由提示詞到説唱段落:AI 説唱生成器實際涉及哪些環節
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。
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。
CD Projekt Red 團隊在《The Witcher 3》新擴充內容《Songs of the Past》中使用 AI,找回 Geralt 原有的波蘭語聲線。配音員 Jacek Rozenek 的聲音在 2019 年中風後有所改變,他已同意這項做法。
任天堂宣佈《皮克敏 4:Switch 2 版》正式上市,港服 eShop 定價 379 港幣。遊戲新增「大家來挑戰 當多慮學院」模式,玩家可用語音指令與歐奇對話及指揮牠行動,並在限時內完成尋寶任務。模式設有三種難度,逢星期五、六、日開放周挑戰。
教學説明如何以 Whisper 或 Whisper.cpp,在本地 GPU 工作站架設自託管語音轉文字伺服器,處理即時音訊串流。伺服器可達低於一秒的轉錄延遲,音訊不會離開本地網絡,亦不設使用速率限制。Windows、macOS、iOS 及 Android 裝置均可連接同一後端。
Chariot 發佈 Chariot-1-TTS-Multilingual,支援 11 種印度語言及英語,提供超過 50 種聲線、句內兩種支援語言混讀,以及用數秒參考音訊複製聲線。
2026年中國智能外呼市場規模已突破186億元,規模以上企業的系統滲透率達63.5%,選型重點由撥號並發能力轉向意圖理解、執行閉環、人機銜接與合規。瓴羊 Quick Service 的 AI Agent 可對接 ERP、WMS、CRM 等系統;汽車場景的線索處理時間縮短50%、轉化率提升約20%。電銷與回訪可共用平台和知識庫,但對話流程、意向判定及人工介入策略須分開配置。
該智能呼叫中心架構透過邊緣網關轉換協議、本地離線 ASR 推理及雲端大模型編排,銜接傳統 PBX 與雲原生系統。本地流式 ASR 的首字延遲可控制在 200ms 內,並只傳輸文本,以降低延遲及合規風險。某公共服務企業的案例中,AI 自助服務率提升至 80% 以上。
阿里雲「一鍵創作 AI 有聲繪本」方案以 CAP、百煉和 OSS 串連文案、插畫、配音、字幕及影片合成,輸入故事即可生成完整的有聲繪本影片。方案支援定製插畫風格與配音音色、單頁重新生成及批量產出,並可消耗試用點體驗。
阿里雲 AI 即時互動方案將語音識別、多模態大模型、語音合成及 ARTC 即時通訊整合為工作流,讓用戶透過音影片通話與 AI 智能體即時互動。方案支援拖曳編排工作流及一鍵部署 Web 應用,平均通話成本約 0.1 元/分鐘;完整跑一次教程不到 1 元。
文章提出以阿里雲 AI 服務構建基層衞生語音隨訪系統,透過自動外呼、即時語音互動及生成結構化隨訪記錄,協助提升隨訪效率與規範性。方案採用 DashScope 的 Paraformer、qwen-plus 和 CosyVoice,並以函數計算、RDS 及 OSS 處理對話邏輯和資料儲存。
作者以辦公室桌面 PC 的 GPU、whisper.cpp、n8n 和 nginx,自建供多部裝置使用的語音轉文字 API。四部裝置可透過認證入口共用服務,音訊不離開其網絡;短句轉錄通常不到一秒,完整請求約需 2 秒。文章亦整理 CUDA 工具鏈、網絡綁定位址、n8n 音訊保留及 nginx 設定等部署陷阱。
Fish Audio 於 2026 年 11 月 10 日推出面向智能體的全雙工語音模型 Live 3,稱模型最短可在 186 ms 內決定輸出簡短反應;模型發佈時只支援英文,可透過其智能體平台、API 及企業本地部署使用。
這篇教學示範如何用 Python、FastAPI 和 ElevenLabs 的 TTS API 建立互動式音訊故事生成器,將故事文字合成語音並傳回瀏覽器播放。前端以 JavaScript 根據用戶選擇切換故事分支,也可選用 ElevenLabs 的語音克隆功能,為角色建立自訂聲線。
CD Projekt Red 將以 Respeecher 的 AI 聲音模型處理 Jacek Rozenek 為《The Witcher 3: Songs of the Past》錄製的新台詞,令波蘭語傑洛特的聲線貼近舊作演出。Rozenek 親自演繹每句新台詞,模型以他為《The Witcher 3》錄製的原始語音訓練,並經他同意使用。這款付費擴充內容預定於 2027 年推出。
作者將一份 1,023,437-byte 網頁轉成有聲書稿件,發現一次送入 34,806 字元及按 2,400 字元分塊均出現問題,按句切成少於 1,100 字元的方案則產生 35 段音訊。交付前,作者以分段檔案大小、ffprobe 時長和尾段 RMS 檢查完整性,最後選用 Edge neural 的 Andrew 聲線版本,總長 2,209.85 秒,而非 Phonon S 本地版本。
Google 宣佈 Gemini 即日起逐步接入 Apple CarPlay,全球 iOS 用戶可在車載螢幕透過 Gemini Live 進行免提語音對話。功能覆蓋 Gemini Live 已支援的全部語言,對話記錄會同步至 iPhone 上的 Gemini 應用。Gemini 亦可連接 Gmail、Google 日曆,協助查看行程、整理未讀電郵及摘要冗長的電郵討論。
教學示範如何用 Python、Flask、JavaScript 和 ElevenLabs TTS 建構語音控制的技術文件閲讀器,支援解析 Markdown/HTML 文件、語音播放及以語音指令切換章節。讀者亦可用 1-minute 錄音建立克隆聲音,並將原型擴展至多語言支援、離線 TTS 和 IDE 擴充功能。
字節 Seed 發布 Seed Audio 1.0 音訊創作模型,在統一框架下聯合建模人聲、音效及環境聲,以生成完整聲音場景。模型支援 100ms 間隔精度的時間控制、單次約 2 分鐘音訊生成及 20+ 語種,並已在火山方舟體驗中心上線。
字節 Seed 正式推出 SeedRealtime 原生音影片全雙工大模型,將音訊、影片與文字整合於統一架構,並支援連續多模態資訊流即時互動。它可進行音影片聯合理解、主動介入及對話節奏判斷;端到端人工評測顯示,相較級聯模型,音影片對話節奏問題減少一半。SeedRealtime 已在豆包 App 全量上線,更新至最新版本後,可在對話框選擇「打電話」進入影片通話體驗。
ElevenLabs 宣佈將協助企業以客戶對話資料微調 AI 模型,並開放會議記錄應用程式 ElevenAI 早期使用。公司預告 ElevenAgents 平台的 Memory 和 Routines 功能,分別可記住回訪客戶偏好及處理後續工作。ElevenLabs 亦推出合作夥伴計劃及應用市場,並擴大與 Nvidia 的合作,新增 15 MW 運算能力;合作夥伴開發的應用程式將於明年起供企業購買。
Kezek 將雙人單聲道錄音拆分為兩條對應説話者的音軌,供全雙工語音模型使用;音軌保持原錄音的長度和時間位置,重疊發言及短回覆留在相應説話者音軌,兩條音軌相加後與輸入完全一致。
ElevenLabs 於 2026 年 11 月 11 日的紐約峯會宣佈自訂模型、工作場所應用 ElevenAI 及合作夥伴計劃,並介紹 ElevenAgents 的 Memory、Routines 和 Interaction Engine 預覽。
Helix 籌得 $6.2 million 種子前融資,並推出裝置端語音驗證平台。平台可透過四個口述數字,在不到四秒內確認真人、估算年齡及進行生物特徵驗證;原始音訊會即時丟棄,年齡估算在裝置上完成。Helix 稱其 18+ 年齡門檻準確率為 96.8%,合成語音偵測可識別最新語音引擎生成的 99.6% AI 語音。
Decagon 推出 Decagon Labs 模型 Alto,負責控制雙向語音智能體的對話層,決定何時發言及説甚麼。Decagon 表示,Alto 在實際客戶通話中令問題解決率提升超過五個百分點,平均回應時間約 700 毫秒。模型推出前曾以超過 90 million 次模擬通話進行測試,並在實際流量中以影子模式評估。
這篇指南整理了在 Apple Silicon Mac 上安裝 CosyVoice 2 或 3 的官方步驟,並指出官方 README 以 Linux 為目標,未提供受支援的 macOS GPU 路徑。
教程示範如何把筆記改寫成雙主持人對話,再用 Murmur Projects 為兩位主持人分配語音、生成並匯出 Podcast;腳本須由用戶撰寫,Murmur 不會摘要筆記或代寫。語音在 macOS 15 或更新版本的 Mac 上本地生成,可匯出 WAV、M4A、文字逐字稿及標記時間 CSV。Projects 是 Pro 功能,完整授權為 $49 一次性付款,並設有 7 天退款政策。
AWS 宣佈 Amazon SageMaker AI 雙向串流推理新增按用量計量,讓模型供應商可向 AWS Marketplace 回報即時串流的實際用量,以計算軟件費用。
DeepL 推出 Aure 語音模型,讓 DeepL Voice 即時翻譯把原説話者的語氣、情緒、強調方式和語速帶入目標語言。Aure 會在對話進行時持續分析譯文和原始音訊。模型推出時支援英語、德語、西班牙語、法語、意大利語、日語、葡萄牙語和韓語,並自動用於 DeepL Voice for Online Meetings、In-Person Conversations 及 DeepL API。
DeepL 推出語音 AI 翻譯模型 Aure,稱其是迄今最具動態感、表現最逼真的語音 AI 模型,能在即時翻譯中重現説話者的語氣、情緒、重音及語速變化。Aure 已支援 DeepL Voice 網頁會議版、DeepL Voice 面對面交談版及 DeepL 語音 API,首發支援英語、德語、西班牙語、法語、意大利語、日語、葡萄牙語及韓語。
SolveMyMedia 推出 Transcribe,示範在瀏覽器本機執行量化 Whisper 模型,處理音訊時無須上傳至伺服器。文章比較指出,雲端語音 API 收費 $0.006 per minute,本地方案則為 $0.00,並可離線使用。
奇瑞捷途環遊者 EV 將於 11 月 16 日開啟預售,全系搭載 67.2kWh 磷酸鐵鋰犀牛電池。新車提供兩驅及四驅版本,CLTC 續航里程為 550km,電耗為 13.5kWh/100km。四驅版綜合功率為 275kW,0-100km/h 加速進入 5 秒區間。
National Health Authority(NHA)選定 Bengaluru 醫療 AI 初創公司 EkaCare,為公立醫療設施的環境式 AI Voice Scribe 方案提供技術支援,將醫患對話轉成結構化臨牀紀錄。
頻譜圖以時間、頻率和能量呈現聲音,文章解釋其座標含義、短時傅裏葉變換(STFT)的計算方式,以及時間細節與頻率細節之間的取捨。文中提供 Python 範例,使用 SciPy 分析先後為 440 Hz 和 880 Hz 的訊號,並介紹如何從實際錄音的頻譜圖辨認電流聲、噪音、齒音和混響。
OpenAI 宣佈於 2026 年 12 月 11 日停用 ChatGPT 的 Advanced Voice Mode 和 Standard Voice Mode,並把開發資源集中於 GPT-Live。
人聲分離的初步用途,是判斷歌手錶現、音準和節奏是否合適,而不是製作乾淨無殘響、無呼吸聲的卡拉 OK 式人聲。實際處理時,先將混音檔調整至平穩峯值,分離後與原檔對比;如結果可用,再以較温和的方式處理,保留更多伴奏和空間感,並檢查單聲道效果。
OpenAI 宣佈於 2026 年 12 月 11 日從 ChatGPT 移除 Advanced Voice Mode 和 Standard Voice Mode,原用戶將自動切換至 GPT-Live。
瓴羊Quick Service提供智能外呼的對話、風控與結果迴流能力,但不直接提供通信線路,需接入客戶自備或合作渠道的合規線路。文章比較回撥、AXB、SIP虛擬號、運營商直連和電銷卡,建議高頻篩選以回撥為主、通知回訪以直連為輔,區域及預算敏感場景可採用AXB。合規設計還須涵蓋呼叫頻次、話術、退訂及名單管理。
WebRTC 指南説明瀏覽器和應用程式如何在無需外掛程式下傳送即時音訊、影片和數據,並整理連線流程及適用場景。訊號交換由應用自行處理,ICE 會嘗試可用網絡路徑,無法直連時則可經 TURN 中繼;接駁電話號碼則需要媒體閘道及電訊商。文中引述的中繼通話估算約為 8% 至 25%,並指出印度無線上網普及、不同營運商的 IPv6 能力差異很大,建議按實際網絡測試。
挪威奧斯陸業餘無線電小組 LA4O 透過無線電語音指令,成功啟動在軌 OPS-SAT PRETTY 衞星上的《毀滅戰士》。團隊稱,這是全球首次透過無線電鏈路讓衞星自主識別並執行口頭指令;衞星使用約 27MB 的 AI 語音辨識模型,將接收的聲音轉成文字,再按「PRETTY」和「DOOM」等關鍵詞啟動程序。實驗於 2026 年 7 月 27 日完成,項目由構想到完成共用時 59 天。
挪威奧斯陸業餘無線電小組 LA4O 聯同 Tanagra Space 等團隊,透過地面無線電語音指令,成功令在軌 OPS-SAT PRETTY 衞星啟動《毀滅戰士》。