跳到正文
11月17日週二
  1. DEV Community51

    MFCC 解説:機器如何描述人聲音色(附 Python 範例)

    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。

  2. DoNews49

    谷歌為 Gemini Live 新增 66 種地區語音

    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。

  3. IT之家56

    Garlic LLM 讓越獄 PS4 執行 9B 參數本地 AI 模型,程式碼生成最高每秒 43 個 token

    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。

  4. DEV Community52

    如何免用咪高峯,在 5 分鐘內把稿件轉成自然語音

    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。

  5. DEV Community28

    構建由 AWS 驅動的自主車輛:自我學習 AI、語音智能體與預測式駕駛

    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。

  6. DEV Community35

    出版商如何使用 AI 語音製作有聲書

    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。

  7. TechCrunch · AI42

    Jordan Belfort 的 AI 語音初創公司 Tone,想以「華爾街之狼」式銷售

    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。

  8. Engadget53

    Google 為 Gemini 加入 66 種地區口音

    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。

11月16日週一
  1. 新浪科技41

    漫步者推出花再 Halo PixelBar AI 桌面音箱,售價 699 元

    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。

  2. DEV Community71

    Hearth 以 Ollama 運行的家用 AI 助理測試資料是否離開電腦,發現 Python 記錄漏掉 FFmpeg 連線

    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。

  3. DEV Community53

    DIY 純人聲音軌為何聽起來不穩,哪些方法真正有效

    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。

  4. 新浪科技37

    KTC VMAX 全感知智能體主機上市,配備 VMAX GO 隨行屏

    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。

  5. DEV Community45

    時間拉伸解析:如何在不改變音高的情況下改變速度(附 Python 範例)

    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。

  6. DEV Community35

    小型企業 AI 語音智能體能做甚麼、不能做甚麼

    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。

  7. 新浪科技21

    吉利銀河M8即將登場,首款旗艦大五座SUV尺寸看齊銀河M9

    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。

  8. 阿里雲開發者社區 AI40

    AI外呼選型:先把合規前置,再談場景匹配

    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。

  9. 阿里雲開發者社區 AI37

    AI 外呼選型的量化邏輯:語音互動指標如何配合部署架構

    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。

  10. 阿里雲開發者社區 AI42

    SmartCall 如何為 AI 呼叫中心擴展自訂端對端語音模型

    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。