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。
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。
Disney Imagineering 與 AWS 合作打造三個 AI 驅動的《星球大戰》Anzellan 音響動畫原型,可按現場情況與訪客互動。它們會按現場人數、訪客年齡等因素調整回應,並可評論生日襟章或特定《星球大戰》T 恤。
Reson8 免費開放下載語音轉錄模型 Rumble-2-Flash 的權重;模型有 500 million parameters,支援超過 40 種語言。據 Reson8 自行測試,模型在涵蓋德語、法語和荷蘭語等 7 種語言的多語測試中,平均詞錯誤率為 7.09%;在 10 種低資源語言測試中為 17.6%,而 Whisper Large V3 在同一測試為 39.82%。
Checkers & Rally’s 將與 Hi Auto 的 AI 免下車點餐合作延長至 2030 年,並計劃在 2027 年第一季末前將部署範圍由 267 個據點擴至逾 360 個。
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。
文章指出,流傳的 ZONOS3-Mini 13.7ms 首段音訊延遲數字不見於技術報告;報告記錄的是 H100 單次請求 85ms,8 路並發時 p50 為 80ms。
方案以「流式分段+增量推理」架構構建多語言 AI 同傳翻譯系統,整合 VAD、增量 ASR、流式 NMT 與 TTS,將端到端延遲壓至 300ms 內。各微服務透過 gRPC 雙向流連接,並配合 Kafka 控制背壓與削峯;部署採用雲邊協同及彈性擴縮容。
Skat 遊戲將教學旁白改用 ElevenLabs 配音,重新錄製波蘭語、德語和英語的 108 段教學片段,並為法語牌型新增 39 段錄音。檢查腳本以 Gemini 為 147 段錄音轉錄,再比對文字和語速;修正後沒有標記出異常片段。
文章整理一套以官方免費額度和標準 SDK 組成的 $0 AI 媒體原型流程,涵蓋圖像生成、語音轉文字、影片及音訊。
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。
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。
Gemini API 的 gemini-3.5-transcribe 和 gemini-3.5-transcribe-live 現已支援以語音驅動編輯、改寫及格式整理口述內容或既有文字(source_text)。相關説明可參閲 Audio transcription 和 Live transcription 指南。
作者在 Pixel 11 上測試 Gboard 的 AI 語音輸入與文章撰寫工具,發現語音輸入可移除語助詞、整理文法和標點,並以後續內容覆蓋先前改口。AI 語音輸入只適用於 Pixel 11 系列,語音編輯則可用自然語言指示。説話時文字不會即時顯示,專有名詞亦可能辨識錯誤。
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。
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。
AI合成趙本山聲線翻唱《慌啥子嘛》引發關注後,趙本山團隊取得歌曲版權,安排他錄製真人演唱版。歌曲上線3小時點讚量突破百萬,抖音相關話題播放量超過2億次;版權交易金額尚未公開,不少網民希望他在2027年重返春晚。
SmartCall 基於 LiveKit Agents,讓 AI 呼叫中心可自由組合 ASR、LLM、TTS,並支援各環節獨立調參、替換及內網自部署。Java 會把模型配置組成快照交給 Python Agent,由 Factory 建立 LiveKit 標準元件,音訊流則經 LiveKit Room 傳送。
作者以 whisper.cpp v1.9.5 在四種硬件配置測試同一段錄音,medium 在兩款 CPU 上較快;large-v3-turbo 在 CUDA 上較快,在 Intel iGPU 的總耗時則與 medium 相差 15ms。
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。
Microsoft 發佈首款語音對語音模型 MAI Realtime 1,基本語音使用費為每音頻分鐘 0.01 美元;涉及推理時,每百萬輸入 token 收費 1 美元、每百萬輸出 token 收費 5 美元。
微軟宣佈,Dragon Copilot Transcribe 已採用自研模型 MAI-Transcribe-2,負責 Dragon Copilot 內全部醫患對話轉寫,多語言工作流錯誤率下降約 50%。
微軟宣佈,醫療 AI 產品 Dragon Copilot Transcribe 已正式採用自研語音辨識模型 MAI-Transcribe-2;該模型目前承擔 Dragon Copilot 100% 的醫患對話轉寫任務。
Microsoft 在 Ignite 2026 擴大 MAI 模型及能力組合,涵蓋文字與推理、編碼、圖像生成、語音、轉錄及網絡安全。Microsoft-Decision-1.1 決策模型系列及 Microsoft Perception 威脅防禦框架均已正式開放使用;後者結合由 MAI-Cyber 驅動的專用智能體。
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。
微軟在 Ignite 2026 大會宣佈推出首款語音對語音模型 MAI Realtime 1,定位為面向企業場景的即時語音 AI。基礎語音對語音使用費為每音訊分鐘 0.01 美元,推理另按每百萬輸入 token 1 美元、每百萬輸出 token 5 美元計費。
微軟於2026年11月17日在 Ignite 2026 發佈面向企業場景的實時語音對語音模型 MAI Realtime 1。模型可處理打斷、快速確認、多人聲音混雜及嘈雜環境下的語音互動,並可調用推理引擎、連接企業系統執行預訂及客服任務,且兼容 OpenAI Realtime API。
Microsoft 推出首個自研語音到語音模型 MAI Realtime 1,透過 MAI Labs 提供有限預覽,基本語音互動收費由每分鐘音訊 $0.01 起。
Microsoft AI 在 Ignite 2026 宣佈 7 款新模型,並公佈多款模型相對競品的性能與價格比較。
Microsoft 發佈首個語音到語音模型 MAI Realtime 1,基本語音到語音使用費為每分鐘音訊 $0.01,推理另按 $5 per million output tokens 計費。
Microsoft 在 Ignite 2026 發佈七款新模型,涵蓋網絡安全、編碼、圖像生成、即時語音、轉錄及決策。
推薦理由:文章按網絡安全、日常企業編碼等場景列出基準表現及成本比較,呈現不同模型在任務表現與價格之間的取捨。
Microsoft 推出六款涵蓋編碼、網絡安全、圖像及語音的 AI 模型。Microsoft 稱,MAI Code 2 的表現達 GPT-6.1 Sol 的 98%,價格則為其 40%。
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。
這篇教學示範如何批量把 Instagram Reels 和 TikTok 影片轉成供 AI 使用的文字,提供免寫程式、JavaScript 和 Python 三種做法。
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。
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。
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。
iKF 已在京東上架 AirClip Pro 耳夾式耳機,定價 269 元,搭載 12mm 長衝程雙磁動圈,續航時間最高可達 60 小時。耳機接入 AI 大模型,提供問答助手、英語陪練及翻譯功能,並支援藍牙 6.0 和 35ms 延遲的電競模式。
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。
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。
Krish Verma 為桌面 AI 助理 Ankita AI 建構串流語音,一次重新驗證中首個音訊區塊在 491 ms 到達,播放器亦在後續音訊仍傳送時開始播放。