ChatGPT 新增「即時聽寫」功能,語音可同步轉為文字
ChatGPT 新增「即時聽寫」功能,用戶對着麥克風説話時,語音會同步轉成文字,毋須等錄音結束。該功能將陸續向全球所有 ChatGPT 用戶開放,涵蓋網頁版、桌面客戶端及 iOS 和 Android 應用程式;錄音結束後,文字可在輸入框中編輯。OpenAI 亦取消原有 10 分鐘時長限制,並提高轉寫可靠性。
ChatGPT 新增「即時聽寫」功能,用戶對着麥克風説話時,語音會同步轉成文字,毋須等錄音結束。該功能將陸續向全球所有 ChatGPT 用戶開放,涵蓋網頁版、桌面客戶端及 iOS 和 Android 應用程式;錄音結束後,文字可在輸入框中編輯。OpenAI 亦取消原有 10 分鐘時長限制,並提高轉寫可靠性。
OpenAI於2026年11月19日宣佈,ChatGPT正式推出即時聽寫功能,支援網頁版、桌面端及iOS、Android應用。用戶點擊音訊波形即可同步查看語音轉文字結果,無須等待錄音結束;功能亦取消原有10分鐘語音時長限制,並提升轉寫準確率。錄音結束後,文字可直接在輸入框編輯;此前的「錄製模式」仍限Plus、Enterprise等付費用戶測試。
ChatGPT 新增「即時聽寫」功能,用戶説話時語音便會同步轉為文字,無須等錄音結束後再轉寫。功能將陸續向全球所有 ChatGPT 用戶開放,涵蓋網頁版、桌面客戶端及 iOS 和 Android 應用程式;用戶可點擊音訊波形查看轉寫內容,並在錄音結束後於輸入框編輯。OpenAI 同時取消語音聽寫原有的 10 分鐘時長限制,並提高轉寫可靠性。
OpenAI 為 ChatGPT 推出 Live Dictation,讓語音提示詞在用戶説話時即時轉錄,不必等到錄音結束。該功能正向全球所有 ChatGPT 方案推出,涵蓋網頁版、桌面應用程式及 iOS、Android 應用程式。用戶可點按或點擊音訊波形查看即時文字稿,完成後在提示詞方塊編輯;OpenAI 亦宣佈移除語音聽寫 10 分鐘錄音上限,並稱功能會更可靠。
Handy 是 cjpais 開發的免費、可擴展且完全離線的語音轉文字桌面應用程式,定位為 Otter.ai、Wispr Flow 和 Superwhisper 的自建替代方案。它以 Rust 編寫,支援 Windows、macOS 和 Linux,目前版本為 v0.10.1,採用 MIT 授權。
多模態 AI 將線上課堂中的語音、圖像與文本統一識別、理解及生成,讓課堂內容可搜尋、重用和互動,減少教與學之間的資訊損耗。工程實作涵蓋語音轉寫、視覺理解、內容切片,以及字幕翻譯、課堂摘要、課件生成和智能答疑;實時字幕採流式處理、摘要採異步處理、問答採同步處理,並按任務選擇模型規格。
Uspeaks 在 AppleSauce 工作中為法律範本加入明確的範圍政策,按數據集授權和 ML 訓練授權各自提供相關範本,並拒絕超出核准 SKU 範圍的 API 請求。文章指出,聲音授權系統須核對授權是否涵蓋特定聲音、買家、用途、產品、期限及價值交換,不能只記錄同意。
理想汽車宣佈上線菁彩聲 Audio Vivid 車載功能,支持聲音對象精準空間定位與動態渲染。人聲、樂器與環境音可分佈在不同方位和距離,聲源位置會隨內容實時變化。目前,理想車機端的網易雲音樂、汽水音樂及喜馬拉雅均已上線 Audio Vivid 內容。
GPT-SoVITS 語音生成模型可部署於阿里雲函數計算(FC)的 Serverless GPU,將聲音復刻流程搬到雲端。部署指南涵蓋樣本準備、依賴版本與 GPU 規格選擇、訓練和推理參數調整,以及 HTTP 端點封裝和效果驗證。按請求調度 GPU、任務結束後自動縮容,可配合訓練集中、推理零星的負載特點。
阿里雲函數計算部署 GPT-SoVITS 的測試顯示,單次語音生成成本為 0.017 元至 0.045 元,差異主要來自活躍調用與冷啟動,以及文本長度。冷啟動需額外計入實例拉起、鏡像拉取和模型權重載入成本;批量聚合請求可攤薄固定開銷。
文章比較 Android 語音輸入的免費內置功能、免費層級、一次性購買與訂閲方案,並按離線需求、語言和使用量説明選擇因素。Gboard 語音輸入免費,支援 100+ 種語言,亦可下載離線語音套件。價格表列出供應商官方頁面於 16 Nov 2026 核對的美國標價;作者披露自己是 Utterwove 開發者。
併購盡職調查通話選用 AI 轉錄方案,應核實錄音是否獲準、音訊和文字的存放及刪除方式、説話者標記是否準確,以及能否搜尋所有通話並定位原句。Otter 表示會在訓練自家模型前自動去識別用戶數據;Fireflies 則表示預設不會用數據訓練模型,兩者説法均值得向供應商書面確認。
Wispr Flow 於 2026 年 11 月 18 日在 iPhone 推出免費 Notetaker,可透過手機咪高峯錄下實體客戶會談,並生成逐字稿及決策、日期和責任事項摘要。
網易有道公佈2026年第三季度業績,經營利潤為0.3億元,同比增長19.2%;AI訂閲服務銷售額超過1億元,同比增長20%以上。經營利潤已連續九個季度為正;前三季度經營性現金流累計淨流入1.5億元。
海信空調深睡寶 X5 主打卧室新風與睡眠空氣管理,配備 CO₂ 感應器,可在室內二氧化碳濃度超標、空氣質素變差時自動聯動新風系統。產品可使用標準空調孔安裝,提供 65m³/h 新風量,運行噪音低至 16 分貝,並配備雙路微孔柔風技術及 DeepSeek 語音智控。
三星電子與 Google、Gentle Monster 聯合推出的 AI 眼鏡 Intelligent Eyewear,核心款式在韓國、美國及其他市場開啟預售數小時內售罄。眼鏡重約 41 克,內置相機、揚聲器和麥克風,支援即時外語翻譯、目的地導航及複雜會議材料摘要等語音 AI 功能。三星計劃於 12 月 10 日在韓國和美國正式推出,售價按款式配置為 65 萬至 70 萬韓元。
InfoTalk於11月18日推出免費廣東話語音助手熱線 CantoTalk,香港固網或流動電話用戶可直撥2668-7000查詢日常資訊。服務可查詢天氣、飲食、旅遊及生活資訊,毋須下載 App、連接互聯網或登記帳戶。每次通話設有發問次數上限,通話亦會被錄音並可能用於技術研發及優化。
面對雲端 API 帶來的架構負擔、成本及私隱風險,文章主張把適合的 AI 任務改在用戶裝置上處理,減少資料傳輸和伺服器開支。SolveMyMedia 的語音轉文字引擎在用戶裝置上處理敏感音訊,模型完成初次下載後,無須連接互聯網即可運作。文章提及 Transformers.js、WebAssembly 和 WebGPU 等技術。
火山引擎上線豆包 SeedRealtime 1.0 API,支援連續多模態資訊流中的即時音訊及影片互動。火山引擎稱,相較傳統級聯模型,其音訊及影片對話節奏問題減少一半,完整順暢交流的概率亦有提升。開發者可將 API 接入語音助手、智能硬件、即時客服及學習輔助等場景。
微軟在 Ignite 2026 公佈 6 款 AI 模型與服務,涵蓋軟件開發、網絡安全、影像生成、即時語音、醫療轉錄及自動化決策。其中 Code 2 和 Code 2 Flash 主攻程式編碼,Cyber 2 Flash 用於漏洞分析,另有 Realtime 1 即時語音模型及 Image 2.7 Flash 影像模型。
火山引擎全面上線豆包 SeedRealtime 1.0 API,模型以端到端方式整合聲音、畫面、時序與表達,支援邊看、邊聽、邊説的即時互動。相較級聯模型,SeedRealtime 1.0 的音影片對話節奏問題減少一半,並可按畫面變化或任務節點主動提醒和回應。
華為 Mate X8 預熱影片展示升級版小藝慧記及全新虛擬觸控板,分別針對會議記錄和大屏幕單手操作。小藝慧記可透過聲紋識別區分發言人,並具備超遠距離拾音能力;虛擬觸控板則把遠端操作區域映射至手指容易觸及的位置。華為 Mate X8 將於 11月24日發布,更多配置和功能仍待官方公佈。
Qwen-Audio-3.1-Realtime 是端到端全雙工語音大模型,支援文本與音訊輸入輸出、可打斷對話、Function Calling 及聯網搜尋,提供 Flash 和 Plus 兩個版本。
阿里雲對話分析方案以百煉大模型、OSS 和函數計算 FC 串起錄音轉寫、意圖識別、情感分析及質量評估,輸出結構化分析結果。方案支援説話人分離,並以全量分析取代人工抽聽,質檢覆蓋率可達 100%。
通話錄音 API 的合規流程須涵蓋同意、敏感資料遮蓋、存取記錄及按期刪除,而不只是啟停錄音和下載檔案。指南建議使用立體聲分開各方聲道,並按用途設定保留期限,同時顧及行業最低保存期與用途結束後的刪除要求。在可查詢的音訊中,卡片驗證碼不得在授權後保存,即使已加密亦不可。
深圳 APEC 領導人會議週期間,機械人在新聞中心提供飲水和咖啡,AI 耳機協助應對採訪中的語言障礙。11 月 18 日至 19 日,亞太經合組織第三十三次領導人非正式會議在深圳舉行;會場外有機械人演奏揚琴,無人配送車在街區穿行。
CJDARKLORD 開發的 Stream-Subs 是一款在本機運行的 RU→EN 即時字幕工具,透過 VAD、faster-whisper、本機翻譯和 WebSocket 將字幕送至 OBS 疊加層,無需帳戶、雲端服務或按分鐘付費。
作者根據實際使用,整理消費級硬件上本地語音識別、翻譯、TTS 和 LLM 的可行情況與限制,並比較本地部署和 API 的成本及私隱取捨。
海信比較深睡寶X5與智慧風E5系列,分析兩者的卧室空氣管理、風感、能效及智能功能,並按不同使用場景説明產品定位。深睡寶X5主打不擴孔新風與CO₂監測;智慧風E5L側重滑蓋面板及分區控風,E5 Pro的APF值為6.2。文章指出,各款產品適合不同需求,並建議透過官方渠道購買。
吉利銀河公佈首款旗艦大五座 SUV 銀河 M8 的更多車型資訊,新車提供五款車色,將於 2026 年第四季度上市。銀河 M8 長 5205mm、軸距 3030mm,配備全場景 AI Agent 智能體,並搭載 1.5T 發動機與電機組成的插電式混能系統,純電續航 231km/251km。
文章以 Python 建立雙聲道通話錄音與離線分析流程,量度來電者插話後語音智能體持續發聲的時間。在 70 次腳本通話中,50 次應中止的插話均令智能體停止;停車問題的停止時間中位數為 0.78 s,而「mm-hmm」在 10 次通話中均未觸發停止。附近電視新聞聲則在 10 次通話中均被誤認為來電者並中止回覆。
作者把 Pi、Claude Code 等編碼智能體的語音功能整合到單一本地 daemon,統一管理揚聲器、麥克風和 FIFO queue。測試中,兩個程序同時發出通知時,語音會依序播放,第一段由 1.1 s 播至 9.0 s,第二段由 9.0 s 播至 15.8 s。目前僅支援 Windows,專案仍在作者的工作空間內,尚未公開。
香港中文大學(深圳)與微軟研究院提出多模態建模架構 ConvexLLM,以 C-Gate 將音頻表示映射至語言模型凍結文字詞向量的凸包中。ConvexLLM 在 VoiceBench 11 項任務綜合評測中取得 75.36 分,領先同量級開源權重模型。模型在 BBH 得分為 80.40%,較最強基線高 8.80 個百分點。
教學示範如何使用 ElevenLabs API,將文字轉換成語音並串接 MP3,製作有聲書。流程包括把文字分成約 2 000 個字符的段落、呼叫 TTS 端點生成音訊,再用 ffmpeg 合併檔案。ElevenLabs 亦可複製聲音,所需參考音訊最短為 30 秒。
文章概述深度學習文字轉語音(TTS)模型的訓練流程,涵蓋資料集整理、模型架構選擇、訓練、語音克隆、品質評估及部署。文中比較 Tacotron-2、FastSpeech/FastSpeech-2 和 VITS,並指出 VITS 是兼顧品質與速度的選擇之一。語音克隆可透過微調預訓練多説話者模型,使用少量特定説話者語音。
Stretto 與 AWS Generative AI Innovation Center 及 CI&T 合作,使用 Amazon Nova 2 Sonic 在 Amazon Bedrock 上建置 Tara,透過電話進行破產申請資料訪談。
作者兩度調查 AI 旁白與音樂工具後,修正兩項結論:Stable Audio 3 Medium 可在 CPU 上生成音樂,Qwen3-TTS 1.7B 則成為作者的中文本地旁白首選。
濤聲(TaoSheng)是一款開源 Android AI 記憶助手,會在人聲出現時錄音、轉寫及辨識聲紋,再由 AI 整理成待辦、會議紀要和記憶。文章依據 v0.2.17(2026-11-07 發佈)的官方文件與更新日誌,介紹本機 SenseVoice 和雲端轉寫選項、技能卡片及每日回顧;應用要求 Android 10 及以上、arm64。
Rumble-2-Flash 以 Apache 2.0 授權開源,是支援 40+ 種語言的 0.5B 語音辨識模型。在 Open ASR Leaderboard 多語言賽道,它跨 9 種語言的平均錯誤率為 6.96%,優於 Meta 的 omniASR-LLM 7B 和 Whisper large-v3。
推薦理由:文章以多語言辨識榜單及真實客服通話基準比較 Rumble-2-Flash,呈現小型模型在不同語音條件下的錯誤率表現。
AI 語音智能體要在預約前提供準確回答,須先辨認來電者、從企業自有知識庫取得設備資訊,並連接排程系統完成預約。Aura 是內置於 SIPSTACK 的 AI 語音智能體,可透過 HTTP 操作企業工具,並由電話平台處理轉接及通話記錄。