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。
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。
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。
Anthropic 於 2026 年 11 月 10 日推出 Claude Meetings,讓 Claude 以可見參與者身份加入 Google Meet,目前以 beta 形式供 Team 和 Enterprise 使用。
Ricky 建立 Readaria,一款採用 AGPLv3 授權的自託管 RSS 閲讀器,支援文章朗讀及 AI Podcast。
Fish Audio 發佈 Live 3,這款面向即時語音智能體的全雙工語音模型可同時聆聽和説話,並在語音模型內處理對話輪次時機。短促回應的決策最快可在 186 ms 內完成,這不是完整回答的首段音訊延遲;Fish Audio 尚未公佈基準分數。
ElevenLabs 示範如何在 React 前端整合文字轉語音,透過 `/v1/text-to-speech/{voice_id}` 端點傳送文字並接收音訊,再於瀏覽器播放。文章亦説明如何建立自訂語音並在 TTS 請求中使用,以及如何選擇以串流方式提早播放音訊。
SongUp AI 的「送給爸爸的歌曲」表單顯示,生成內容要具體,表單應逐項詢問真實細節,而非要求用戶形容對方。名字應設獨立欄位並提供發音提示;歌詞超過約 1,700 個字元時,讓用戶選擇分段、縮短或繼續。用戶可先聽自己歌詞製成的 30 秒試聽,再以 $2.99 購買完整歌曲。
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。
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%。
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。
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。
Google 在 11 月 Pixel Drop 中將 Gemini 驅動的 Rambler 語音輸入功能擴展至 Pixel 10 系列,讓用戶可把自然語音轉成通順文字。
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。
Sierra 一名設計師運用 AI,僅用兩週便將一個項目從構思推進至正式製作。項目過程亦帶來了一些經驗。
Google 在 Google AI Edge Gallery 加入可完全離線運行的端側語音辨識與文字轉語音能力,並提供 Android 及跨平台開發方案。Android 端的 ML Kit 語音辨識支援 100+ 種語言,速度達即時語音的 10x;文字轉語音約 100 ms 開始播音,速度最高達 50x。
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%。
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。
WellSaid 於 2026 年 11 月 10 日推出 Producer,讓配音製作工具可透過 MCP 接入 Claude、ChatGPT、Copilot 等工作流程。
Zyphra 發佈 ZONOS3-Mini,一款採用 MoE 架構、總參數量 800M、每個 token 約有 100M 活躍參數的開源即時文字轉語音模型。模型支援零樣本聲音克隆及逐詞表達控制,權重採 Apache 2.0,並提供 WebGPU、MLX、ggml 和 SGLang-Omni 等部署路徑。
上海言通提出五層協同智能交互引擎評估框架,從感知、理解、決策、生成及通信支撐五層,量化評估智能外呼方案。框架涵蓋噪聲魯棒性、多輪一致性、跨層協同與成本效益,並建議以對抗測試及通信資質核驗評估方案。
Garon 分享打造聽寫及會議應用 Glimpse 的經驗:先加入用戶期待的功能,再從實際使用中找出值得改進之處。他受課堂筆記需求啟發,打造能配合即時逐字稿更新筆記的功能,並指出持續使用自己的產品有助及早發現問題。
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。
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。
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。
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。
DJI Mic Mini 2 迷你無線麥克風在京東 11.11 大促期間疊加 10% 國補後售 220.5 元,低於 599 元起售價。產品支援三檔音色預設、兩級智能降噪及 32-bit 浮點內錄,搭配充電盒綜合續航 48 小時。
Otter.ai 宣佈擴展多語言轉錄,新增功能將可在同一場會議中跟隨講者切換語言;完成推出後,平台將支援 31 種語言。新增語言中有 13 種現已提供,另有 14 種即將推出。
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。
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。
InferenceKey 在單張 32 GB RTX PRO 4500 Blackwell 上實測 NVIDIA Nemotron 3.5 Transcribe,評估提示詞如何選擇逐字稿、清理稿或附逐字時間戳的説話者輸出。
pyannote.audio 在 MacBook Air M3 上改用 Apple GPU(MPS)後,180 秒音訊的説話者分離由 1 分 33 秒縮至 21 秒,整體流程估算由 1 分 59 秒縮至 48 秒。
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。
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。
作者構建並開源 4 個面向真實環境壓力測試、離線使用及數學確定性的生產級系統。HardCall 的語音中斷 SLA 為 52ms;Zhishu Agent 透過沙盒測試循環修復程式;StatementFlow AI 以 TypeScript 確定性驗算財務資料;TERRA 支援離線運作及 60FPS 3DGS。4 個專案均以寬鬆授權開源。
林肯官方宣佈全新林肯 Z 正式上市,提供燃油版與強混版,限時權益價 16.99 萬起,截至 11 月 30 日。強混版綜合功率 234 kW,0-100km/h 加速 6 秒級,綜合工況油耗低至 5.99L/100km,續航 885 公里。veg
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。
林肯全新林肯 Z 正式上市,定位中大型豪華旗艦轎車,提供燃油及強混版本,限時優惠價 16.99 萬元起,有效至 11 月 30 日。車款搭載支持 AI 大模型的 VA4.0 語音助手;強混版綜合功率 234 kW,續航 885 公里。
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。
雷鳥為雷鳥 iO AI 智能眼鏡加入高德導航,用戶可語音喚醒 RayNeo AI 並選擇步行或騎行模式,HUD 會顯示轉向方向、距離及剩餘里程與時間。導航支持自動重新規劃路線,並可與手機同步刷新;眼鏡還新增智能推薦看板和“技能庫”。
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。