監聽器改為轉錄短音訊片段,並接受 hearthlin、herthlin、hertzland 等對名字的辨識結果。ThinkPad 麥克風錄下「hey Hearthlen」後,喚醒片段耗時 340 ms,系統在短語結束一秒後記錄喚醒並回應問候。
文章主張,語音 AI 工作流程不應只依賴供應商提供的整體語音辨識準確率,而應按欄位類型及錯誤後果制定驗收規則。建議保留原始辨識結果,以明確類型及規則解析和驗證,並確保用戶確認的值與實際提交的資料一致,否則不執行後續操作。文中提出一套 15 個案例的測試方案,但未實際執行測試,因此沒有提供語音辨識或語音智能體的實測表現數據。
iKF 推出 Ultra Clip 開放式藍牙耳機,定價 499 元,配備 12mm 圈鐵式複合振膜及圈鐵雙分頻定向傳音技術。耳機支援 LDAC、AAC 和 SBC 解碼,提供至高 45 小時綜合續航。
Block 於 10 月 23 日發佈語音模型 Dessa,模型直接從音訊學習並生成音訊,不經文字轉錄及語音合成流程。Block 稱,模型只以人類對話錄音訓練,沒有文本語料或預訓練權重,並可在 M4 Max 及以上配置的 MacBook 本地以快於實時的速度推理。目前 Dessa 未開放試用,權重、程式碼及授權證均未公開;Block 正讓安全研究者排隊,重點測試語音智能體冒充真人的風險。
curiousBuddy 是一款 AI 學習伴侶,結合 Pomodoro Technique、Feynman Technique 和語音 AI,讓用戶透過講解所學內容檢視理解程度。語音夥伴 Cube 由 ElevenLabs Conversational AI 驅動,可追問概念並協助整理學習筆記、生成三道主動回憶測驗題;專案以 MIT License 開源。
文章説明,評測 AI 語音智能體延遲時,須先界定計時起止點,因首次模型事件、首個音訊區塊、首次可聽播放及完整回應完成是不同指標。測試應記錄裝置、音訊輸入、網絡及配置等條件,重複測試並報告樣本數及中位數、p95等分佈,而非只列最快一次。
即時語音 Agent 要在對話進行時處理及回傳音訊,應協調收音、傳輸、模型處理、播放和對話狀態。設計時需梳理音訊流程,明確處理部分回合、語音中斷及連線故障,並在預期使用的裝置和網絡環境下測試。
出版商使用 ElevenLabs 的文字轉語音及聲音複製工具製作有聲書,並透過 API 批次生成音訊,再進行後期處理和人工品質檢查。試行 AI 語音的出版商表示,製作時間最多減少 70%,錄音室成本減少 50%。聲音複製約需 5–10 分鐘目標説話者的音訊;複製真人聲音前,應取得書面同意。
Ollama 現已在 macOS 支援文字轉語音,首款語音模型是 Gradium 的 Phonon;Windows 和 Linux 支援即將推出。在配備 M5 Max 的 MacBook Pro 上,Ollama 比 Gradium 自家 runtime 快 35%,詞錯誤率則與 Hugging Face Transformers 參考實作相同。
AI 英語培訓智能體採用感知、大腦、行動三層架構,整合多模態輸入輸出、即時語音、教研知識檢索、長期記憶及多智能體協作。系統以教學狀態機規範教學流程,並設有主講教師、糾錯助教及評估測試智能體。開發流程涵蓋場景定義、文字對話驗證、語音與多模態整合,以及教研資料融合和系統優化。
作者分析 Mistral Voxtral 3 語音智能體的定價,完整流程配合 Mistral Small 4 每分鐘 $0.04,改用另一款推理模型則為 $0.08。文章建議以 50 通真實來電測試口音、噪音、打斷及工具流程,並以問題解決率而非字錯率評估。Mistral 尚未清楚説明 Voxtral 3 權重是否採用開放授權,作者建議暫按可商用部署、具自託管選項的方案看待,而非開放權重發佈。
ParleyVoice 在支援 RTC 的託管會議模式中採用即時音訊傳輸,並協調擷取、傳送與播放節奏,以減少即時翻譯的等待。即時傳譯延遲不只來自模型,也包括音訊傳輸、服務轉送及播放緩衝。ParleyVoice 讓音訊以連續小段傳送、譯音分段播放,並調校音訊進入模型及返回裝置的方式。
ParleyVoice 將 AEC 移至音訊擷取階段,收錄麥克風時同步提供實際播放音訊作為獨立參考,盡量在聲音送入翻譯模型前抑制揚聲器迴音。即時口譯可能新增原有播放參考未涵蓋的翻譯音訊,也可能改變麥克風輸入路徑;參考訊號需盡量貼合最終播放內容、音量和時序,並在播放與説話重疊時保留新語音。
Block 推出全雙工語音模型 Dessa,能在説話時同步收聽用戶語音,並以笑聲、停頓和哽咽等方式呈現情緒。Block 稱,Dessa 完全以人類語音數據訓練,可在 M4 Max 及以上配置的 MacBook 本地運行。目前模型暫未開放試用,Block 正邀請安全研究者測試語音智能體欺騙人類的風險。
作者打造了一款免費工具,讓用戶點選公有領域書籍後即可聆聽朗讀,毋須註冊、付款或下載。工具先搜尋 Project Gutenberg,再以 OpenLibrary 作後備;有 LibriVox 人聲錄音時會優先播放,否則以機器語音朗讀。作者修正搜尋結果不相關、短篇被當成書籍及長書遭截斷等問題,並讓朗讀約兩秒內開始。
Savindu Thathsara 正在編寫的離線 AI 作業系統 Hearthlen,可用 Win+H 開啟聊天視窗,文字指令與語音操作共用同一命令。麥克風收音滑桿高於 60% 時會調低;透過揚聲器播放「hey hearthlen」後,系統成功記錄喚醒詞,但真人在房間內説出喚醒詞的測試仍未完成。
Hearthlen 將語音由 Piper 的 en_GB-alan-low 換成 en_US-lessac-medium,讓聲音不再扁平、低質。問候語連合成及播放需時 1939 ms;較長句子的音訊長 3.21 秒,於 3753 ms 後返回。重新啟動 listener 後,Hearthlen 會以新聲音回應「hey Hearthlen」。
開發者打造 Couch Commander,讓用戶以英語或 Pidgin 語音控制 Chrome 上的 YouTube,整套流程均在 Mac 本機離線執行,不需網絡、帳戶或 API key。它以 Gemma 4 E2B 解析指令,在 30 個測試句中答對 28 個,平均需時約 190 ms;關閉 thinking 後,速度較原先快 8 倍,準確度沒有下降。
Voice AI 可透過 ElevenLabs 整合至 CI/CD 流水線,為建置失敗發出語音提示、生成語音版提交摘要及發布説明,亦可用於語音測試。示例以 Python 和 GitHub Actions 生成 MP3、上載工作流程成品並發送 Slack 通知,並涵蓋聲音複製、輸出測試及免費方案的速率限制考量。
StoveSide 是一款免提食譜指南,讓用戶貼上可信食譜,再核對 Gemma 整理的短步驟及原文引句,並由瀏覽器朗讀當前步驟。它使用 gemma-4-26b-a4b-it 的 Google 託管推理;食譜文字會傳送至 Google API,API 金鑰則保存在本機伺服器。這款原型仍需用戶對照原食譜核實步驟,不能取代原食譜或食品安全指引。
FightNome 説明其拳擊訓練 App 如何將錄製的語音提示對齊節拍,讓提示詞落在節拍上。訓練速度介乎 74 至 128 BPM,音樂以 90 BPM 錄製,再按各段速度調整;每個提示會在節拍前 40 至 60 ms 播放。App 以單字錄音組合提示,並提供預設連擊及隨機反應模式。
AMBIT 是一套統一框架,透過自回歸場景規劃與 rectified-flow 渲染,生成及編輯一階 Ambisonics(FOA)音訊。框架以可執行 ScenePlans 描述聲源內容、活動及 3D 軌跡,並結合 FOA 專用連續 VAE 和 on-policy 自蒸餾。評測顯示,AMBIT 在語音、音樂及音效生成的內容與空間品質,以及指令引導編輯的音質保真度和未編輯聲源保留方面,優於比較基線。
SINK 是一款 JARVIS 風格的本地 AI 桌面助理,讓用戶透過語音指令控制電腦,並與 AI 助理互動。它以 LM Studio 本地執行 Qwen 3,並結合 Faster-Whisper、PySide6 和 PyAutoGUI,支援開啟應用程式、搜尋 YouTube、管理任務和提醒,以及語音輸入。
Block 發佈語音模型 Dessa,支援本地全雙工語音對話,可同時聆聽和説話,並呈現笑聲、停頓、哭聲等語音表達。Block 表示,Dessa 完全以人類語音訓練,使用單張 NVIDIA GPU 訓練,並可在 MacBook M4 Max 或更高規格的消費級電腦本地運行。Dessa 目前未向公眾開放,Block 正邀請安全研究人員測試語音智能體可能欺騙對話對象的情境。
文章比較 Google Cloud Text-to-Speech、Amazon Polly、Microsoft Azure Cognitive Services – Speech、IBM Watson Text-to-Speech 和 ElevenLabs 等文字轉語音 API,並深入介紹 ElevenLabs。
Node.js 音訊轉錄流程應同步處理短篇、僅供參考的音訊,並以持久化工作處理可能影響租戶收費的供應商錄音。流程須保留不可變的來源參照、冪等的擷取紀錄及租戶識別,讓發票欄位可追溯至來源檔案和處理嘗試。
JBL 為 JBL CLIPS 琉璃扣耳夾式耳機新增「碧璽紅色特別版」,首發價 1346 元,部分地區國補後低至 949 元。耳機配備 11mm 動圈單元及 4 個麥克風,支援 IP54 防塵防水;配合充電盒使用,續航達 24 小時,單體續航為 8 小時。
Block 公佈語音模型 Dessa,稱其從零開始、只用人類語音訓練,並能捕捉文字模型遺漏的情緒線索。Dessa 不先把音訊轉成文字,而是直接處理語音,可即時捕捉情緒、反諷、笑聲和停頓,並支援一邊聆聽一邊説話。它可在 MacBook Pro M4 Max 本機執行,訓練使用單一 NVIDIA GB200 NVL72;目前尚未公開,團隊正尋找 AI 安全研究人員測試意外風險。
Block 推出 Dessa,一款以「真正語音到語音」為特色的 AI 模型,並稱模型只用人類對話訓練。Block 表示,Dessa 可在 MacBook Pro M4 Max 或更新型號上本機運行。