跳到正文
11月20日週五
  1. 新浪科技59

    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。

11月19日週四
  1. DoNews65

    ChatGPT 上線即時聽寫功能,取消10分鐘語音時長限制

    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。

  2. IT之家64

    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。

  3. The Verge · AI65

    ChatGPT 推出 Live Dictation,支援邊説邊轉錄

    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。

  4. 阿里雲開發者社區 AI32

    多模態資訊處理技術落地:AI 識別與內容生成如何提升線上課堂體驗

    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。

  5. DEV Community33

    聲音授權必須符合其授權的產品

    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。

  6. 阿里雲開發者社區 AI34

    少量樣本復刻聲音:GPT-SoVITS 語音生成模型在函數計算上的部署指南

    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。

  7. DEV Community55

    2026 年 Android 語音輸入免訂閲選項與價格指南

    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。

  8. DEV Community44

    併購盡職調查通話的 AI 轉錄:應留意甚麼(2026)

    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。

  9. 新浪科技51

    三星 AI 眼鏡 Intelligent Eyewear 核心款式預售數小時售罄,12 月 10 日上市

    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。

  10. ezone · IT Times AI 應用58

    InfoTalk推出免費廣東話 AI 熱線 CantoTalk,直撥 2668-7000 查詢日常資訊

    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。

  11. DEV Community43

    從「AI 熱潮」到「雲端 API 後悔」:為何應採用用戶端運算

    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。

  12. 雷鋒網27

    華為 Mate X8 官宣小藝慧記與虛擬觸控板兩大功能,生產力再進階

    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。

  13. DEV Community57

    通話錄音 API 實作指南:立體聲、同意、資料遮蓋與保留期限

    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。

  14. 新浪科技21

    海信深睡寶X5與智慧風E5系列卧室空調深度評測

    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。

  15. DEV Community70

    Python 教學:從立體聲通話錄音量度語音智能體的插話停止時間

    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。

  16. DEV Community45

    為所有編碼智能體共用一個語音服務

    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。

  17. 新浪科技48

    香港中文大學(深圳)與微軟研究院提出 ConvexLLM,讓聲音接入大語言模型的知識與推理能力

    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。

  18. DEV Community49

    如何使用 ElevenLabs API 建立有聲書生成器

    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。

  19. DEV Community31

    AI 語音模型如何訓練:技術概覽

    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。

11月18日週三
  1. 阿里雲開發者社區 AI59

    濤聲 TaoSheng 實測:開源 Android 應用由人聲觸發錄音,並轉寫、辨識聲紋及整理待辦

    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。

  2. Hugging Face Blog67

    Rumble-2-Flash 開源,支援 40+ 種語言的 0.5B 語音辨識模型

    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。

  3. DEV Community32

    AI 語音智能體在預約前需要回答甚麼

    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。