跳到正文
10月26日週一
  1. HuggingFace Daily Papers(社區熱門論文)54

    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。

  2. DEV Community35

    在不犧牲品質的情況下減低語音 AI 成本的 5 種方法

    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%。

  3. DEV Community59

    停止對語音對話進行快照測試,改為驗證回合協議

    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。

10月25日週日
  1. DEV Community39

    我打造了 ULO AI:專為英語口語練習設計的 AI 導師

    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。

  2. DEV Community28

    Hearthlen 加入僧伽羅語語音支援

    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。

  3. DEV Community23

    Hearthlen:説話時文字即時顯示

    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。

  4. DEV Community63

    語音 AI 數字欄位應以驗收測試取代籠統準確率口號

    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。

  5. 新浪科技54

    Block 發佈語音模型 Dessa,稱 M4 Max 及以上配置的 MacBook 可本地運行

    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。

  6. DEV Community48

    curiousBuddy:停止反覆重讀,開始講解

    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。

  7. DEV Community57

    如何評測 AI 語音智能體的延遲

    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。

  8. DEV Community32

    出版商如何使用 AI 語音製作有聲書

    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。

  9. Ollama:Blog69

    Ollama 現可透過 Phonon 將文字轉為語音

    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。

  10. 阿里雲開發者社區 AI26

    AI 英語培訓智能體的開發技術

    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。

  11. DEV Community68

    Voxtral 3 語音智能體完整流程每分鐘 $0.04,作者重算自建與採購成本

    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。

  12. DEV Community32

    ParleyVoice 如何利用 RTC 減少即時翻譯等待

    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。

  13. DEV Community37

    為何加入即時口譯後會出現迴音,以及 ParleyVoice 如何在擷取端設計 AEC

    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。

  14. IT之家55

    Block 推出全雙工 AI 語音模型 Dessa,支援在 M4 Max 及以上配置的 MacBook 本地運行

    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。

  15. DEV Community47

    免費有聲書創作工具:我如何打造能朗讀任何公有領域書籍的工具

    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。

  16. DEV Community26

    Hearthlen:Win+H 開啟聊天視窗

    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。

  17. DEV Community32

    Voice AI 如何整合至 CI/CD 流水線

    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。

  18. DEV Community33

    StoveSide:跟隨下一個步驟煮食,不必盯着螢幕

    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。

  19. HuggingFace Daily Papers(社區熱門論文)39

    AMBIT 以可執行計劃及自蒸餾 Transfusion 生成與編輯空間音訊

    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。

  20. DEV Community34

    SINK:本地 AI 桌面語音助理

    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。

  21. TechCrunch · AI58

    Block 發佈語音表現近似真人的 Dessa 模型

    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。

10月24日週六
  1. The Decoder52

    Block 公佈 AI 語音模型 Dessa,稱其只用人類語音訓練以捕捉文字模型遺漏的情緒

    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。