跳到正文
11月18日週三
  1. DEV Community54

    如何在同一部裝置上比較並選擇開源 TTS 模型

    這份指南提出在同一部裝置比較 MOSS-TTS、Piper、Kokoro 和 Qwen3-TTS 的流程,主張按實際測試條件選擇模型,而非套用通用排名。流程要求記錄硬件、軟件、模型版本、精度和輸入,並把載入與生成時間分開;也要檢查發音、漏字、音質和重複生成穩定性。作者建議公開原始計時、測試文本、環境和程式碼;單一裝置及少量句子無法確立適用於所有語言、硬件或工作負載的通用勝者。

  2. DEV Community65

    離開英語後,文字轉語音的價格如何變化

    作者整理 Voicedex 收錄的 297 個文字轉語音(TTS)模型及 126 家供應商公開價格,發現不同語言的最低標價差距明顯。西班牙語、法語、德語、印地語、阿拉伯語、日語和中文的最低價為每 1 million 個字符 $4,斯瓦希里語為 $15,約魯巴語為 $40;這些均是供應商公佈的最低級別價格。

  3. DEV Community66

    ASR 是甚麼?語音 AI 電話的自動語音識別指南

    ASR(自動語音識別)是以機器學習模型把電話語音轉成文字,供軟件搜尋、分析或採取行動。文章比較即時串流與通話後批次轉錄,並説明 WER、8 kHz 音訊及語言混用對評估的影響。作者建議以實際通話按語言組合測試,另評估金額、日期、姓名等關鍵內容,並列出 Vobiz 的相關文件入口。

  4. DEV Community35

    Voice AI 應用程式的主要除錯技巧

    文章整理 Voice AI 應用程式在 TTS 和語音複製流程中的常見問題與除錯方法,涵蓋音訊格式、延遲、SSML、語音複製一致性及播放錯誤。建議逐階段記錄延遲,並在播放前檢查音訊格式;TTS 請求延遲 200 ms 也可能令對話介面反應遲緩。

  5. Codex:GitHub Releases45

    Codex 0.170.0 發佈

    Codex 0.170.0 為 TUI 即時語音通話加入 WebRTC 協商,並支援在不同環境中使用同名 MCP 伺服器。此版本亦修正 WebSocket 請求、MCP OAuth、Cloud 對話重新連線、Windows 沙盒權限及檔案搜尋等問題,並更新沙盒文件。

  6. DEV Community32

    如何在正式環境降低 Voice AI 成本

    在正式環境使用 Voice AI 時,TTS 請求的運算、儲存及按字元計費會增加營運成本,文章以 ElevenLabs 為例,整理降低成本的做法。建議按內容需要選擇語音模型、合併請求、快取重複音訊,並監察用量及調整音訊設定。原文指出,靜態內容的快取可減少 30-50% 的 TTS 開支。

  7. ElevenLabs:Blog61

    ElevenLabs 宣佈收購日本語音 AI 研究室 Kotoba

    ElevenLabs 宣佈收購日本語音 AI 研究室 Kotoba,旨在結合雙方研究,加快 AI 智能體和語音介面在日本的發展與採用。交易預計於 2026 年第四季稍後完成,仍須取得慣常監管批准並符合交割條件。Kotoba 的語音模型 Koto 擅長日語文字轉語音、語音轉文字及用於即時傳譯的語音轉語音,Salesforce 已用它支援 Agentforce Voice 的日語對話。

  8. DoNews62

    微軟發布自研醫療語音模型 MAI-Transcribe-2

    微軟在 Ignite 2026 宣佈,Dragon Copilot Transcribe 全面啟用自研語音識別模型 MAI-Transcribe-2。模型支援 60 種語言及中英、印地語-英語混説,詞錯誤率為 5.2%,處理速度達競品的 10 倍。它目前承擔 100% 醫患對話轉寫任務,每月處理約 1000 萬次就診錄音,覆蓋全美約三分之一醫師,並提供説話人區分、詞級時間戳及多模式輸出。

  9. DEV Community40

    四篇新 AI 論文推進推理、TTS 與解碼效率

    1 月 31 日發表的四篇 AI 論文分別提出 RAPO 視覺保留方法、VoxMel 無 tokenizer 的 TTS 框架、LoopFill 推測解碼算法,以及 DominoBench 物理推理基準。RAPO 在貪婪解碼下的平均評分由 GRPO 的 27.87 提升至 31.41;VoxMel 的 0.6B 配置在 LibriSpeech 上達到 WER 1.98、SIM 0.721。

11月17日週二
  1. LiveKit 產品與工程博客56

    LiveKit Cloud API 教學:三種改善語音智能體的方法

    LiveKit 説明如何透過 LiveKit Cloud API 改善語音智能體,包括找出影響最多通話的問題、逐回合排查故障,以及發掘來電者尚未能完成的需求。API 讓編碼智能體讀取通話逐字稿、日誌、追蹤資料和錄音;LiveKit 在自家的文件助理上分析過去一週 4,321 個工作階段,整理出 8 項排序問題。

  2. CNET35

    Apple TV 4K(第 4 代,2026)評測:最適合 Apple 用戶的媒體串流播放器,其他用戶未必適合

    Apple TV 4K(第 4 代,2026)是功能強大的無廣告串流播放器,但主要適合 Apple 用戶,其他用戶未必覺得值得購買。A19 處理器據稱帶來 50% 速度提升,機身內置三個咪高峯,方便搜尋影片,但仍須用遙控器播放內容。設定及使用 Siri AI 等功能需要相容的 iPhone,售價則為 $300。

  3. SiliconANGLE45

    SuperDial 改造醫療語音智能體平台,減少 AI 智能體互相通話浪費時間

    SuperDial 改造醫療語音智能體平台,推出 Agent-to-Agent RCM 架構,減少醫療機構與保險付款方的 AI 智能體互相通話及浪費計算資源。新架構先搜尋電子數據交換資料流、API 及付款方網上入口,只有數碼渠道無法取得資料時才致電,並以解決請求而非完成通話衡量成效。

  4. CNET35

    Apple TV 4K(第 4 代,2026)評測:最適合 Apple 用戶的媒體串流播放器,其他用戶未必適合

    Apple TV 4K(第 4 代,2026)是功能強大的無廣告串流播放器,但主要適合 Apple 用戶,其他用戶未必覺得值得購買。A19 處理器據稱帶來 50% 速度提升,機身內置三個咪高峯,方便搜尋影片,但仍須用遙控器播放內容。設定及使用 Siri AI 等功能需要相容的 iPhone,售價則為 $300。

  5. UNWIRE.PRO · 人工智能46

    腦機介面、精準醫療與 AI 倫理

    Neuroscience 2026 聚焦腦機介面、精準醫療與 AI 倫理,多項研究探索把技術推向臨牀應用。加州大學戴維斯分校團隊以植入電極讀取漸凍症病人的神經訊號,再由 AI 即時轉化為語音,讓失語病人傳達語調與情感。會議亦探討腦數據私隱、性別差異、腦退化疾病早期診斷,以及 AI 研究的透明度、誠信與問責。