跳到正文
11月11日週三
  1. HuggingFace Daily Papers(社區熱門論文)42

    WaveGen:透過內部頻譜軌跡學習實現真正端到端的波形生成

    WaveGen 提出以 Spectral Forcing 為基礎的端到端擴散式文字轉波形框架,在單一模型內共同學習頻譜與波形軌跡,無需外部音訊編解碼器、聲碼器、潛在模型或對齊模組。在 Seed-en benchmark 上,WaveGen 的 WER 為 1.47、SIM 為 0.75,並在 Emilia 訓練數據集上達到最先進的文字轉語音表現;模型規模由 0.1B 擴展至 0.6B 參數。

  2. 阿里雲開發者社區 AI21

    人工智能在英語教培行業的應用

    AI在英語教培行業的應用已由拍照搜題和機器跟讀,發展至涵蓋學員學習、教師授課、測評服務及機構營運的全流程方案。虛擬外教、自適應學習、智能備課與作業批改等應用,支援個人化教學及學習追蹤。AI負責高頻基礎訓練與標準化回饋,教師則專注高階引導和情感激勵。

  3. DEV Community60

    ElevenLabs 有聲書配音的實際成本拆解

    作者依據 2026 年 11 月 8 日核對的 ElevenLabs 官方定價,換算不同篇幅有聲書的成本,並把重錄用量納入估算。90,000 字小説約需 540,000 個字符、成品約 9 小時;Pro 每月 $99,計入 30–50% 重錄用量後,約可完成 75,000 字。

  4. DEV Community28

    Podcast 主持人如何利用 AI 製作多語言單集

    Podcast 主持人可利用 AI 語音方案製作多語言單集,流程涵蓋腳本整理、語言選擇、語音克隆、文字轉語音、後期製作和發佈。文章以 ElevenLabs 示範語音克隆與 TTS,並介紹以 API 生成各語言音訊及使用 FFmpeg 合併音軌。文中案例列出西班牙語聽眾增長 40%,以及後期製作時間減少 25%。

  5. 虎嗅62

    即時互動研究背後,一批年輕研究者走到台前

    即時互動研究正匯合全雙工語音、全模態建模與持續推理等路線,一批年輕研究者也透過高校、開源社羣及企業合作推進技術落地。文中以 Seeduplex、SeedRealtime、MiniCPM-o 4.5、Interaction Models 和 GPT-Live 等為例,指出全雙工的核心是模型在輸出時仍處理新輸入並調整回應,而非單純降低延遲。

  6. IEEE Spectrum47

    語音處理先驅 Bishnu Saroop Atal 逝世,享年 93 歲

    語音編碼先驅 Bishnu Saroop Atal 逝世,享年 93 歲;他曾於 Bell Labs 及 AT&T Shannon Laboratory 從事聲學與訊號處理研究。他參與開發線性預測編碼及 code-excited linear prediction,後者成為現代語音編碼的基礎技術,有助數碼通訊以較低頻寬傳送語音。

  7. OpenAI Developers:Blog52

    GPT-Live 四個語音智能體開發案例:Juno 如何改善慢性病患者的健康助手

    Juno 團隊分享以 GPT-Live 建構慢性病患者語音健康助手,利用背景處理記錄與記憶及引導智能體減少對話停頓。團隊表示,交接至文字智能體的次數減少 40%,測試通話中的最長沉默由 9.3 秒降至 3.2 秒。他們先讓 290 名患有慢性病的美國成年人測試聲線,再讓 171 名新參與者比較兩款新聲線與現有聲線;勝出的新聲線獲更多人選為最喜歡,但疲憊日情境下現有聲線略佔優。

  8. OpenRouter:Announcements70

    OpenRouter 示範如何用 Python 搭建語音 AI 智能體

    OpenRouter 的教程示範如何用 Python 搭建餐廳訂位語音智能體,串接語音轉文字、LLM 工具調用與文字轉語音。12 個測試回合的伺服器端首段音訊時間中位數為 1.9 秒;按 2026 年 10 月 8 日測試時的促銷價格估算,四回合對話每分鐘處理語音約 $0.013,TTS 約佔模型成本 90%。

  9. Thurrott48

    Spotify AI DJ 新增英語和西班牙語聲線

    Spotify 為 AI DJ 新增英語和西班牙語聲線選項,並加入關閉歌曲間評論的設定。Premium 用戶可在 DJ 已推出的 75+ 個市場使用新聲線;新增選項包括七種英語聲線和兩種西班牙語聲線。翻譯和評論設定可在 Spotify 手機應用程式的三點選單中選擇。

11月10日週二
  1. CNET51

    Spotify DJ 新增九種聲線及可關閉旁白選項

    Spotify 為 AI DJ 功能新增九種主持聲線,並加入可關閉主持旁白的開關。新增聲線包括七種英語聲線,涵蓋英國、美國、愛爾蘭、澳洲和印度口音,以及兩種墨西哥口音的西班牙語聲線;更新由週二起在現有 DJ 市場推出。關閉旁白後,啟動 DJ 或按 DJ 按鈕切換模式時仍會聽到簡短提示。

  2. Engadget48

    Spotify 為 AI DJ 加入新聲線

    Spotify 為 AI DJ 加入聲線個性選擇及關閉旁白的選項。用戶可在英語聲線中選擇七種個性,或在西班牙語聲線中選擇兩種;關閉旁白後,AI 聲音只會在播放時段開始或用戶要求更換音樂時説話。兩項新功能正向所有提供 DJ 服務地區的 Premium 訂戶推出。

  3. Unite.AI42

    Modulate 獲 Twilio Ventures 等投資,並加快 AI 語音偵測

    Modulate 宣佈獲 Twilio Ventures 和 Kayak 聯合創辦人 Paul English 投資,並提升 Velma 平台的 AI 語音偵測速度。公司稱,最新模型識別 AI 生成語音的中位時間由 2.25 秒降至 1.6 秒,在真實通話評測中的準確率仍高於 99.1%。Velma 亦新增十多種音訊訊號,用於分析來電者及 AI 語音代理的對話表現。

  4. TechCrunch · AI58

    Spotify AI DJ 加入新聲線、個性及減少解説選項

    Spotify 為 AI DJ 加入新聲線與個性選項,並新增減少歌曲間解説的設定,功能由 11 月 10 日起向 DJ 已支援市場的 Premium 用戶推出。新增聲線包括 7 種英文選項及 2 種西班牙文選項;西班牙文聲線取代原有的 Livi,原有聲線 X 則保留。用戶可將歌曲間解説減至只在啟動和關閉 DJ 時提供簡短提示。

  5. DEV Community60

    ClinicLog 如何讓模型加標點,並由程式碼把關文字修改

    ClinicLog 的治療紀錄工具由程式碼把關模型輸出,限定標點流程不得改字,並以規則限制修復流程對逐字稿的修改。修復時不得刪除否定詞,通過的修改會標記供治療師審閲,未通過的行則還原為辨識原文。真實錄音測試顯示,在 4 段希伯來語錄音中,單語模型有 3 段錯誤率較高、1 段打和;作者因此按診所申報語言選擇單語或多語辨識模型。

  6. 阿里雲開發者社區 AI42

    阿里雲語音服務 AI 語音呼叫系統的設計與實現

    文章以阿里雲智能語音交互服務的 RESTful API,示範如何用 Python 建立 AI 語音呼叫系統核心流程,串接 ASR 語音識別、關鍵詞意圖匹配與 TTS 語音合成。示例使用 16kHz wav 音訊,並説明 Token 管理、音訊格式及並發處理等注意事項。此方案適合快速驗證及中小型業務場景。

  7. 新浪科技52

    雷鳥創新為 iO AI 眼鏡接入高德導航,並新增聲紋識別及航班動態

    雷鳥創新為 iO AI 眼鏡推出多項功能更新,接入高德導航,並新增航班動態、聲紋識別及離線翻譯。導航會以 HUD 顯示轉向方向、距離等資訊,偏離路線時自動重新規劃;智能推薦看板則提供實時航班動態和高德打車行程資訊。全天智記新增聲紋註冊、文字選取與複製功能,並在事件總結及日記完成後發送通知提醒查看。

  8. 阿里雲開發者社區 AI50

    如何用阿里雲 CMS 2.0 RUM 排查 AI 語音 WebSocket 建連問題

    本文説明如何用阿里雲 CMS 2.0 RUM 記錄 AI 語音應用的 WebSocket 握手結果與耗時,排查建連失敗;具備端雲追蹤條件時,亦可透過 Trace 關聯服務端處理。方法以一次連線嘗試為採集單位,記錄至首個終態並避免重複上報,再結合用戶會話、App 版本、裝置及網絡環境分析。文中亦提醒,單憑 403 無法判斷具體拒絕原因,需進一步核查診斷證據。

  9. 新浪科技20

    美式豪華轎車上新!新款林肯Z上市:16.99萬元起

    新款林肯Z今日上市,共推出五款配置,官方指導價為23.58‑29.98萬元,11月30日前限時入手門檻低至16.99萬元。新車提供燃油及強混版本,強混版綜合功率234千瓦,綜合油耗5.99L/100km,續航可達885公里。搭載的全新VA4.0語音助手接入大模型,支援連續對話及主副駕分區識別。

  10. Unite.AI56

    Otter.ai 為會議轉錄服務新增 13 種語言,預覽自動語言切換

    Otter.ai 宣佈會議轉錄服務新增 13 種即時可用語言,另有 14 種即將推出,完成後支援語言總數將達 31 種。公司亦預覽多語言模式,讓系統在同一場會議中隨參與者轉換支援語言而轉錄;該功能尚未推出,現時仍須手動選擇語言。新增語言適用於桌面、手機及瀏覽器上的各 Otter 方案,毋須額外付費。

  11. 新浪科技27

    博世旗下 AVONIC 發佈 CamDirector® Voice Tracker 4.0

    AVONIC 發佈 CamDirector® Voice Tracker 4.0,升級包括重新設計的用戶介面、可互動的 Room Canvas、簡化的攝像機配置,以及新增支援 Nureva HDL310 和 HDL410。系統最多可控制 10 台攝像機,並根據陣列麥克風提供的聲源定位資料,自動選擇攝像機追蹤發言人。