跳到正文
2025年10月21日週二
  1. Sequoia Capital:Stories52

    紅杉資本與 Sesame 合作,並共同領投其 Series B 融資

    紅杉資本與 Sesame 合作,並共同領投其 Series B 融資;Sesame 正開發以語音為先的 AI,並打造可日常佩戴的 AI 眼鏡。其 2 月分享的早期示範以 Maya 和 Miles 兩個角色呈現,最初幾週吸引超過 100 萬人互動,累計對話超過 500 萬分鐘。Sesame 的對話層直接生成語音,呈現自然對話的節奏、情感與表達力,而非只將 LLM 輸出轉成音訊。

2025年10月20日週一
  1. Gemini API:更新日誌31

    October 20, 2025

    Gemini Live API 的 gemini-2.5-flash-preview-native-audio-dialog 和 gemini-2.5-flash-exp-native-audio-thinking-dialog 已停止服務,用戶可改用 gemini-2.5-flash-native-audio-preview-09-2025。

2025年9月27日週六
  1. AiX Society · 原創觀點46

    AI 如何推動 KFC、Pizza Hut 與 Yum! Brands 邁向未來:Byte by Yum 案例研究

    Yum! Brands 透過 Byte by Yum 整合旗下品牌的營運工具,推動全球餐廳的數碼化及 AI 應用。平台於 2025 年推出,現已在全球超過 25,000 間餐廳上線,並處理超過 300 million 張數碼訂單。Taco Bell 會員活躍度按年上升 30%,部分得來速地點使用的語音點餐系統則據初步數據可縮短約 10-20% 等候時間。

2025年9月23日週二
2025年9月18日週四
  1. CPII 博智感知交互研究中心 · AI 研究及應用38

    InnoHK博智感知交互研究中心助力 2025 年《施政報告》: 推動人工智能驅動的廣播新模式

    InnoHK 博智感知交互研究中心與香港電台合作,在 2025 年《施政報告》直播中使用 CPII會議摘要助理,透過即時轉錄、翻譯及滾動摘要支援廣播。系統支援廣東話、英語及普通話即時轉錄,並可把粵語轉錄內容翻譯成英文。最新版本以修正後的完整句子生成摘要,並調整摘要長度以兼顧準確性與可讀性。

2025年9月9日週二
  1. AiX Society · 原創觀點29

    AI 重塑娛樂產業:虛擬歌手如何改寫音樂與電影的未來?

    虛擬歌手正由小眾文化走向主流,為東南亞結合音樂、電影與本地文化創作帶來新機會。由中國工程師創作的虛擬歌手 Yuri 結合 Suno、Gemini 及智譜 AI 的 DreamOmniHuman,全球巡演吸引超過 700,000 名粉絲。文章亦指出,AI 複製聲音與外貌引發版權及數碼身份權利問題,馬來西亞需為相關規管作準備。

  2. AiX Society · 原創觀點30

    AI 如何重塑娛樂業:虛擬歌手如何改寫音樂與電影的未來?

    AI 虛擬歌手已由小眾文化走向主流,文章指出東南亞可結合多語言和本地文化,發展文化創新。Yuri 由中國工程師創作,結合 Suno、Gemini 和智譜 AI 的 DreamOmniHuman,並在全球巡演中吸引超過 700,000 名粉絲。文章亦討論 AI 創作工具在音樂、電影及品牌內容的應用,以及聲音和肖像權帶來的法律挑戰。

2025年8月25日週一
  1. 通義 QwenAudio:原創語音項目44

    QwenAudio/CV3-Eval

    Cosyvoice 3 發佈 CV3-Eval,作為面向真實場景零樣本語音合成的評測基準。數據集採用 Common Voice、FLUERS、EmoBox 及網絡爬取的真實語音,涵蓋多種語言、方言、領域、環境、情緒和風格。評測包括客觀與主觀子集,並衡量內容一致性、説話者相似度及音質。

2025年7月21日週一
  1. OpenAI Developers61

    OpenAI 語音應用入門:三種語音智能體架構的選擇與評估

    OpenAI 語音應用指南介紹三種語音智能體架構:GPT-Live 搭配獨立後端、Realtime API 在單一會話中處理語音、推理與工具使用,以及可逐階段檢視或替換元件的串接式語音管線。指南列出任務與工具結果、對話時序、語音與語言、會話可靠性等評估面向,並建議以 Crawl、Walk、Run 逐步增加測試複雜度。

  2. OpenAI Developers61

    OpenAI Realtime API 即時轉錄指南:工作階段設定與延遲調校

    OpenAI Realtime API 的即時轉錄指南説明如何建立即時音訊轉錄工作階段,接收隨語音到達的逐步文本,並在提交每個音訊回合後取得最終轉錄。指南建議使用 gpt-live-transcribe,伺服器端音訊管線可用 WebSocket,瀏覽器音訊可用 WebRTC。較高的 delay 會讓模型取得更多音訊上下文並可能改善詞錯誤率,設定應以具代表性的真實音訊測試。

2025年7月18日週五
2025年7月17日週四
  1. Mistral AI69

    Mistral AI 為 Le Chat 推出 Deep Research、語音等新功能

    Mistral AI 為 Le Chat 推出 Deep Research、語音、多語言推理、Projects 和圖片編輯等新功能。Deep Research(Preview)可搜尋可信來源並生成附參考資料的結構化報告,語音模式採用 Voxtral,多語言推理由 Magistral 驅動,圖片編輯則與 Black Forest Labs 合作。

    推薦理由:Le Chat 把研究、語音、多語言推理、Projects 與圖片編輯納入同一產品,呈現其如何覆蓋資訊整理、語音互動和圖像修改等不同任務。

2025年7月15日週二
  1. Mistral AI77

    Mistral AI 發佈 Voxtral 語音理解模型

    Mistral AI 發佈 Voxtral 語音理解模型,提供 24B 生產級版本及 3B 本地與邊緣部署版本。兩者均以 Apache 2.0 授權發布,並可透過 API 使用;32k token 上下文支援最長 30 分鐘音訊轉錄或 40 分鐘音訊理解,也可對音訊提問及生成摘要。API 價格由每分鐘 $0.001 起。

    推薦理由:Voxtral 同時提供 24B 與 3B 版本及 API 使用方式,並列出音訊時長上限和起始價格,方便比較本地部署與雲端接入的適用情境。

2025年5月20日週二
2025年5月13日週二
2025年4月29日週二
2025年4月9日週三
2025年4月8日週二
2025年3月24日週一
2025年3月20日週四
  1. OpenAI News64

    OpenAI 在 API 介紹新一代音訊模型

    OpenAI 介紹 API 新一代音訊模型,文字轉語音模型可按開發者指示採用特定説話方式。例如,開發者可要求模型「像富有同理心的客服智能體那樣説話」,為語音智能體提供更多自訂空間。

    推薦理由:開發者可用指示控制文字轉語音模型的説話方式,例如採用富有同理心的客服智能體語氣,讓語音智能體的表達方式有更多自訂空間。

2025年2月26日週三
  1. CPII 博智感知交互研究中心 · AI 研究及應用46

    從語音到實時重點撮要:香港首個人工智能媒體助手連續兩年為財政司司長預算案演講提供支援

    博智感知交互研究中心連續兩年與香港電台合作,為財政司司長財政預算案演辭直播提供實時語音轉錄、翻譯及撮要。新功能包括以知識庫識別和修正錯誤、為撮要評分、根據實時轉錄提供人工智能問答,以及手機同步傳譯,讓用戶查看撮要、收聽原聲或即時翻譯語音。

2025年2月25日週二
  1. Hugging Face Blog62

    Hugging Face 推出 FastRTC,支援以 Python 建構即時音訊與影片 AI 應用

    Hugging Face 推出 FastRTC,這是一個讓開發者以 Python 建構即時音訊與影片 AI 應用的通訊程式庫。它內置語音偵測與輪次控制,提供支援 WebRTC 的 Gradio UI,並可將 Stream 掛載至 FastAPI 應用;亦支援 WebSocket。程式庫另提供語音轉文字、文字轉語音等工具,並可接駁不同 LLM、語音 API 或語音到語音模型。

    推薦理由:FastRTC 將語音偵測、輪次控制和即時通訊整合起來,並提供 Gradio 測試介面及 FastAPI 部署方式,展示以 Python 搭建即時語音應用的實作流程。

2025年1月28日週二
2024年10月22日週二
2024年10月1日週二
2024年7月22日週一
2024年6月8日週六
2024年3月29日週五
2023年8月30日週三
2023年5月18日週四
  1. OpenAI News85

    OpenAI 推出 iOS 版 ChatGPT app

    OpenAI 推出 iOS 版 ChatGPT app,讓用户可在 iOS 裝置使用 ChatGPT。應用支援對話同步和語音輸入,並帶來 OpenAI 最新模型改進。

    推薦理由:公告列出對話同步、語音輸入及最新模型改進,呈現 iOS 版 ChatGPT app 在對話延續與語音使用上的主要變化。

2022年11月3日週四
2022年9月21日週三
  1. OpenAI News66

    OpenAI 開源語音識別神經網絡 Whisper

    OpenAI 宣佈將其訓練的神經網絡 Whisper 開源。Whisper 在英語語音識別上的穩健性與準確度接近人類水平。

    推薦理由:Whisper 的開源安排與英語語音識別表現並列,且以接近人類水平作比較,讓讀者可同時掌握模型發佈範圍與性能定位。

2021年3月12日週五
  1. Hugging Face Blog63

    如何使用 Hugging Face Transformers 微調 Wav2Vec2 英語語音辨識模型

    Hugging Face 教學示範如何使用 Transformers 將預訓練的 Wav2Vec2 base 微調為英語自動語音辨識模型。示範使用含 5h 訓練資料的 TIMIT,並在不使用語言模型的情況下以 CTC 訓練。模型在 TIMIT 測試集的 WER 為 0.221(22.1%)。

    推薦理由:這篇教學把資料清理、詞彙表與處理器設定、音訊取樣率處理、CTC 訓練及 WER 評估串成完整流程,並以 5h 的 TIMIT 訓練資料示範英語 ASR 微調。

2018年2月16日週五