Apple Notes 在 iPhone 上除記筆記外的 10 種用途
iPhone 上的 Apple Notes 除了基本記筆記,還可計算及繪圖、掃描文件、錄音轉錄、生成圖像、協作編輯和搜尋資料,並支援 Siri 建立筆記。部分功能依賴 Apple Intelligence,所需硬件及 iOS 版本各有不同;相關功能可用於 iPhone 15 Pro、iPhone 15 Pro Max,以及任何 iPhone 16 型號或後續機型。
iPhone 上的 Apple Notes 除了基本記筆記,還可計算及繪圖、掃描文件、錄音轉錄、生成圖像、協作編輯和搜尋資料,並支援 Siri 建立筆記。部分功能依賴 Apple Intelligence,所需硬件及 iOS 版本各有不同;相關功能可用於 iPhone 15 Pro、iPhone 15 Pro Max,以及任何 iPhone 16 型號或後續機型。
聲音克隆以少量音訊複製特定人士的音色、語調和説話風格,讓內容創作者毋須預約錄音室,也能製作影片旁白或有聲書章節。文章示範如何透過 ElevenLabs API 上載語音樣本,並以 Python 生成語音。克隆聲音前須取得明確許可,合成音訊亦應標示。
優化 ElevenLabs API 呼叫可從選用較輕量的語音模型、以 SSML 合併短文本、串流播放長音訊,以及快取常用內容等方面入手。重用 HTTP 連線、啟用 HTTP/2 和縮減請求內容亦有助減少延遲;文章稱,部分情況下可把回應時間由數秒降至不足一秒。
Apple 計劃於 2027 年 6 月的 WWDC 發佈首款智能眼鏡,並於年底開始出貨。原型機代號為「N50」,預計不設內置顯示屏,主要透過 Siri 互動,並支援識別建築物、路線導航及翻譯標誌和對話內容。
Apple計劃於2027年6月的WWDC發佈首款AI智能眼鏡,並以年底前上市為目標。產品代號N50,以Siri為核心,支援實時翻譯、導航及語音預訂餐廳、叫網約車等功能。眼鏡須配搭較新款iPhone使用,不支援Android;AI及軟件開發進度仍有延期風險。
ElevenLabs 和 Google Cloud TTS 在語音品質、API、價格、延遲及地區供應方面各有差異,文章逐項比較兩者,並提供程式碼示例。ElevenLabs 支援語音克隆、情緒預設及 WebSocket 串流;Google Cloud TTS 則提供每月 4 M 字元的 WaveNet 免費額度,並可選擇特定地區處理請求。
深度求索(DeepSeek)於 2026 年 11 月 13 日將消費者 App 內的工具開放為 API,可在 deepseek-flash(DeepSeek-V4.1-Flash-1017)的聊天請求中啟用,也可透過獨立 API 使用。
推薦理由:文章分開整理聊天內置工具與獨立 API 的能力、按量價格和資料處理取捨,為評估接入方式及適用情境提供具體依據。
Cirrela 分享其兒童姓名影片如何處理 TTS 發音,透過姓名欄位及按發音拼寫,讓語音讀出孩子的名字。服務涵蓋 en、fr、es、pt、pt-PT、hi、ar、id 八種語言。若姓名仍讀錯,家長可免費更改拼寫一次;系統會按編輯距離限制修改幅度,避免改成另一個名字。
Sarah AI 接待員要説得自然,靠的是逐句反覆調整措辭,而非單靠設定。問候、確認資料、要求補充資訊及結束對話的説法,都會透過實際聆聽測試;對魁北克中小企而言,以客戶熟悉的語言交流也是一種尊重。
語音 AI 的端到端回應延遲已縮短至 150 毫秒到 300 毫秒,但系統仍普遍缺乏判斷何時開口、何時停下的「接話」能力,因而會搶話或冷場。全雙工等研究路線嘗試改善接話判斷,但評測標準、可控性與長時程運行仍帶來問題。
在 UniHack 2026,團隊打造 respirAI,一款引導用戶錄製肺音、由手機上的神經網絡進行初步篩查的低成本數碼聽診器;團隊説明它是篩查輔助工具,並非醫療器材。語音代理在呼叫錄音工具前説「Great!」,令程式誤以為它已説完;團隊改為只計算工具呼叫後開始的語音,並以一秒無聲判定説話完成。團隊亦在代理説話時關閉麥克風,並提供無需硬件的網頁練習模式。
Bland 推出面向電話通話的全雙工語音轉語音模型 Tofu-1,目前以研究預覽版形式提供。模型直接聆聽音訊,並可在説話時聆聽及推理,無須經過文字轉錄;用戶可在通話中打斷或更正它。研究預覽版只向有限數量的企業開放。
Outloud Reader 的朗讀畫面以短語而非逐字高亮,並把每個詞設為獨立可點按的 SwiftUI 視圖,讓用戶點選詞語跳轉音訊。日文、中文及泰文透過 Foundation 的 ICU 詞界識別處理;「只聆聽」模式則在捲動視圖上方設置長按手勢,讓用戶按住時即使手指移動,文字仍會顯示。
Apple 推出 HomePod mini 2,外觀延續上代設計,價格由第一代首發的 749 元升至 1099 元。新款採用 S10 芯片,低頻表現令人驚喜,並支援 Wi-Fi 6E、藍牙 6.0 和 Mac 預設音訊輸出,但後者目前有連線問題。它可作為 Apple 智能家居的家庭中樞,較適合深度使用 Apple 生態的用戶。
Slyber SFU Server 是以 Go 和 Pion WebRTC v4 開發的即時媒體路由伺服器,可轉送音訊、影片及數據,支援羣組視像會議、一對一通話、直播及 AI 智能體語音對話。伺服器以單一 4443 端口承載 UDP 和 TCP 媒體流量,並內置 /ai/ws WebSocket 閘道;單一伺服器節點最多可同時處理 5,000 個活躍房間。
鄭州日產 27 款鋒坦 Frontier Pro PHEV 於珠海全球首秀,搭載 2.0T 插混專用發動機及採埃孚第四代 8HP 混動變速箱。新車系統綜合功率 300kW、峯值扭矩 800N·m,CLTC 純電續航 135km,並配備智能四驅、前後橋差速鎖及 13 種全地形模式。
Whisper-Diarization 結合 OpenAI 的 Whisper Large v3 Turbo 與 Pyannote 3.3.1,可轉錄音訊並標示各説話者及詞語、句子時間戳。
文章示範如何將 ElevenLabs 接入 React 前端,建立文字轉語音介面,並涵蓋語音複製及結合 OpenAI GPT‑4 或其他 LLM 生成語音回應。範例使用 Vite 和 TypeScript,讓用戶輸入文字後合成並播放音訊。作者提醒,正式環境應透過後端代理處理 API 呼叫,語音複製資料亦須妥善保護。
使用文字轉語音 API 時,常見錯誤包括忽略聲線與風格設定、超出請求配額、未妥善編碼文字、選錯音訊格式,以及沒有使用 SSML。文章以 ElevenLabs 為例,説明如何保護 API 金鑰、監察延遲與錯誤,並透過快取、背景佇列和明確指定格式等做法提升整合的可靠性。
ElevenLabs 與 Murf.ai 面向不同語音製作需求:前者以生成式語音合成及即時 API 為主,後者則以時間軸編輯器支援工作室式旁白製作。文章指出,ElevenLabs 的 WebSocket 串流延遲低於 300ms,克隆語音可用於超過 29 種語言。Murf.ai 提供多軌時間軸編輯及商用授權語音,適合企業影片配音、在地化教學內容和簡報製作。
內容創作者可用 ElevenLabs 的 TTS API 和語音複製自動化旁白製作,再將音訊合併至影片,以擴大影片製作規模。文章提供以 Python 和 ffmpeg 串接流程的方法,指出每段影片的製作時間可由傳統流程常見的 2–4 小時縮短至 30–90 分鐘。ElevenLabs 每次請求最多支援 10 k 個字元,亦可透過快取、批次請求及平行處理擴展流程。
VoxMel 提出一種無 tokenizer 的自回歸 TTS 框架,透過可逆的雙軸 Haar 變換拆分 mel 頻譜圖,生成 Coarse-Mel 及殘差層。
利用 ElevenLabs 的 API 調整音高、語速、韻律及停頓,可令 TTS 語音更自然。文章亦示範以 5-10 秒語音樣本建立克隆語音,並提出按內容調整語音設定及在目標裝置測試。
作者提出語音 AI 智能體處理高風險操作的確認設計,建議按工具風險分級,並讓破壞性操作必須通過程式確認閘。音訊清理可減少背景語音幹擾,但不應單靠它保障破壞性操作;確認時可要求來電者覆述指定數字或按電話鍵盤。程式閘應在伺服器端核對待處理操作、有效時間、回答開始時間、STT 信心度及説話者資訊,並以第二個聲音插入 yes 的測試檢查破壞性工具是否執行。
作者在 Apple Watch Series 12 和 Apple Watch Ultra 4 的 WatchOS 27.3 公開測試版上實測 Audio Intelligence 兩週,發現 Siri Recap 在會議中可提供摘要,但可能記錯內容或合併無關對話;Live Rewind 只轉錄最近 15 秒的音訊,容易因反應不及而錯過內容。
這篇教學示範如何用 Transformers.js 在瀏覽器內執行 Whisper,將音訊轉成 SRT/VTT 字幕;音訊不會離開訪客電腦,無須伺服器或 API key。實作以 Web Worker 執行辨識,優先使用 WebGPU、回退至 WASM,並以 90 秒區塊處理長音訊。作者提醒須指定語言,模型首次下載需時;瀏覽器方案亦受訪客硬件限制,不適合批次工作或後端流程。
HUAWEI WATCH Ultimate 2 支援北斗衞星語音訊息,單次最長 10 秒,讓用戶在沒有地面網絡時傳送語音。功能只適用於中國大陸銷售版本及中國大陸地區,須在空曠無遮蔽處使用;首次使用前需在有地面網絡的環境下透過手錶暢連應用啟動。
影片翻譯應以同一份轉錄稿產生字幕、配音音訊和加字幕影片,避免不同流程造成內容不一致。文章建議只執行一次 ASR 和翻譯,再輸出 SRT、MP3 配音及 MP4 加字幕影片。LinguaReel 支援 12+ 種語言,免費試用涵蓋 60 秒及 100 MB,無需帳戶。
STIR/SHAKEN 是 IP 電話網絡的來電顯示認證框架:始發電訊商以數碼憑證為來電號碼簽署,接收方再驗證簽名。A、B、C 級代表電訊商對客戶及號碼的瞭解程度,不代表來電安全,也不會阻截電話。美國一項大型樣本顯示,2026 年 9 月約 54.5% 的來電帶有簽名。
極狐貝塔 T1 換電版在國內上市,終端零售價由 5.20 萬元起,530 Pro 換電版售 5.20 萬元,530 MAX 換電版售 6.00 萬元。新車搭載寧德時代 54 度巧克力換電電池,CLTC 續航 530km,支援 99 秒換電。電池月租有 399 元和 599 元兩檔,分別提供每月 5000 公里額度和不限月里程額度。
CDPR 確認,《巫師 3:狂獵》新劇情擴展包《Songs of the Past》中,傑洛特的波蘭語配音將經 Respeecher 的 AI 語音轉換,調整至接近早期作品的聲線。
DeepSeek 開放全套應用 API,新增對話內置聯網工具、文件輸入、OCR、語音及安全審核,並可接入搜尋和閲讀連結能力。作者實測中,搜尋及網頁抓取各收費 5 元/1,000 次;與 Firecrawl 比較,DeepSeek 搜尋速度約快 10 倍,但網頁抓取不支援 JS 渲染。
推薦理由:作者實測 DeepSeek 的搜尋、文件與語音 API,並以 Firecrawl 比較搜尋和抓取,呈現整合成本與功能限制,方便按使用場景作取捨。
微信在公眾號文章留言區新增語音功能,用戶可按住説話,將語音轉成文字或直接發送原語音。該功能此前在 iOS 灰度測試,目前應該已大面積覆蓋,安卓版微信也支持;語音留言可供其他讀者收聽,也可以轉成文字。
ElevenLabs 在開發者 TTS 比較中更適合快速原型,主打較自然的語音、即時語音克隆及簡潔 API。兩者均支援 30+ 種語言;ElevenLabs 提供 300+ 種聲音,Amazon Polly 則有 200+ 種,並較適合需要 AWS 整合、大規模生成或合規認證的應用。
文章整理語音 AI 應用的核心組件與開發流程,涵蓋語音轉文字、文字轉語音、語音複製、後端邏輯及語音介面。示例以 Whisper 和 Google Cloud Speech-to-Text 辨識語音,再用 ElevenLabs 合成語音,並示範錄製 5 秒音訊的迷你語音助理。ElevenLabs 可用 30 秒錄音建立新聲音。
Apple 已推送 tvOS 27.2.1,為第二代及第三代 Apple TV 4K 加入 Siri AI 支援,用戶無須更換新款硬件即可獲得語音助理升級。HomePod Software 27.2.1 僅提供錯誤修復,沒有加入 Siri AI。
DeepSeek 發佈全套應用 API,向開發者開放 DeepSeek App 的搜尋、檔案處理、連結閲讀及語音等互動能力。V4.1-Flash(deepseek-flash)已在 Messages、Responses 與 Chat Completions 介面支援多項功能,Search、Fetch、OCR、ASR、TTS 等底層能力亦可獨立呼叫。
這份指南整理 10 項讓 AI 語音輸出更自然的技巧,涵蓋選擇語音模型、整理文字標點、使用 SSML、調整語速和音高,以及加入停頓和輕微音效。指南亦建議在不同裝置測試、留意串流延遲,並根據用戶回饋調整;文中附有 ElevenLabs API 的 Python 範例。
VoiceDash 作者審查自家語音智能體入口的可攜性,發現通話紀錄及正規化文字稿可保留,但智能體大部分設定與工具仍由供應商掌握。審查發現同步路由未檢查供應商錯誤回應,可能令本地提示詞與線上配置不一致;目前只有 Retell webhook 會觸發通話分析。作者建議保存工具定義、正規化結束原因並把錄音複製至自有儲存空間,以減少遷移時對原供應商的依賴。
新聞機構運用 AI 語音,將突發新聞文字更新轉成音訊,並可自動發佈至文章、Podcast 或流動應用程式,縮短音訊製作時間。文章介紹神經 TTS、聲音複製及即時串流 API,並以 ElevenLabs API 示範生成新聞音訊。新聞室應披露音訊由 AI 生成、保護複製聲音資料,並在合成前核實內容。