Koedori 為何在上架前移除 Whisper,改用 SpeechTranscriber
Koedori 開發者在 iPhone 轉錄 App 上架前移除 Whisper,改用 Apple 的 SpeechAnalyzer 框架及 SpeechTranscriber,維持音訊不離開手機的設計。
Koedori 開發者在 iPhone 轉錄 App 上架前移除 Whisper,改用 Apple 的 SpeechAnalyzer 框架及 SpeechTranscriber,維持音訊不離開手機的設計。
文章解説 MFCC 如何把短音訊片段的頻譜包絡轉成特徵,保留音色與元音資訊,同時大致淡化音高細節。計算流程包括分幀加窗、FFT、mel 濾波器組、取對數及 DCT。在合成元音示範中,同一元音改變音高的 MFCC 距離為 59.9,改變元音則為 166.7;文章亦指出 MFCC 並非完全不受音高影響。
谷歌在手機版 Gemini 應用推出 66 種地區語音,涵蓋美式英語、英式英語、印度英語、印地語、巴西葡萄牙語、印尼語和韓語等 7 類語言。英國用戶可選擇超過 10 種口音;語音適用於 Gemini Live 對話及文字轉語音播放,用戶可在設定或對話中的三點選單切換。
Google 為手機版 Gemini 應用推出 66 種地區語音,涵蓋 7 類語言,讓用戶可選擇更貼近日常説話習慣的語音,與 Gemini Live 自然交流。
Google 為流動平台 Gemini 應用推出 66 種地區語音,涵蓋 7 類語言,讓用戶選擇更貼近日常説話習慣的語音,與 Gemini Live 自然交流。
開源項目 Garlic LLM 讓越獄版 PlayStation 4 離線執行 9B 參數本地大語言模型,程式碼生成速度最高每秒 43 個 token。項目以千問(Qwen3.5-9B)為基礎,將模型權重壓縮為 3 位或 4 位量化格式,連同加速資料控制在約 4.5 GiB;普通文字生成速度約每秒 31 至 39 個 token。
陳偉霆以粵語向東風日產 NX7 車機 AI 助手「小尼」聲稱身在北京,助手即回覆他目前定位在廣東珠海,當場識破他的玩笑。NX7 搭載 NISSAN OS 3.0 智慧座艙,首發科大訊飛星火智慧座艙 3.0,支援粵語、四川話等方言互動。
作者分享一套用瀏覽器文字轉語音將稿件製成語音的流程,一段 60 秒稿件約需 5 分鐘完成。他以 TextToSpeechLab 示範,工具提供 20 種語言、40+ 種聲線,並可即時試聽及下載。流程包括試聽兩至三種聲線、在適當位置加入停頓、朗讀校稿,以及用手機檢查匯出的音訊。
音諾InnAIO以2026年APEC會議官方贊助商身份亮相,其MemoClip AI記憶耳機參與會議相關服務,為跨語言交流、媒體採訪及資訊整理提供智能化輔助。產品支援140多種語言即時互譯,並結合原聲復刻、智能紀要及動態知識庫,協助翻譯、內容記錄與資訊整理。
文章提出以 AWS 構建自主移動智能平台,結合車端感知與本地安全控制,以及雲端數據分析、模型訓練和受控更新。語音智能體方案採用 Amazon Bedrock、Amazon Nova 2.5 Sonic 和 Strands Agents SDK。雲端 AI 智能體不可不受限制地控制轉向、制動或加速,安全關鍵駕駛決策須由經獨立驗證的車載系統負責。
出版商使用 AI 語音製作有聲書,並透過 TTS API 將文字合成音訊,以降低傳統配音製作的成本和時間。文章以 ElevenLabs 示範 Python 合成流程,並介紹語音複製、並行請求、音訊後期處理及自動化品質檢查。ElevenLabs 語音複製可用 30 分鐘錄音建立自訂語音,價格為每 1,000 個字元 $0.02。
趙本山親自演唱《慌啥子嘛》,推出真人演唱版,回應網民對「AI 趙本山」翻唱的關注。歌曲由 AI 合成趙本山聲線的翻唱版本帶起關注,其真人版作為趙家班新劇《走馬上任》的推廣曲正式上線。相關影片上線三小時,點讚突破百萬。
Buddy v1.2.0 可逐步引導新工程師操作 PLM、SRM、ERP,亦可代為點擊。它支援離線語音聽寫,可將文字輸入任何應用程式,提供 15 種語言選擇,並可完全使用本機模型運行。Buddy 開源,支援 Windows 及 Mac(Lite);每週 2,000 字以內免費,其後收費,輸入 token 每百萬個 $0.042。
Alibaba Cloud 於 2026 年 11 月 16 日正式開放 Qwen4-Max 使用;該模型採用 2.4T 參數骨幹,每個 token 啟用 71B 參數。
Baseten 推出 Baseten Voice Agent Stack 及 Baseten Realtime Voice,兩者現正處於私人預覽階段。Stack 將編排器與語音模型部署於同一雲端區域,並支援自行選擇或後訓練模型,以及各組件獨立擴縮。
Jordan Belfort 的 AI 語音初創公司 Tone 推出自助平台,讓內容創作者和作者把書籍轉成富表現力的 AI 生成旁白。用戶可選用 Tone 的 AI 聲音;語音克隆功能推出後,也可建立自己的聲音複製版。Belfort 稱 Tone 已服務銷售線索多於人手處理能力的公司,但文章無法獨立核實其技術是否如描述般運作。
Google 為 Gemini 加入 66 種地區口音,Android 與 iOS 應用程式由即日起可用多個國家的語音與用戶對話。英國選項包括 Geordie、Scouse、Brummie、Scots、Welsh、Northern Irish 及 Multicultural London English,另有印度、巴西、印尼和韓國的口音。
Google 的棄用頁面列出 5 款 Gemini 音訊預覽模型,最早可於 2026 年 11 月 17 日停用。
OPPO Enco Clip2 推出第四款粉黛海配色,到手價為 719.1 元。耳機採用耳夾式開放設計,單耳重 5.2g,配備 11mm+9mm 雙動圈單元及雙 DAC,並支援 LHDC 5.0。官方稱其 6nm 芯片的降噪算力提升 100 倍,單次播放最長 9.5 小時,搭配充電盒續航最長 40 小時。
OPPO 為 Enco Clip2 耳夾式耳機新增「粉黛海」配色,定價 799 元,首銷優惠價 719.1 元。耳機單耳重 5.2g,續航最長 40 小時,單次使用可達 9.5 小時;配備 6nm 晶片,官方稱降噪算力提升 100 倍。
llama.cpp 發佈 v1.0.0,為核心庫 libllama 和 libggml 引入語義化版本與穩定 API 契約。更新亦加入 FP8 (E4M3) KV cache、可設定 CPU share 的 host-memory MoE expert cache,以及兼容 OpenAI 的 /v1/audio/speech 端點,支援本地文字轉語音。
漫步者推出花再 Halo PixelBar AI 桌面音箱,售價 699 元,部分地區國補後低至 568 元。音箱屏幕可顯示歌詞及自訂內容,支援語音點歌和推送 PC 訊息、熱點及天氣資訊;配備 52mm 雙全頻驅動單元,連續不失真功率為 15W。產品搭載火山引擎、釦子平台和豆包大模型,打造花再 AI 智能體,支援自然語音互動、無網離線指令,並提供 12 種音色。
69歲趙本山買下歌曲《慌啥子嘛》的音樂版權並親自演唱;此前,AI合成其聲線演唱的版本在全網走紅。歌曲由「困困羊」作詞作曲、「村口吳老二」演唱,原創音樂製作團隊成員醒醒表示,團隊其後與趙本山本人合作。
WeekendAiProjects 測試 Hearth 家用助理,發現 FFmpeg 解析音訊時可能開啟網絡連線,而 Python 網絡記錄看不到這些編譯程式碼發出的連線。他們改為按 MIME 類型或副檔名指定音訊格式,並以應用程式記錄、作業系統連線檢查及拔除網絡等方式交叉驗證本機運行。文章亦指出,提示詞措辭無法可靠阻止文件中的植入指令,小模型環境下應在程式碼層過濾相關句子。
DIY 音樂人聲分離中的漏音、持續音顫動及呼吸與齒音模糊,源於頻率遮罩的限制,音源品質也會影響嚴重程度。作者的測試顯示,將低位元率音源換成 320 kbps 或無損檔案,改善最明顯;2-stem 適合卡拉 OK、練習和簡單抽取人聲,4-stem 則適合混音工作。窄頻漏音通常可用 EQ 改善,輕微顫動可用温和降噪部分緩解,嚴重顫動則需改用較佳音源重新分離。
KTC 推出 VMAX 全感知智能體主機,將雲台攝像頭、陣列麥克風和 VMAX GO 隨行屏整合至 Windows 迷你主機。主機可本地運行視覺、音頻及對話與會議紀要大模型,並支援語音互動。隨行屏脱離主機後可作便攜錄音副屏,離線採集音頻資訊,接回主機後自動同步數據並生成結構化會議紀要。
時間拉伸能改變音訊時長而保持音高;重採樣則會同時改變速度和音高。文章比較 OLA、WSOLA 與相位聲碼器,並以 Python 範例示範 librosa 的相位聲碼器:將 440 Hz 音調加快 25% 後,時長由 2.00 秒縮至 1.60 秒,音高仍為 440 Hz;重採樣則升至 550 Hz。較大幅度拉伸、瞬態及複音素材容易出現失真。
Apple 首款智能眼鏡 N50 細節曝光,產品不設屏幕,主打語音互動和環境感知,並由 Siri 協助用戶透過語音操作。N50 預計於 2027 年 6 月的 WWDC 亮相、年底出貨;眼鏡支援 Wi-Fi,離開 iPhone 後仍可執行部分基本任務,但複雜的第三方 App 操作仍需手機協助。
HUAWEI Mate X7以大屏辦公、影像和續航配置,面向重視商務協作與日常體驗的摺疊手機用戶。它配備第二代紅楓原色攝像頭;典藏版搭載5600mAh電池,實驗室測試顯示綜合續航較上一代提升1.4小時。實際表現會受使用環境影響,選購時宜按預算和需求考慮。
趙本山原聲演唱的歌曲《慌啥子嘛》引起網友共鳴,劉老根傳媒發布的演唱影片標註為網劇《走馬上任》推廣曲,上線三小時點讚破百萬。歌曲以樸素歌詞安慰面對求職、生活和未來不確定性的年輕人;趙本山的年紀與閲歷,也令歌聲帶有長輩勸慰的意味。
比亞迪第三代唐將於11月24日上市,已推出3款配置預售,預售價為22.5萬至26萬元。新車CLTC純電續航最高850公里,提供88.682kWh和105.792kWh兩種電池規格。
小型企業 AI 語音智能體可全天候接聽電話、回答常見問題、預約、篩選潛在客戶,並把通話摘要記錄到 CRM。它最適合處理大量重複來電和非辦公時間的來電,但不擅長應付情緒化對話、複雜協商及音質欠佳的通話。部署時應先從非辦公時間來電開始,訂明轉交真人的規則,並定期檢視通話摘要及改善腳本。
比亞迪第三代唐將於 11 月 24 日正式上市,預售價 22.5 萬元起,全系採用五座佈局。後驅版 CLTC 純電續航最高 850km,四驅版為 770km;四驅雙電機版本零百加速 4.3 秒。
比亞迪第三代唐將於 11 月 24 日上市,預售價 22.5 萬元起,提供後驅和四驅版本。後驅版 CLTC 純電續航最高 850km,四驅版續航 770km、零百加速 4.3 秒。全系採用五座佈局,搭載第二代刀片電池與閃充技術。
吉利銀河宣佈旗下首款旗艦大五座SUV銀河M8即將登場,車身尺寸看齊銀河M9,軸距為3030mm。新車搭載1.5T插電混能系統,提供兩驅和四驅版本,配備53.42kWh磷酸鐵鋰電池,CLTC純電續航251km,綜合續航超過1200km。座艙搭載銀河Flyme Auto智能座艙系統,並支持EVA智能語音大模型多輪連續對話。
AI外呼系統選型應先核驗線路、頻次管控、AI身份告知及錄音留存等合規要求,再評估場景匹配度。以阿里雲瓴羊Quick Service為例,其AI問答準確率實測達93%,複雜多輪業務辦理成功率達87%。系統較適合事件驅動及需與後端系統閉環的外呼場景,並提供30天免費試用供POC驗證。
中小企業選擇 AI 外呼系統,需把 MOS、時延、ASR 準確率及打斷成功率等語音互動指標,與部署架構、業務量級及維護能力一併評估。阿里雲瓴羊 Quick Service 公開數據包括單輪意圖識別準確率 93.2%、複雜多輪辦理成功率 87%,以及萬級並發下 P99 響應時間小於 1.5 秒;MOS 和 P90 時延則需透過 POC 實測。
SmartCall 以 Adapter、Session、Listener 三個統一接口,為 AI 呼叫中心提供自訂端對端即時語音模型的插件化接入方案。接入者實作 Adapter 和 Session,即可處理廠商協議轉換、音訊收發及事件回調;框架負責採樣率轉換、打斷編排和會話管理。方案以內網 vLLM 部署 Qwen3-Omni 示範接入流程。
作者展示以原始 8kHz RTP 建立的電話語音 AI 插話架構,透過約 50–60ms 的快速迴路觸發外播音訊緩衝區清空。架構按 20ms RTP 影格處理音訊,以 SOXR VHQ 將 8kHz 重採樣至 16kHz,並在 0.16ms 內清空 256-Frame 外播環形緩衝區。
小眾軟件「發現頻道」列出最近 10 日熱門排行榜上的 10 款軟件,涵蓋 Windows、macOS、Linux、Android、iOS 及網頁服務。當中包括開源、BYOK 零訂閲的 AI 語音輸入法 TypeFree,以及支援自動摘要和語義搜尋的免費 AI 書籤管理器 Linkit。