IBM 發佈 Granite Speech 5.0 2B 多語言轉錄與翻譯模型
IBM 發佈 2B 參數的 Granite Speech 5.0 2B 開放語音語言模型,支援 6 種語言的語音轉錄與翻譯,採用 Apache 2.0 授權。該模型在 Open ASR Leaderboard 排名開放權重模型第 2,平均英文 WER 為 5.68%;Qwen3-ASR-1.7B 以 5.40% 領先。
IBM 發佈 2B 參數的 Granite Speech 5.0 2B 開放語音語言模型,支援 6 種語言的語音轉錄與翻譯,採用 Apache 2.0 授權。該模型在 Open ASR Leaderboard 排名開放權重模型第 2,平均英文 WER 為 5.68%;Qwen3-ASR-1.7B 以 5.40% 領先。
這套整合以 Next.js API route 在伺服器端呼叫 ElevenLabs 文字轉語音服務,將 MP3 音訊串流回瀏覽器,並避免在用戶端暴露 API key。前端元件讓用戶輸入文字並播放合成語音;教學亦涵蓋 Vercel 部署及自訂聲音複製。
Fonix.AI 的語音購物車挽回指南建議,在聯絡顧客前重新核對最新結帳及訂單狀態,抑制已完成購買或不再符合政策資格的外呼。指南亦指出,送出結帳連結不等於完成訂單,應分開記錄連結狀態與已核實訂單,並在試行前訂明歸因窗口。
Agora 的 Conversational AI Extension 已作為插件上架 Dify Marketplace,讓開發者可在 Dify 建立即時互動語音 AI 體驗。
Dify 與 Open Audio 合作,將 Fish Audio 插件上架 Dify Marketplace,讓用戶為 AI 應用加入文字轉語音(TTS)及聲音克隆功能。Fish Audio 支援 WebSocket API 串流音訊輸出,並可用 30-45 秒語音樣本快速克隆聲音。用戶可在 Dify 工作流程中將 LLM 生成的文字轉成指定聲音及格式的音訊。
Sana Hassan 以 CPU 實測 Cactus Compute 的 16.9 MB 語音轉文字模型 Whistle,並與 Whisper tiny 和 base 比較詞錯誤率及速度,亦測試串流、時間戳和關鍵詞等功能。
語音對語音 AI 透過神經音訊編解碼器,將輸入聲音編碼成一連串音訊碼,再由模型處理並生成回應音訊,未必需要先把語音轉成文字。以每秒 24,000 個取樣、每秒 12.5 個影格及每個影格 8 個音訊碼計算,表示值可由 24,000 個降至約 100 個,約減少 240 倍。模型亦須處理語義和語音特徵,但不同架構對這些資訊的表示方式並不相同。
多家企業正把個人智能體的競爭延伸至 AI 眼鏡、耳機和錄音設備,圍繞現實場景資訊的採集、管理及後續任務服務展開競爭。千問整合模型、App、硬件和第三方技能;韶音藉助外部 AI 能力,viaim 嘗試管理上下文並調度其他智能體,亞馬遜旗下 Bee 則連接硬件採集資訊與助手及購物服務。各家訂閲服務對應資訊處理、上下文管理和任務服務等不同環節,公開數據尚不足以説明用戶實際調用頻率和付費意願。
GM 計劃在 2027 Cadillac Lyriq 首度推出 OnStar AI 車載助手。用戶可透過語音指令執行車輛功能及進行診斷。
RubatoCodec 是基於 X-Codec-2 的可變影格率語音編碼器,以固定的長句事件預算和自適應事件編碼,支援串流解碼。受控實驗顯示,在低事件率下,其重建保真度和清晰度優於固定速率編碼;與其他編碼器相比,它在英語和日語基準測試中保留清晰度的表現最佳。用於文字轉語音時,該表示法取得較低 WER、較高 UTMOS 和 UTMOSv2,説話者相似度則相若。
通用汽車推出全新 OnStar AI 助手,將 OnStar 升級為面向智能駕駛時代的互聯智能平台。助手將率先透過 OTA 升級搭載於 2027 款凱迪拉克 Lyriq,可解釋車輛警告、回答續航問題,並以語音控制部分車載功能。通用汽車計劃於 2027 年推出與車載軟件同步的統一 OnStar 手機應用,取代現有相關品牌應用。
文章提出 10 個改善 AI 語音自然度的技巧,包括使用乾淨且多樣的語音數據、調整韻律、以 SSML 控制停頓和發音,以及合成後處理音訊。ElevenLabs 提供 API、語音模型功能及免費方案,可用於語音克隆原型開發。
2026 年語音 AI 的發展趨勢包括低延遲 TTS、聲音複製、多模態助理及邊緣部署。文章指出,擴散模型與神經聲碼器令語音合成延遲低於 100 ms,並預測 2027 年年中將出現媲美商用品質的開源擴散式 TTS 模型。ElevenLabs 提供聲音複製及語音合成 API,文章並示範以 Python 建立自訂聲音。
Voicute 可把產品名稱訓練成離線關鍵詞模型,經真實語音測試後匯出 ONNX 或 TFLite,在目標產品本地執行。網上測試只能作初步篩選,不能保證正式產品表現;上線前仍須量度召回率、每小時誤觸發次數、延遲、記憶體及耗電量。
通用汽車宣佈全面升級安吉星車聯網服務,加入可讀取車輛狀態、以語音調控空調等功能的 AI 語音助理,並可為電動車規劃充電路線。功能將透過 OTA 升級,首批搭載於海外市場的 2027 款凱迪拉克鋭歌,之後擴展至雪佛蘭、別克及 GMC 多款車型。2027 年還會推出整合式新版安吉星 App,統一品牌服務並加強私隱控制。
通用汽車將全面升級安吉星車聯網服務,引入可讀取車輛資訊、語音控制部分功能及協助排查故障的 AI 助手。助手未來幾個月透過 OTA 登陸 2027 款凱迪拉克鋭歌,其後逐步擴展至旗下更多車款。通用汽車亦計劃在 2027 年推出整合車聯網服務的新版安吉星手機應用,並支援連網攝影機及更靈活的私隱設定。
Sierra 推出 τ-i18n,將 τ-Voice 擴展至西班牙語、巴西葡萄牙語、印地語、韓語和普通話五種語言。評測涵蓋航空、零售和電訊任務中的三個語音代理及 2,700 次主要通話,分別衡量任務完成率、互動表現和生成品質;韓語任務完成率平均較英語低 22.6 個百分點。Sierra 開源程式碼庫及 LanguageFactory,供母語人士、研究人員和語言社羣擴展至更多語言和地區設定。
ElevenLabs 提供雲端 API,讓開發者整合文字轉語音和語音克隆功能,無需自行訓練整套模型。文章以 Python、JavaScript 和 cURL 範例説明如何選擇聲音、串流輸出音訊及建立自訂聲音,並涵蓋延遲、成本、安全、速率限制與語音克隆同意要求。
作者提出一套語音智能體輪流發言驗收框架,建議在接入真實客戶流程前重播代表性通話,核實中斷處理、取消語音的播放狀態及人工轉接。框架交叉組合四種來電行為與五種環境或任務條件,設計出 20 個測試情境,並附事件紀錄欄位、Python 3 評分工具和發佈決策規則。這些均為設計方案,並非供應商表現的實測結果;若無法確認語音是否已播放,框架建議將播放狀態標記為未知,並確認來電者是否收到關鍵資訊。
Cohere 發佈開源阿拉伯語語音轉文字模型 Cohere Transcribe Arabic,針對方言差異、阿拉伯語與英語混説及專業詞彙進行設計。模型平均 WER 為 25.87,較 OmniASR-LLM-7B 低 2.45 個百分點,較 Whisper Large V3 低 11 個百分點。
GM 正為 OnStar 引入 AI,但確認緊急電話仍由真人接聽,並聯絡急救人員。OnStar AI 是可瞭解車輛及駕駛者情況的語音助手,能回答車輛警示問題、控制部分功能、按惡劣天氣規劃路線,並提供情境化建議。服務將於未來數月透過無線更新率先登陸 2027 Cadillac Lyriq,其他車款之後跟進。
ElevenLabs 和 Python 可用來建立文字轉語音應用程式,透過 API 將文字轉成 MP3 音訊並播放。文章示範非同步合成、語音克隆及遇到 429 Too Many Requests 時的重試處理,並展示如何用 FastAPI 將功能部署為微服務。
Acuity Health 以 LiveKit 建構語音智能體,自動處理醫療機構的預約及保險資格分流等患者服務流程。其智能體完整處理 80% 的來電,大部分預約在 1 分鐘內完成,81% 的預約來電以「謝謝」結束。智能體通常採用 LiveKit Inference 上經最佳化的 Gemma 3 27B,團隊亦在每次更新前使用 LiveKit Simulations 測試智能體表現。
IBM 推出 granite-speech-5.0-2b,並更新 Granite Speech 系列兩款模型。新模型支援多語轉錄與翻譯及最多 2,000 個詞的關鍵詞偏置;granite-speech-5.0-470m-turboctc 達 19,870 RTFx,較推出時約快 1.6x,準確度相同。
面向程式設計師的 AI 降噪麥克風,利用機器學習識別機械鍵盤敲擊、滑鼠移動等聲音,在保留人聲自然音質的同時減少這些噪音。文章指出,這類麥克風通常採用定向收音並以 USB 即插即用,適用於 macOS、Linux 和 Windows。
面向程式開發者的 AI 指向式桌面麥克風主打辨識並消除機械鍵盤聲,透過即時音訊分析及指向收音,減少鍵盤噪音對人聲清晰度的影響。麥克風透過 USB 連接,文中稱可配合 Windows、macOS 和 Linux 使用,適用於視像會議及錄製教學內容。
EarFun Air Pro 4 無線耳機在 Amazon 售價 $53,較原價 $80 減 $27,距歷來最低價只高 $2。CNET 評測給它 8.3/10,並指出無線充電、入耳感應及多點藍牙連接是實用優點;通話表現則不及高階耳機。
微軟發佈 PowerToys 0.102,新增 Mouse Button Lock 和 CursorHide,並為 Command Palette 加入快速存取欄。ZoomIt 新增 Snip with dictation,可在截圖時同步錄入語音描述,並於裝置本地完成轉錄。Advanced Paste、Light Switch、Settings 和 Peek 亦新增命令列工具支援。
PodSnippet Studio 是一款開源音訊改編工具,使用 Gemma 2 9B 和 ElevenLabs,將技術文章轉為 60 秒音訊預告或雙主持對談 Podcast。雙主持內容長 2.5–3.5 分鐘,並支援逐字字幕、音訊波形互動及 MP3 匯出。訂閲方案為 $19 / month(30 episodes),文章列出的毛利率為 88.4%。
Mistral AI 發佈 Voxtral 3 語音模型系列及建基於 LiveKit 的語音 Agent SDK,系列包括 3 款轉錄模型和 1 款 TTS 模型。
Bolo 的 Windows 配套程式透過比對連續兩次的部分轉錄,只刪除變動部分並輸入新文字,避免每次更新都重打全文。程式改用常駐 PowerShell 程序,令每次更新毋須重新啟動程序或編譯 SendInput 輔助程式;遇到 Remote Desktop 則逐字輸入並加入 2 ms 延遲,以維持字元順序。
Dograh 是一個開源、可自行託管的語音 AI 平台,文章説明如何以它作為語音 AI 編排層,構建 AI 轉錄管道。管道涵蓋音訊驗證、語音活動檢測(VAD)、語音轉文字、説話者及時間戳處理、語言處理和逐字稿整理,並可將結構化逐字稿用於摘要和行動項目。
自訂喚醒詞模型可透過自行訓練 openWakeWord,或使用線上/託管平台取得;選擇取決於對訓練控制或快速開始部署實驗的優先考量。部署前應在目標裝置及最終麥克風上測試召回率和每小時誤觸發次數,並確認音訊前處理與模型格式符合運行環境。
文章從開發者角度比較 2026 年建立自訂喚醒詞模型的不同訓練途徑,指出沒有一個平台適合所有語言和裝置。openWakeWord 提供自行管理的開源訓練流程,openwakeword.com 提供託管訓練,microWakeWord 專注 ESP32 和 ESPHome,Voicute 則涵蓋訓練、測試及模型交付。選擇平台時須考慮目標硬件、模型格式和部署限制,並在實際裝置及聲學環境中測試模型。
Apple 首款智能家居中樞 HomeView 主打極簡體驗與 Siri AI,旨在整合家庭設備及日常任務,讓用戶以日常口語發出指令,並由 Siri 理解需求、執行任務和顯示必要資訊。
Vapi於10月8日在三藩市灣包租遊艇,與30多名語音 AI 開發者交流並觀看 Blue Angels 練習。討論指出,GPT Live 的語音對語音方案省去傳統轉錄與合成,可降低延遲、令對話更流暢,但會犧牲對關鍵詞和腳本的細緻控制。企業團隊亦探討平台與自建語音技術堆疊的取捨,以及自然度、感知延遲和多供應商故障切換帶來的維護負擔。
測試 AI 生成語音內容時,應涵蓋正確性、自然度、效能和穩健性,檢查文字吻合度、語調、延遲及邊界輸入。示例以 ElevenLabs TTS API 生成音訊,再用 Whisper 轉錄並比對文字,並以 fuzz testing 測試隨機輸入。GitHub Actions 流程可在每個 PR 執行正確性及延遲檢查。
新聞機構以 AI 生成語音發布突發新聞,透過文字轉語音(TTS)和聲線複製,更快把文字稿轉為音訊並提升無障礙程度。應用包括即時更新、音訊摘要和多語言報道,ElevenLabs API 可將文字合成指定聲線的音訊。使用合成聲音時,應標示內容並取得被複製聲音者的同意。
DentaNote 以本機 Whisper、Ollama 和 Gemma 將牙科診症錄音轉成結構化臨牀紀錄,音訊全程留在本機。30 秒錄音轉成完整紀錄需時 11.2 秒;在 12 個合成案例中,gemma4:e4b 的幻覺率為 11.1%。輸出是供臨牀人員覆核的可修訂草稿,測試並非臨牀研究。
教學示範以 ElevenLabs TTS API 建立多聲線對話生成器,按 JSON 對話稿為不同角色配對聲線,並以 Python 或 Node.js 逐句生成 WAV 音訊檔案,再合併成單一音軌。亦提及可用 ElevenLabs 從短音訊片段複製聲線。