跳到正文
10月17日週六
  1. DEV Community43

    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。

  2. DEV Community32

    LedgerMind AI:將小型商戶的語音備忘轉化為可信紀錄

    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。

  3. DEV Community26

    初創企業語音 AI 平台:成本與質素比較

    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。

  4. DEV Community45

    從 $0 到首筆 $10:我如何用 TabPFN 和 Gemma 4 打造 AudioBite,終結語音訊息混亂成本

    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。

  5. DEV Community30

    在 Electron 桌面應用程式中使用 ElevenLabs

    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。

  6. DEV Community30

    瞭解 Voice AI 音訊格式與品質設定

    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。

  7. DEV Community37

    Van-to-Quote:將口述工作記錄轉成定價 PDF 報價單的本地應用程式

    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。

  8. DEV Community15

    開發者最常忽略的 8 項語音 AI 功能

    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。

  9. DEV Community49

    Parakeet that knows what a makolet is: an English-Hebrew code-switching fine-tune

    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。

  10. LiveKit 產品與工程博客65

    LiveKit 指南:如何打造可投入生產環境的 AI 語音智能體

    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。

10月16日週五
  1. DEV Community36

    如何使用 OpenAI WebSocket API 模式?

    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。

  2. IT之家32

    上汽榮威家越 07 宣佈 10 月 23 日上市,預售小訂突破 4 萬台

    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。

  3. DEV Community19

    From a Thesis on Stuttering to Companies on Two Continents

    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。

  4. DEV Community25

    Shopify 商店如何整合語音 AI

    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。

  5. DEV Community35

    如何處理 TTS 應用程式中的邊緣情況

    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。

  6. DEV Community40

    GhostRunner: Turning Every Street into a Story

    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。

  7. Hugging Face Blog60

    Granite Switch 4.1 推出 8B、30B 版本,單一端點整合對話、決策與語音轉文字

    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。

  8. Unite.AI65

    IBM 發佈 Granite Switch 4.1 模組化模型,提供 8B 和 30B 版本

    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。

  9. Unite.AI34

    Bland 首席資訊總監 Juan E. Riojas 訪談系列

    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。

10月15日週四