我如何為 Fud AI Live Voice 建立一套工具契約,接入六家即時語音服務商
Fud AI 8.0 在 iPhone 和 iPad 推出 Live Voice,讓用戶透過語音記錄膳食、掃描條碼、查看宏量營養素及編輯飲食日記;Android 版本仍在 Google Play 審核。
Fud AI 8.0 在 iPhone 和 iPad 推出 Live Voice,讓用戶透過語音記錄膳食、掃描條碼、查看宏量營養素及編輯飲食日記;Android 版本仍在 Google Play 審核。
Aice v0.4.0 將本地語音助手由桌面原型擴展至酒店、護理院及病房部署,並由物業內的設備與服務處理語音及請求。更新加入以 device token 核實房間身份、按入住分隔記憶並管理同意及保留期限,亦支援職員帳戶、工單告警與離線偵測。ESP32-S3 房間裝置配合回聲消除後可支援語音打斷;CI 容量測試要求 8 個房間下 p95 回應時間低於 5 秒。
小米 REDMI 預熱首款耳夾式耳機 Clip Neo,產品將於 10 月 27 日上市。耳機採用 12mm 高性能雙磁設計,單耳輕至 5.3g,支援澎湃智聯多功能實體按鍵及端側語音助手,可沉浸聊天、連續對話和智能控車控家。產品價格尚未公佈。
小米 REDMI 首款耳夾式耳機 Clip Neo 將於 10 月 27 日上市,官方已公佈部分配置。耳機採用 12mm 高性能雙磁設計,單耳重量僅 5.3g,並支援低音增強算法、動態補償、EQ 自訂調節及動態 AI 通話降噪。產品亦支援澎湃智聯多功能實體按鍵,長按可喚醒端側語音助手,並支援沉浸聊天、連續對話及智能控車控家。
即時語音 AI 透過 WebRTC、Whisper、LLM 與文字轉語音引擎串流協作,在短暫延遲內完成聆聽、推理和回應。從來電者停止説話到回覆開始播放,系統的延遲預算約為 500 至 800 毫秒。專用硬件有助降低延遲並避免模型冷啟動,但來電量難以預測或需要全球部署時,彈性雲端擴展仍有用。
Block 公開展示語音 AI 模型 Dessa,稱其只以人類對話訓練,不使用文字或預訓練模型。Dessa 採用全雙工模式,可一邊聆聽一邊説話,並呈現插話、笑聲和語氣變化。目前 Dessa 僅為研究預覽,尚未向公眾開放;Block 稱它可在配備 M4 Max 或更強晶片的 MacBook Pro 本機運行。
捷途汽車為捷途山海 L7 PLUS 1.5L C-DM 智駕版新增「220KM 五座智享精英版」和「220KM 五座激光雷達豪華版」,指導價分別為 14.99 萬元和 15.99 萬元,超級置換政策後售價分別為 13.99 萬元和 14.99 萬元。系列車型標配 32.66kWh 電池包,CLTC 純電續航 220km,CLTC 綜合續航 1700km。
科大訊飛在 2026 年全球 1024 開發者節 AI 文娛論壇上發布 AI 潮玩 Gununu 和訊飛輸入法 16.0,並分享音樂營銷及數字娛樂業務進展。Gununu 依託訊飛星火大模型,結合多模態情境互動、動態記憶和虛實共育成長系統。訊飛輸入法 16.0 推出第三代語音輸入「意圖成稿」;Spark-ASR-2.0 支援 202 種方言,識別準確率由 85% 提升至 91%。
捷途汽車為捷途山海 L7 PLUS 1.5L C-DM 智駕版新增「220KM 五座智享精英版」和「220KM 五座激光雷達豪華版」,指導價分別為 14.99 萬元和 15.99 萬元。享受超級置換政策後,兩款車售價分別為 13.99 萬元和 14.99 萬元。車系標配 32.66kWh 電池包,CLTC 純電續航 220km、綜合續航 1700km。
R2D2 for webOS 為 webOS 電視提供本地主畫面、私隱遙距瀏覽器和按鍵説話語音助理,由 Linux 主機執行 Chromium、語音模型及推理,電視則負責顯示、應用程式和遙控。參考部署已在一部電視及一個韌體版本上完成端到端運作,其他組合尚未驗證。電視端元件以 root 權限修改廠商系統服務,可能令保養失效或電視無法使用。
ClearNote 是一款離線優先的輕量語音轉文字記事 PWA,提供瀏覽器內語音辨識,無須建立帳戶即可開始記錄。應用支援桌面及流動裝置,並採用簡約介面,主打快速、免受幹擾的筆記體驗。
三星首款耳夾式耳機 Galaxy Buds On 定於 10 月 27 日在韓國首發,售價 29.9 萬韓元(約 1508 元人民幣)。耳機採用弧形耳夾設計,配備 TwinBoost 雙低音單元、聲音洩漏抑制技術及三麥克風與骨傳導語音增強系統。產品支援頭部手勢控制、Quick Voice Memo 錄音和 Gemini Live 語音互動,預計 12 月上旬在歐洲上市。
平安銀行宣佈,平安口袋銀行 App 將全面適配 Apple iPhone Duo,支援內外屏切換及「待機顯示(Stand By)」模式。新版 App 設有獨立小組件,可在待機顯示時展示基金資訊,並可透過 AI 語音助理對話。
三星首款耳夾式耳機 Galaxy Buds On 動圖曝光,展示耳機及充電盒造型,產品計劃於 10 月 27 日在韓國上市。耳機配備 TwinBoost 揚聲器系統、聲音泄漏抑制技術及三個麥克風,並支援頭部手勢操作。三星公佈的韓國售價為 29.9 萬韓元。
Souvik Biswas 開發 Sloth Reads,以開放模型隔夜處理用戶儲存的文章,產生摘要、三項重點及值得閲讀、略讀或跳過的判斷,並於早上 6 時整理成簡報。
長虹將於10月28日在中國·綿陽中華大熊貓苑發佈「長虹熊貓懶」系列新品,首發產品包括長虹電視與長虹空調。電視搭載自然柔光RGB MiniLED顯示技術,並結合熊貓交互與長虹雲帆大模型;三代空調全系標配四項AI能力,櫃機配備24GHz毫米波雷達。系列將在長虹京東自營旗艦店同步開啟預售。
Claude-Red 將技能檔案整理成可交付成果,並提供書面撰寫規格。專案收錄 78 份 SKILL.md,分佈於 23 個類別;規格要求描述列明技能涵蓋的範疇及適用時機,但規格本身不代表技能具備專業能力或能正確觸發。
這篇教學示範如何結合 OpenAI GPT-4o mini 與 ElevenLabs,建構可生成對話並轉換成語音的聊天機械人。範例使用 FastAPI 串接 GPT-4o mini 和 ElevenLabs TTS,並以串流方式將音訊傳回用戶。教學亦涵蓋聲音複製、即時音訊串流及部署建議。
EchoChat 將共情語音對話建模為感知、心智理論推理和語音回覆生成三個相連環節,並以統一訓練框架協同優化。模型在監督微調階段引入 Acoustic-Anchored Attention(AAA),在強化學習階段採用 Step-Decomposed Credit Assignment(SDCA),針對不同環節提供訓練回饋。
一間牙科集團的語音智能體與網頁聊天智能體共用同一份定價資料,卻對改期費用、保險及服務時間等問題給出不一致答案。文章建議使用人工預先核准的跨渠道答案表,並每月以相同8條問題檢查各渠道,把費用立場、數字和能力差異列為缺陷。答案表啟用9週後,改期費用矛盾消失,保險答覆一致;是否在所有渠道載入 $99 新患者優惠,則由人工決定。
Bilingual Mix 將同一內容的兩種語言錄音,對齊為交替播放原語句子與目標語句的 MP3。流程以帶時間戳的轉錄、多語言嵌入向量及單調路徑選擇配對語句,並在生成音訊前讓用戶檢查和取消錯誤配對。用戶確認後,瀏覽器以 Web Audio 和 ffmpeg.wasm 剪輯、合併音訊,無需為渲染再次上載音訊。
My Azeroth Life 以 World of Warcraft 的 StoryTracker 插件記錄遊戲事件,再由 AI 將角色經歷寫成網誌文章並製作成 Podcast 分集。
作者在 Cloudflare Workers 上搭建多説話人 TTS 網頁應用,讓用戶貼上劇本後下載由多種聲線合成的單一 MP3。應用使用 Fish Audio 的 Drama 3,以單行角色格式解析劇本,將沒有角色名稱的文字預設交由旁白,並移除用戶輸入中類似控制標籤的內容。
Otter.ai 的 Basic 免費方案每月提供 300 分鐘轉錄;Pro 和 Business 在網站按月收費分別為每位用戶 $16.99 和 $30,按年付款則每月分別為 $8.33 和 $19.99。英國 App Store 的 Pro 為每月 £17.49 或每年 £99.99,Business 為每月 £30 或每年 £229.99;價格核對日期為 2026 年 10 月 24 日。
2027款吉利博越上市,共推出4款配置車型,限時售價為7.98萬至9.99萬元,最大升級是搭載新一代GEEA3.0電子電氣架構。全系標配14.6英寸全面屏、Flyme Auto 2智能座艙及高德850地圖,並配備L2級駕駛輔助。新車沿用1.5T發動機與7速濕式雙離合變速箱,最大功率133kW,WLTC綜合油耗為6.44L/100km。
ElevenLabs 提供雲端 TTS 平台,開發者可透過 REST API 和 SDK 生成語音,並以單段音訊建立克隆聲線。文章説明自然語音的韻律、協同發音、情緒與音色,以及文字正規化、頻譜生成和波形合成等 TTS 流程。亦介紹調整音高、語速和停頓,以及以 MOS、SNR 和音高準確度評估語音品質。
這篇教學示範如何在 React 介面串接 ElevenLabs,將用戶輸入的文字轉換成語音並在瀏覽器播放。內容提供一般生成及串流音訊的程式碼,並提及 ElevenLabs 每月免費額度為 10 k 個字元,超出後按用量收費。
作者以正規表達式白名單先行、語言模型其後的兩階段流程,將語音指令轉化為受控的家居自動化操作。系統只把已驗證的意圖和整理後的 JSON 參數交予 GPT-4o-mini,並在執行前再以 shell 指令白名單檢查輸出;不合規指令會被拒絕。
STREAM-MATE 是一款適用於 Twitch 和 YouTube 的 AI 聯合主持工具,提供即時聊天室、即時語音和螢幕上的虛擬形象,並在每則回覆播出前進行檢查。工具採用 MIT 授權,以標準程式庫為主,只讀取用戶指定的資料,不會傳送到其他地方;介面支援英文和俄文。校對規則可能誤判,適合用來找出需要改寫的內容,不適合評分作者或用於重視語氣的場合。
Block 的私隱聲明適用於用戶使用 dessa.com 服務時收集的資料,生效日期為 October 21, 2026。Block 會收集用戶提供的個人資料,以及裝置和服務使用資料,並用於提供、改善及開發服務、與用戶溝通和保障服務;資料亦可能分享予集團公司及服務供應商。
使用文字轉語音 API 時,開發者常因輸入文字未正規化、語言或語音選擇不當、忽略請求限制,以及未處理音訊格式相容性而遇到問題。文章亦提醒留意語音複製的資料要求和使用政策、為用戶提供語音選擇,並處理數字、日期及專業術語的發音。
elevenmusic-muse-plus 是以 Python 標準函式庫編寫的 CLI 工具,可檢查音訊描述文字和歌詞,並採用 MIT 授權。工具只讀取用戶指定的資料,不會將資料傳送到任何地方。檢查結果可能出現誤報,適合用來找出可重寫的內容,不應用來評分作者,也不適用於重視個人風格的寫作。
Jack Dorsey 的 Block 公佈 AI 模型 Dessa,稱其從零開始只以人類對話訓練,並採用語音到語音方式。Dessa 可在 MacBook Pro M4 Max 或更高配置的設備上本地運行,團隊將向一小羣 AI 安全研究人員提供早期使用權。The Verge 展示的對話大致自然,但有時也會顯得尷尬、怪異,例如模型一開始把説話者認成 Ronaldo。
Block 旗下 AI 研究實驗室於 2026 年 10 月 23 日發佈全雙工語音模型 Dessa,稱模型從零開始、只以人類對話聲音訓練,沒有使用文字或預訓練模型。
OnKey 是 Daniel Murrell 開發的免費開源 Mac 唱歌訓練應用程式,可配合 Spotify、Apple Music 或瀏覽器版 YouTube 播放歌曲。
Audible 技術團隊開發可控文字轉語音技術,為有聲書角色生成更具區別度的語音。BookLLM 在 25 本英文及西班牙文書籍中識別角色,準確率分別為 97% 和 94%。測試顯示,角色對白區分度在 MUSHRA 評分中提升 3.7 分,兩種語言的測試中有十種聲線的八種帶來顯著聆聽體驗改善。
Jiasheng 將家庭對話錄音整理成可攜式故事頁,讓用戶閲讀逐字稿,並點選段落重聽原始錄音。它透過 Transformers.js 在瀏覽器運行量化 Whisper base,支援最長 10 分鐘、100 MB 的錄音,組成故事前須由用戶檢查逐字稿。錄音、逐字稿和相片不會上載作處理,但首次下載模型仍需網絡連線。
Drowzy 是一款可用語音控制的鬧鐘,用戶可要求延後響鬧或關閉鬧鐘,毋須伸手拿手機。它以 whisper.cpp 和透過 Ollama 執行的開放權重 LLM 在本機處理語音,毋須連接網絡;鬧鐘響 5 秒後錄音 4 秒,並在語意不清時繼續響鬧。作者以合成西班牙語語音測試完整流程,尚未驗證實際麥克風及 Android/Termux。
索尼 PULSE Elevate 無線音箱今日開啟國行預售,定價 1,748 元,將於 2026 年 11 月 12 日上市,可配合 PS5、PC 或 Mac 使用。音箱支援 Tempest 3D 音效、AI 降噪麥克風及 PlayStation Link,亦支援藍牙和多設備連接。
VoiceStudio 是一款開源桌面程式,可在本機離線運行,整合多種 TTS 引擎,提供聲音複製、影片配音、轉錄及有聲書製作,並稱支援 646 種語言。程式採用 Electron 前端和本地 Python 後端,整合七種 TTS 引擎,並一次只載入一個;另提供本地 REST API 和 MCP 伺服器。