SlowTalk:留在朋友手提電腦上的耐心語言導師
SlowTalk 是為朋友打造的本機語言練習工具,透過 Ollama 運行 Gemma 3 (4B),對話文字和語音均留在手提電腦,不需帳戶或 API key。它提供語音輸入、慢速朗讀及修正提示;首次下載模型需連接互聯網,完成設定後可離線使用。作者指出,4B 模型可能漏掉錯誤,或提出不自然的修正。
SlowTalk 是為朋友打造的本機語言練習工具,透過 Ollama 運行 Gemma 3 (4B),對話文字和語音均留在手提電腦,不需帳戶或 API key。它提供語音輸入、慢速朗讀及修正提示;首次下載模型需連接互聯網,完成設定後可離線使用。作者指出,4B 模型可能漏掉錯誤,或提出不自然的修正。
LedgerMind AI 是一個仍在開發中的商業紀錄平台,將小型商戶的語音備忘轉成結構化紀錄,並生成報告。Gemma 負責起草紀錄,店主審核確認後才會儲存;所有數字均由後端按已儲存紀錄計算,AI 只撰寫文字摘要。餐廳和超市的功能已端到端測試,但其他行業支援仍不完整,Gemma 服務亦曾出現錯誤及逾時。
作者測試 NVIDIA 的 nemo-nano-codec-22khz-1.78kbps-12.5fps 對印地語語音的影響,首輪 20 段 FLEURS hi_in 錄音的 WER 由 8.74% 升至 14.68%,超出 5 點門檻,兩段低音量錄音的錯誤率大幅增加。
ElevenLabs 在面向初創企業的語音 AI 平台比較中,以較低成本和較高語音質素脱穎而出。文中列出的付費價格為每分鐘 $0.005,主觀質素評分為 9.5/10,平均延遲約 80 ms,並支援語音複製。指南按不同情境建議平台,包括原型開發、多語言、企業級 SLA,以及高保真度、低延遲和語音複製需求。
作者以 TabPFN-v2 和 Gemma 4 開發開源工具 AudioBite,將語音訊息及音檔整理成執行摘要與附時間戳的行動事項。TabPFN-v2 分析 88 段語音紀錄中的 9 項表格特徵,評估訊噪純度、範圍風險及可計費工時。AudioBite 支援 Telegram 轉發、瀏覽器錄音及音檔上載,採用 Apache 2.0 授權。
指南示範在 Electron 桌面應用程式中整合 ElevenLabs REST API,將文字合成語音並在應用程式播放。實作把 API 呼叫及金鑰保留在主程序,透過 contextBridge 和 IPC 讓 renderer 發出合成請求,並將音訊寫入暫存檔。指南列出 Node ≥ 14、Electron ≥ 22 的要求,並示範以 curl 測試 API。
這份 Voice AI 指南梳理 WAV、MP3、OGG、Opus、FLAC 等格式,以及取樣率、位元深度和編碼格式對音質的影響。指南以 ElevenLabs 示範透過 API 請求 48 kHz、24-bit PCM 音訊,再轉為約 64 kbps 的 Opus,並提出串流、儲存及裝置測試等建議。
開源 Python 工具 Newsletter to Podcast 可將電子報和網誌轉成 Podcast RSS feed,並產生全文朗讀或語音摘要。全文朗讀使用 Edge TTS,毋須 API key;摘要使用 Gemini,需自行提供 API key。
Van-to-Quote 是一款本地應用程式,可將技工口述的工作記錄轉成包含項目、數量、人工及 VAT 的 PDF 報價單。faster-whisper 負責轉錄,Qwen2.5 3B 在本地抽取資料,價格及計算則由用戶的價目表和程式碼決定,模型不會設定價格。下載模型後,整個流程可離線執行,客戶姓名、地址及價格不會離開筆記簿電腦。
開發者常忽略的 8 項語音 AI 功能包括即時聲音轉換、説話者驗證、情境感知語音合成、自適應取樣、多語言支援、設有倫理保障的聲音複製及裝置端推理。ElevenLabs 的 API 整合這些功能,並提供 Python、JavaScript 及原生流動平台 SDK。
Parakeet-TDT-0.6B-v2-English-Hebrew-Codeswitching 微調版推出,可將英語與希伯來語混用語音中的希伯來語詞彙,以拉丁字母正確轉寫。公開基準測得其希伯來語詞彙召回率為 65.7%,WER 為 4.2%;兩項指標均優於原版 Parakeet。模型提供 .nemo、GGUF、ONNX 和 sherpa-onnx 格式,並可在 Android 手機離線運行。
ElevenLabs 與 OpenAI TTS 的比較指出,前者在聲音複製、聲線風格控制及免費額度方面較適合有相關需求的開發者,OpenAI 則適合快速製作原型。
LiveKit 的指南整理了打造可投入生產環境的 AI 語音智能體的方法,涵蓋對話品質、生產觀測,以及可靠且具成本效益的擴展。指南建議獨立量度首輪回應延遲、妥善處理輪替與打斷,並測試背景噪音、語言及口音等情境。上線前亦應釐清錄音與個人資料要求、訂定可量度的成效指標,並為模型及後端準備備援和容量設定。
d3kOS 是船隻的伴隨系統,可整合現有航海電子設備,提供引擎監測、語音控制及天氣記錄。系統透過 NMEA2000 連接設備,AI 可在離線時於本機運行,並每 30 分鐘自動記錄天氣狀況。
OpenAI 提供兩種 WebSocket API 模式:Responses API 用於工具呼叫密集的智能體工作流程,Realtime API 用於低延遲語音應用。Responses API 在 20+ 次工具呼叫時,端到端速度最高比 HTTP 快 40%。Realtime API 支援音訊串流和用戶打斷,延遲低於 500ms。
Otter.ai 透過 OtterPilot 根據連結日曆中的會議資訊,自動加入 Zoom、Google Meet 或 Microsoft Teams,並即時轉錄對話、生成摘要和待辦事項。
SpaceX 宣佈新 Grok Voice 模型,並表示 Starlink 客服中心每日以 AI 接聽 20,000 通來電。約 70% 的來電無需人工即可解決;智能體可核實客戶身份、排查 Starlink 硬件問題、發放額度及寄送替換設備,並支援多種語言。
ElevenLabs 聯合創辦人 Mateusz “Mati” Staniszewski 認為,企業應準備迎接客戶愈來愈多以語音而非文字與 AI 智能體互動的情況。
天翼智屏完成多維度升級,螢幕升級至10英寸,並優化長者使用體驗。新屏支援18種方言,配備護眼模式及供電轉接口;健康智能體提供症狀自查、線上問醫、體檢報告解讀和一拍識藥。智能血壓計數據同步至智屏,異常時可即時預警並分享給家人。
教程示範使用 ElevenLabs 和 Node.js 建立 AI 語音助理:Express 接收文字,並將生成的 MP3 音訊串流回傳。用戶亦可上傳約 30 秒錄音建立克隆聲線;語音克隆屬付費功能,API key 應保留在伺服器端。
上汽榮威家越 07 預售小訂突破 40000 台,並將於 10 月 23 日正式上市。車款共推出三個版本,預售價由 13.78 萬元起,搭載豆包座艙助手,以及由 Momenta R7 世界模型和新芯航圖 XHEART X7 大模型專用芯片組成的軟硬一體方案。其 CLTC 純電續航為 320km,綜合續航為 1480km,並支援 30%-80% 最快 15 分鐘快充。
作者先後創辦美國的 RamTech Solutions LLC 和印度的 TenTwo Technologies,從口吃研究延伸至跨國創業。其 FluentLoop 項目把論文研究帶到瀏覽器,讓口吃者練習真實對話、獲取 AI 回饋並追蹤進度,毋須特別硬件。研究成果曾發表於 IEEE SeGAH 並獲最佳海報獎,也曾兩度提交至 ASHA。
10月15日,亞馬遜旗下 Bee 在海外推出 Bee Frontier 和 Bee Eclipse 兩款 AI 錄音硬件,售價分別為 74.99 美元和 99.99 美元。
亞馬遜旗下 Bee 推出兩款 AI 錄音產品 Bee Frontier 和 Bee Eclipse,售價分別為 74.99 美元及 99.99 美元起。Frontier 可佩戴或夾在衣物上,續航 7 天;Eclipse 以磁吸方式貼在手機背面,續航超過 21 天。
教學示範如何把語音 AI 整合到 Shopify 商店,串接語音輸入與合成語音播放。流程涵蓋 ElevenLabs API 的文字轉語音(TTS)和聲音複製、語音轉文字(STT),並透過 Shopify API 取得商品資料。教學亦示範把 GPT-4、Claude 或 Rasa 等對話式 AI 平台接入語音聊天機械人。
TTS 應用程式可透過長篇文字分段、清理特殊字元及處理 ElevenLabs API 的 429 錯誤,應對常見邊緣情況。重試範例最多執行 5 次,每次將等待時間加倍;測試樣本涵蓋多語言、表情符號和複雜標點。語音複製可用 SSML 發音指引、以小型數據集微調,或讓問題片段改用通用語音。
GhostRunner 是一款開源、以本機運作為先的生成式音訊引擎,會沿真實街道規劃路線、辨認 OpenStreetMap 地標,並預先編寫及配音,讓跑步或步行時的驚悚故事配合所在位置播放。它在運行期間不進行模型推理,並可在配備 4 GB GPU 的手提電腦上運作。作者尚未進行付費試點或驗證定價;目前已儲存的任務只能在作者自己的機器上重播。
Granite Switch 4.1 發佈 8B 和 30B 模型,讓對話、通用及專項決策與語音轉文字可透過同一個託管端點處理。兩款模型整合 Decision aLoRA、Guardian aLoRA 和 Granite-Speech-5.0-Turbo-CTC,合併後佔用的 GPU VRAM 約與基礎模型單獨運行相若,且可重用基礎模型生成的 KV cache。
推薦理由:文章呈現以 aLoRA 組合通用及專項決策與語音辨識的方法,並交代共用 KV cache 如何使多項能力維持接近基礎模型的 GPU VRAM 佔用。
IBM 發佈 Granite Switch 4.1 的 8B 和 30B 模型,把基礎模型、通用決策適配器、安全適配器及嵌入式語音轉文字編碼器整合至單一託管端點。IBM 稱這些組件與基礎模型合用時,GPU 記憶體用量約與單獨使用基礎模型相同。兩款模型採 Apache 2.0 授權,模型卡列出 Hugging Face Transformers 和 vLLM 後端,以及 128K 上下文窗口。
Simon Willison 用 Claude Opus 5.5 Extra in Claude Code 製作 Chirp Pong,測試兩部手機能否透過麥克風收發聲訊傳送遊戲狀態。這個以靜態 HTML 運行的 Pong 類雙人遊戲實驗可行,並加入圖像及玩法變化。
Suno Speech beta 於 2026 年 10 月 1 日推出,可將文字生成為同一音軌中的語音與原創配樂,但專屬點數成本及語言支援等資料尚未公佈。OpenAI tts-1 的價格為 $15 per 1M characters;ElevenLabs Pro 為 $99 per month,含 600,000 credits。
Bland 首席資訊總監 Juan E. Riojas 在訪談中解釋,公司選擇自行託管語音 AI 技術堆疊,以控制延遲、資料私隱及可靠性。平台涵蓋 ASR、LLM 推理和 TTS,並透過統一運行環境減少第三方 API 依賴。此方案需投入 GPU 基建,並自行處理模型訓練、評估和維護,以及即時串流同步和高併發 GPU 調度。
文章比較多款面向多語言應用程式的 AI 語音 API,並重點介紹 ElevenLabs。ElevenLabs 支援 30+ 種語言,提供每月 60 分鐘免費合成額度,付費方案由 $10/月(10 小時)起。
Inception Labs 宣佈 Mercury Voice 已向企業客戶開放;這款採用擴散模型的大語言模型(dLLM)面向語音智能體,能推理及調用工具,在真實客服提示詞測試中產生首個答案 token 的中位延遲低於 320 毫秒。
Lovable 將 GPT-Live、Claude 模型、Gemini 4 Argon、Gemini Omni、Lyria、Perplexity、Firecrawl、Parallel 及 Jev 等模型與工具接入平台,讓用戶在 Lovable 內建立 AI 應用。
雷蛇推出梭魚 V2 專業版(Barracuda V2 Pro)無線遊戲耳機,美國售價 199.99 美元。耳機重 285g,可摺疊平放;ANC 關閉時續航可達 70 小時,開啟後約 50 小時。產品支援 2.4GHz 及藍牙 6.0 雙模連接,配備可拆卸吊桿與內置波束成形麥克風;中國內地版本預計近期公佈。
Amazon 重推 Bee,推出 Bee Frontier 腕帶及 Bee Eclipse 手機配件,兩者可錄音並整理每日內容;Bee Pro 月費為 $11.99。
Canonical 正式發佈 Ubuntu 26.10,搭載 GNOME 51 和 Linux 7.3,並完成 Rust 核心工具遷移。預設命令列工具已 100% 使用基於 Rust 的 uutils 實作,cp、mv 和 rm 亦完成切換。此版本支援 9 個月,至 2027 年 7 月。
OPPO 上架 Enco Air4s 真無線降噪耳機,首發到手價 179 元,支援 32dB ANC 主動降噪,續航最長 43 小時。耳機配備 12.4mm 動圈單元、IP55 防塵防水及雙麥 AI 通話降噪,充電 10 分鐘可聽歌 4 小時。產品亦支援通透模式及同時連接兩台設備。
Canonical於2026年10月15日正式發布Ubuntu 26.10,將全部核心命令列工具遷移至Rust版uutils。這個非LTS過渡版本支援9個月,至2027年7月,並採用GNOME 51及Linux 7.3-rc6核心。版本亦新增RISC-V桌面映像及Snap/DEB統一應用管理,並加入OpenSSL 4和本地語音轉寫工具Myna預覽版。