跳到正文
10月21日週三
  1. DEV Community32

    廣告中的語音 AI:製作動態音訊廣告

    語音 AI 可透過 ElevenLabs API,按受眾情境即時生成可替換產品名稱、價格及促銷內容的動態音訊廣告。流程包括程式化撰寫文案、選擇或克隆聲線、TTS 合成及接入廣告伺服器或播放平台;文中並提供按客羣生成個人化音檔的 Python 範例。為減少即時合成延遲,文章建議預先生成常見版本並以 CDN 快取。

  2. DEV Community50

    Pocket TTS 卡斯蒂利亞西班牙語微調:在 step 600 停止訓練,並以聽感判斷口音

    團隊以約 2,000 段卡斯蒂利亞語音微調 Kyutai 的 Pocket TTS 西班牙語 24 層模型,並確認 step 600 是較佳檢查點。驗證損失由 step 600 的 0.4951 升至 step 1500 的 0.5095,完整句測試由 6 of 6 降至 3 of 6,輸出亦開始漏詞和增詞。Qwen3-ASR 可檢查文字錯漏,但無法判斷 seseo 是否已修正,因此仍須聆聽口音。

  3. The Decoder70

    Mistral AI 推出 Voxtral 3 即時語音智能體技術堆疊

    Mistral AI 推出 Voxtral 3,即時語音智能體語言模型系列,將語音轉文字、文字轉語音、推理及工具調用整合至單一串流流程。系統包括 Voxtral Small Transcribe 3、Voxtral Mini TTS 3 和基於 LiveKit 的語音智能體 SDK;轉錄支援超過 50 種語言,語音合成支援超過 35 種語言及 50 種方言,並可作情緒調節。

  4. DEV Community41

    GentleBrief:以開放權重 AI 製作每日音訊摘要,減少無止境刷屏

    GentleBrief 是一款以開放權重模型整理指定新聞來源、生成每日音訊簡報的 Next.js 應用程式。它透過 Browserbase 雲端瀏覽器擷取文章,交由 Groq 上的 Llama 3 或 Gemma 提煉重點,再以 ElevenLabs 合成語音。每段音訊長 60 至 90 秒,概括三個要點;作者估計每天可減少約 25 分鐘的螢幕疲勞。

  5. Hacker News:AI 熱帖19

    Voxtral 3

    Hacker News 的 AI 熱帖收錄 Voxtral 3,連結指向 mistral.ai;貼文由 ilreb 提交,獲 11 分。

10月20日週二
  1. IT之家43

    三星公佈旗下首款耳夾式耳機 Galaxy Buds On 細節:TwinBoost 揚聲器系統、三麥克風設計

    三星公佈旗下首款耳夾式耳機 Galaxy Buds On 的細節,產品配備 TwinBoost 揚聲器系統及三個麥克風。耳機將於 10 月 27 日在韓國率先上市,僅提供黑色,售價 299,000 韓元。連接支援 Galaxy AI 的手機或平板電腦後,可用語音指令啟動 Gemini Live,亦支援頭部手勢操作及 Quick Voice Memo 快速語音備忘錄。

  2. The Elec43

    Samsung 將於 10 月 27 日在南韓推出首款夾耳式 Galaxy Buds On 耳機

    Samsung 將於 10 月 27 日在南韓推出 Galaxy Buds On,這是 Galaxy Buds 系列首款夾耳式無線耳機。開放式設計不遮擋耳道,並以基於 4D 運算的 AI 優化技術適配不同耳形;TwinBoost 揚聲器配備兩個相同低音單元。連接支援 Galaxy AI 的手機或平板後,用戶可用語音指令啟動 Gemini Live,亦可點頭接聽來電或搖頭關閉鬧鐘。

  3. DEV Community39

    Voq:把網頁內容轉成自然 AI 語音的 Chrome 擴充功能

    Voq 是一款輕量 Chrome 擴充功能,可把網頁文字轉成自然 AI 語音,並以逐字高亮和分段功能方便聆聽。它支援 34 種語言及自動語言偵測,適用於 ChatGPT、Claude、Gemini、Perplexity、論壇、長篇文章和文件。無須帳戶或電郵,不設分析、追蹤或廣告;自然語音每日限額內免費,另有可取消限額的創始會員方案。

  4. DoNews38

    語音優先 AI 伴侶 Tolan 獲 3,000 萬美元戰略投資

    Tolan於2026年10月宣佈獲得3,000萬美元戰略投資,由Homebrew、Khosla Ventures及Union Square Ventures聯合領投。這款非戀愛向語音 AI 伴侶以柏拉圖式情感陪伴為定位,採用可自訂外星虛擬形象、語音優先互動及自研長期記憶系統,支援個人化記憶、主動對話、待辦管理和情緒支援。融資將用於技術研發及全球用戶增長。

  5. IT之家40

    Mangoslab Nemonic Dot 點字打印機獲《時代》雜誌「2026 年最佳發明獎」,預計今年第四季公開發售

    Mangoslab 旗下 Nemonic Dot 點字打印機獲《時代》雜誌「2026 年最佳發明獎」,預計於今年第四季向公眾發售。內置 AI 系統支援超過 100 種輸入語言,可把語音或文字轉成凸起點陣,印在寬 12 毫米的塑膠或金屬標籤上;盲文凸點高 0.6 毫米,符合 ADA 等相關法規要求。

  6. DEV Community47

    Perch 的 70 段錄音藥名盲測

    Perch 以 70 段合成語音片段,盲測自家獸醫 AI 記錄工具與一款已在臨牀使用的商業同類產品,檢查漏記及憑空記錄藥名的情況,並公開雙方失誤。商業工具曾把不存在的 Roflexacin 列入病歷;這是共同測試集,並非任何一方的準確率聲明。

  7. DoNews59

    螞蟻百靈開源 Ming-3.0 語音系列模型

    螞蟻百靈開源 Ming-3.0 語音系列,共提供五款模型,涵蓋語音合成、音訊理解與對話,以及語音識別。Ming-3.0-tts 的 Voice Design 可用文字描述目標音色,或透過參考音訊設定音色;導演模式則可描述台詞的表演方式、情緒變化、重讀詞及節奏。

  8. DEV Community55

    Kikanai 用本地 Gemma 摘要語音訊息,讓用戶免於逐段收聽

    Mauricio Andrade 建立 Kikanai,讓用戶在本機以 whisper.cpp 轉錄語音訊息,再交由 Ollama 上的 Gemma 4 摘要;音訊、轉錄和摘要都不會離開電腦。摘要最多兩行,突出待辦事項與時間,並判斷是否需要回覆。作者以四則總長 1m 49s 的語音訊息測試,調校後總處理時間由 97 s 降至 46 s,閲讀摘要需 25 s,省下 1m 24s 收聽時間。

  9. 第一財經54

    螞蟻百靈開源Ming-3.0語音系列模型

    螞蟻百靈開源 Ming-3.0 語音系列,面向聲音創作、長語音分析及業務語音轉寫三類任務,提供共五款模型。系列包括語音合成、音訊理解與對話、語音識別三類模型,開發者可按任務選擇,或組合不同能力加入自己的工作流程。

  10. IT之家62

    螞蟻百靈開源 Ming-3.0 語音系列模型,涵蓋語音合成、音訊理解與對話及語音識別

    螞蟻百靈開源 Ming-3.0 語音系列,涵蓋語音合成、音訊理解與對話、語音識別三類任務,共提供五款模型。Ming-3.0-tts 的 Voice Design 支援以文字描述或參考音訊設定音色,導演模式可描述情緒變化、重讀詞及節奏;Ming-3.0-audio-flash / tiny 可轉寫、總結及分析長音訊的觀點,並輸出結構化內容。

  11. DEV Community50

    A PDF-to-audiobook checklist for developer documentation

    這份開發者文件 PDF 轉有聲書檢查清單聚焦文字抽取、章節審閲與音訊生成前的準備,提醒保留精確指令作書面配套。Play HT 可匯入文件並在生成音訊前審閲章節;匯入和審閲不消耗生成點數,生成則需要有效訂閲及點數。Basic 品質的 50,000 個字元起價為 500 點數。

  12. DEV Community25

    SubScribe Field OS 架構拆解:面向建築工地文書的本地優先語音作業系統

    SubScribe Field OS 以本地優先、完全在裝置端運作的語音架構處理建築工地文書,並將整體記憶體控制在 8 GB 內。音訊管線以 240 KB 硬上限防止突發資料超出預算,SQLite 寫入佇列則採用 2 秒逾時的背壓機制。量化 ONNX 語音轉文字模型在工作程序內載入,避免模型在主程序和工作程序重複佔用記憶體。

  13. IT之家66

    日本演員協會發布生成式 AI 語音使用準則,野澤雅子怒斥未經授權使用其聲音

    日本演員協會(JAU)上週發布首版生成式 AI 使用準則,要求複刻演員聲音的任何用途都須在流程每一步取得當事人同意。AI 企業如要將演員聲音用於訓練,須取得表演者許可;經授權生成的語音則視作一類表演,企業須支付報酬或版税。《龍珠》孫悟空配音員野澤雅子稱,未經許可使用其聲音「和盜竊沒有區別」,並指她聽過的 AI 複刻聲音「沒有情感」。

  14. DEV Community40

    如何建立互動式音訊故事生成器

    教學示範如何建立互動式音訊故事生成器,將用戶提示詞轉成由角色配音的故事音訊。流程以 OpenAI 的 gpt-4o-mini 生成帶説話者標籤的劇本,再由 ElevenLabs 合成每句 MP3,並透過 Python Flask 後端及 JavaScript 前端播放。ElevenLabs 的語音複製功能可為角色建立自訂聲線。

  15. HuggingFace Daily Papers(社區熱門論文)34

    Qwen-Audio-3.1-ASR 技術報告

    Qwen-Audio-3.1-ASR 模型系列在 Qwen-Audio-3.0-ASR 基礎上提升語音識別能力,並擴展説話人分段轉錄及通用音訊理解。系列支援 30 種語言和 16 種中文方言,提供適用於非同步檔案轉錄、低延遲串流、互動式語音輸入及非串流識別的不同版本。部分版本支援説話人分段轉錄和通用音訊理解,包括音訊問答、聲音事件檢測及音樂描述。

  16. HuggingFace Daily Papers(社區熱門論文)41

    StyleStream 2.0:快速、可控的串流語音風格轉換

    StyleStream 2.0 以少步 MeanFlow 模型降低串流語音轉換延遲,並透過統一的 flow matching 模型支援文字語音設計及指令式語音編輯。系統在消費級 GPU 上的端到端延遲為 520 ms,速度較 StyleStream 1.0 快 2 倍,同時維持轉換品質。評測顯示,其目標風格保真度表現突出,在可懂度及非編輯屬性保留方面亦具競爭力。

  17. DEV Community26

    如何使用 ElevenLabs 構建語音驅動的無障礙工具

    這份開發教學示範如何結合 ElevenLabs、語音辨識及聲音複製,構建語音無障礙工具。Python 流程以 Google Web Speech API 將麥克風輸入轉成文字,再由 ElevenLabs 合成複製聲音並播放。內容亦涵蓋網頁整合,以及背景噪音、延遲和 API 速率限制的處理方法。

  18. TNW51

    Monday.com 推出 Harmony 銷售語音 AI 平台

    Monday.com 推出 Harmony 語音 AI 平台,負責致電銷售潛在客戶、篩選名單並跟進,再把合適客戶轉交真人銷售代表。平台採用多個以真實客戶通話訓練、各自處理特定任務的小型 AI 模型,Monday.com 稱回應時間約為 200 毫秒。目前平台在美國、英國、澳洲及新加坡提供,並可將通話紀錄寫入 Salesforce 和 HubSpot 等 CRM 系統。

  19. AWS Machine Learning Blog49

    Deepgram 如何藉助 AWS Trainium 大規模優化語音 AI

    Deepgram 與 AWS 把 Nova-3 語音轉文字模型移植並調校至 AWS Trainium2,以提升離線批次推理效率。單一 Amazon EC2 trn2.3xlarge 執行個體配置八個模型副本後,每美元可處理的音訊量較 Deepgram 原有運算方案增加 11–70%。這項成果有助 Deepgram 更有效率地擴展服務,並以較低價格向客戶提供模型。

  20. Google Developers Blog67

    Google ADK 逐步教學:建立不因工具呼叫而停頓的語音智能體

    Google Developers Blog 提供以 ADK 和 gemini-3.8-live 建立非阻塞語音智能體的逐步教學。在銷售報告基準測試中,改用串流工具後,智能體首次發聲時間由 14.4 秒縮短至 1.2 秒。文章亦説明如何按工作流程選擇串流或背景執行,並設定結果在空閒時、立即中斷或靜默加入對話。

10月19日週一
  1. DEV Community32

    聲音授權必須保持最新狀態

    聲音授權系統不應把曾經有效的許可視為永久授權,而須在合成語音生成、交付或續期前核對擬議用途是否仍符合現行授權。檢查應涵蓋買方、用途、渠道、地區、期限、補償規則及撤銷狀態,並記錄政策版本、權利依據和準許或拒絕的原因。資料無法核實時,平台應拒絕使用;新交付、續期、地區或生成方式改變亦須重新判斷。