如何測試及 QA AI 生成語音內容
這份指南提供測試及 QA AI 生成語音內容的實用流程,涵蓋測試框架、功能與非功能測試、自動化檢查及人工評估。指南以 ElevenLabs 示範語音合成和音訊檢查,並建議在 CI/CD 中執行測試;人工評分低於 MOS 3.5 的樣本可重新生成或微調模型。
這份指南提供測試及 QA AI 生成語音內容的實用流程,涵蓋測試框架、功能與非功能測試、自動化檢查及人工評估。指南以 ElevenLabs 示範語音合成和音訊檢查,並建議在 CI/CD 中執行測試;人工評分低於 MOS 3.5 的樣本可重新生成或微調模型。
AssemblyAI 以 Amazon EC2 Spot Instances 執行語音轉文字推理,運算成本較 On-Demand 定價節省 70%。架構混合 Spot 與 On-Demand 執行個體,分散使用 g4dn、g5、g6 GPU 機型,並以 Amazon SQS 重試處理中斷,以維持 SLA。平台運算需求按年增長近 4 倍,該架構仍維持可持續的單位經濟效益。
《青海鳥類聲紋識別圖冊》在青海省自然教育發展大會上正式發布,是青海首部「聽聲識鳥」科普手冊。青海省國家公園科研監測評估中心與中國科學院西北高原生物研究所於5月啟動生物多樣性監測項目,採用全天候自動聲紋採集技術,為動物建立「聲音身份證」。
Baseten 推出 Baseten Voice Agent Stack,並推出建基於該平台的 Baseten Realtime Voice,供團隊部署及管理可自訂的生產級語音智能體。
ElevenLabs 本週推出實驗性應用程式 ElevenAI,結合會議記錄、聽寫及智能體整合,定位為團隊使用的工具。ElevenAI 目前仍處於預覽階段,需申請搶先體驗;聽寫功能支援超過 90 種語言,可在任何應用程式中將語音轉成整理後的文字。
DeepSeek 正式開放全套應用 API,開發者可透過原有 API 接入深度思考搜尋、文件輸入及閲讀連結等對話功能,並單獨或組合調用語音及底層能力。
推薦理由:此次更新把 DeepSeek App 的搜尋、文件輸入及連結閲讀等互動能力接入既有 API,並列出獨立介面與工具收費,便於評估自有應用的接入範圍和成本。
DeepSeek 開放全家桶應用 API,讓開發者可接入深度思考搜尋、文件輸入及語音等能力,實現與 DeepSeek App 基本一致的功能。
DeepSeek 開放全套應用 API,將 DeepSeek App 的多項互動功能整合至原有 API,開發者可在自家應用中復刻完整 App。
推薦理由:本次更新把搜尋、文件處理、網頁擷取及語音能力接入既有 API,並列出獨立介面和調用費用,方便開發者評估功能組合與成本。
DeepSeek 向開發者開放應用 API 能力,現有 API 啟用相應參數後即可提供網頁搜尋、檔案輸入及網址讀取等對話功能,工具調用和上下文組裝由服務處理。deepseek-flash 支援 Messages、Responses 和 Chat Completions API,另有 Search and Fetch、OCR、ASR 和 TTS 獨立 API。
Apple HomeView 透過鏡像 iPhone 或 iPad 上已安裝的兼容 App 提供功能,並把個人資料留在配對裝置上,以兼顧個人化與私隱。要在 HomeView 顯示訊息或日曆等個人內容,用戶須通過面容識別,並讓最近解鎖的 iPhone 或 iPad 留在附近;未獲識別的用戶只能執行基本操作。HomeView 採用語音優先、觸控其次的設計,沒有實體按鈕。
Bridget Carey 實測 Apple Watch 上 Siri Recap 的早期測試版,探討這項 Audio Intelligence 工具如何聆聽周遭對話並整理成重點。測試涵蓋排程、私隱、耳機、視像通話及日常對話等情境,並分享實際使用感受。
CutVoke 以本地 faster-whisper 產生字幕草稿,不直接修改專案;人工或 Agent 校對確認後,字幕才會作為一個可撤銷批次提交。草稿會綁定來源簽名,片段或來源檔案有變更時便拒絕提交,避免舊時間戳寫入時間軸。任務和校對草稿存於與專案共用的 SQLite 資料庫,關閉應用程式後仍會保留;辨識結果仍需人工核對,尤其是人名、方言及音樂較多的音訊。
騰訊混元發佈實時語音模型 Hy Realtime,具備語音理解、指令遵循、擬人化表達、Agentic 工具調用及唱歌能力。模型已在元寶語音通話和騰訊客服上線,近期將登陸騰訊雲並提供 API;用戶亦可透過最新版元寶 App 選用「初語」音色,或在網頁 Demo 體驗部分能力。
騰訊混元於11月13日發布即時語音模型 Hy Realtime,提升語音理解、指令遵循和擬人化表達能力,並新增智能體工具調用與唱歌能力。模型目前已在元寶語音通話、騰訊客服上線,近期將登陸騰訊雲並對外提供 API 服務。下一階段將重點提升雙工互動、長期個人化記憶及前後台 Agent 互動能力。
Load Bearing Empire 以 Supabase 和 VAPI 構建 QHV 多智能體語音指揮中心,可同時處理 8 個 AI 智能體,涵蓋代客泊車、拆卸、資本及信用修復業務。
騰訊混元正式發佈即時語音模型 Hy Realtime,提升語音理解、指令遵循及擬人化表達能力,並新增智能體工具調用和唱歌能力。模型已在騰訊元寶語音通話及騰訊客服上線,近期將登陸騰訊雲,向開發者和企業客戶提供 API。下一階段將重點提升雙工互動、長期個性化記憶及前後台 Agent 互動能力。
騰訊混元發佈即時語音模型 Hy Realtime,新增智能體工具調用和唱歌能力,並已在元寶語音通話、騰訊客服等產品上線。模型可結合上下文理解不完整或經修改的語音意圖,並判斷是否調用網絡搜尋;近期也將上線騰訊雲並提供 API 服務。
騰訊混元於11月13日發佈全新即時語音模型 Hy Realtime,新增 Agentic 工具調用與唱歌能力。模型在語音理解、指令遵循及擬人化表達等基礎對話能力上表現優異。Hy Realtime 已在元寶語音通話、騰訊客服等產品上線,近期亦將上線騰訊雲並提供 API 服務。
Meta 為 Muse 推出外撥通話功能,供美國付費訂戶使用。Gemini 和初創公司 Instinct 亦提供類似選項。
ElevenLabs 在 11 月 11 日的紐約峯會公佈 13 項新產品及更新,作者認為其中 3 項已上線或開放早期體驗,值得語音智能體開發者優先留意。
Google 於 2026 年 11 月 12 日開源 XSE(XLA Serving Engine),支援 Search、Ads 和 YouTube Shorts 生產環境每秒 600 萬次查詢。
miragea-audiobook 透過 Miragea API,將 EPUB、Markdown 或文字檔轉成以克隆聲線朗讀、附有章節標記的 M4B 有聲書,無需 GPU。
比亞迪第三代唐正式開啟預售,預售價為22.5萬元至26萬元,定位大五座旗艦SUV。車型搭載第二代刀片電池與閃充技術,後驅版CLTC純電續航最高850km,四驅版為770km。全系採用五座佈局,並標配11個安全氣囊及天神之眼 B 輔助駕駛激光版。
這篇教學示範如何使用 ElevenLabs 的 TTS API 建立 Podcast 開場白生成器,將節目名稱、單集標題及主題等資料套入腳本,生成語音檔。流程亦涵蓋以 Python 建立腳本、加入 0.5 秒淡入淡出效果,以及整合成 CLI 工具。
Microsoft 發佈七款自研 MAI 模型,涵蓋推理、編碼、圖像生成、語音轉錄及語音生成。MAI-Code-1-Flash 已整合 GitHub Copilot 和 Visual Studio Code。
Liquid AI 發佈 LiquidCodec,這是一款約 74M 參數的串流語音 codec,可將 24 kHz 語音編碼為語言模型可預測的 token,再解碼還原音訊。
eDIAR 以 e-means 在所有説話者槽位用盡後再聚類嵌入向量,無需重新訓練即可解除串流説話者分段的固定人數上限。在長達一小時的會議中,它比 Streaming Sortformer 更準確,而且每次更新的成本不隨會議長度增加;e-means 亦以快數倍的速度達到 Lloyd's k-means 的聚類品質。
AvatarSay 開發者構建文字生成虛構角色的説話角色工具,並對多款可免費試用或一次性付費的瀏覽器工具進行並排測試。AvatarSay 一次性付費點數包由 $9.90 起且永不過期;測試中的 3 秒影片需時 3 分 32 秒,6 秒影片則需時 12 分 23 秒。工具不接受照片上載,並將免費片段文字上限設為 75 個字符。
Fish Audio S2 Pro 可透過 Murmur 的 MLX 版本在 macOS 15 或更新版本的 Apple Silicon 與 Intel Mac 本機執行;Fish Speech 官方安裝文件的目標環境則是 Linux 或 WSL。
文章整理在 Mac 上用 Python 實現文字轉語音的四種做法:使用 macOS say、pyttsx3、本地神經網絡模型,或透過 subprocess 呼叫 Murmur CLI。
Aqib指出,語音智能體即使整體 WER 約為 1%,仍可能辨錯密碼等關鍵欄位,因此應另行評分其實際採用的數字、姓名、日期和代碼。
Quiq 宣佈其 Voice AI agent 已在 Zoom App Marketplace 上架,並整合至 Zoom Contact Center,讓企業自動處理例行服務電話,並可在需要時轉交由人工客服跟進。
iOS 微信消息列表頂部的搜尋框新增按住找人發訊息功能,用戶説出好友及訊息內容後,微信會跳轉至該好友的對話框,並以文字形式發送訊息。此功能仍在灰度測試中,只有部分用戶可以體驗。
Google 與 Samsung 合作的 Intelligent Eyewear 將於 12 月 10 日推出,Warby Parker 和 Gentle Monster 款式起價分別為 $395 和 $449。
ElevenLabs 推出 Scribe v3 和 Scribe v3 Live,後者結合對話語境與音訊訊號判斷説話者是否已完成發言,以免語音智能體在來電者短暫停頓時打斷對方。
NiCE 宣佈推出 Cognigy 平台新一代版本,新增 AI 輔助開發、可重用技能、決策追蹤及原生語音對語音互動。平台可透過 MCP 和 A2A 連接外部智能體及企業系統,並結合自主智能體、結構化工作流程與確定性邏輯,提供模擬評估、執行追蹤和審計記錄。預設 AI 模型費用已包括在對話價格中,客戶可按用量加入高級第三方模型或沿用自有模型合約;現有生產部署維持不變,客戶可按準備情況採用新功能。
RecToText 是免費的線上工具,可在瀏覽器內將 MP3、MP4、WAV、M4A 或 MOV 錄音轉為文字稿或字幕檔,無需安裝或帳戶。工具支援 99+ 種語言的自動語音識別,並為文字稿加入時間戳記,可匯出 TXT 或 SRT。免費方案每天可轉錄 2 次,檔案上限為 25MB 或 10 分鐘。
科大訊飛已在訊飛開放平台為星火語音基座大模型 SparkAudio 1.0 上線 API 服務,開發者可直接接入調用。模型支援文字及語音輸入、文字輸出,涵蓋語音轉寫、多語言翻譯、多方言識別、環境音理解、説話人分離、情感分析及音訊問答,並支援 99 種語言和 202 種方言。
Hasbro旗下AI業務 Sixth Wall 正以 Character.OS 讓授權角色參與AI互動,並按角色的世界觀、個性及安全要求設定限制。平台現以純音訊互動為起點,語音演員會為角色錄製專屬表演,並因錄音及持續使用其權利獲得報酬;Sixth Wall亦希望擴展角色授權名單,並加入視覺化身。
RapVid AI 根據數週測試 prompt-to-rap 工具的經驗整理生成方法,指出應先設定速度、節拍感和每小節音節數,再處理歌詞。提示詞可指定曲風、節奏密度、押韻格式及 Hook 的行數和重複詞等限制。文章建議依次檢查節奏貼合度、換氣、子音清晰度和即興襯句,並以同一速度生成三段短版本,再拼合各段最佳四小節。