跳到正文

#語音

今日 17 條
今天11月22日週日17 則
  1. DEV Community45

    Android 離線聽寫:解讀裝置端 Whisper

    裝置端 Whisper 可在 Android 手機上處理語音轉文字,模型下載到手機後,聽寫毋須連接伺服器;模型較大通常辨識較準,但會佔用更多儲存空間和記憶體,速度亦較慢。Utterwove 提供可下載的多語言 Whisper Tiny、Base 等模型,個人字典則可用詞語替換修正人名及專有名詞。下載模型、登入、試用和授權檢查仍需網絡,選用的 AI 寫作模式亦會把文字傳送給服務提供者。

  2. DEV Community51

    Speakvora 每月 100,000 個免費字元可生成多少小型商戶語音內容

    Speakvora 每個帳戶每個曆月提供 100,000 個免費語音字元,超出部分按每 1M 字元 $3 收費。Speakvora 的 speech API 對相同文字及聲線重用已儲存片段,不再計費或計入字元;措辭不同則會成為新句。Agent 每月新句字元上限預設為 100,000、固定上限為 200,000;用完後,該句會改播電話供應商的語音,並由 Agent 記錄。

  3. 阿里雲開發者社區 AI40

    AI 語音及多模態數據痴呆症檢測研究綜述

    這篇綜述梳理 AI 如何利用語音及多模態數據檢測痴呆症,並追蹤方法從手工聲學特徵、傳統分類器,演進至自監督語音模型和大語言模型推理。文章比較純聲學分析、多模態融合、大模型推理及聯邦學習等路線,並討論數據稀缺、私隱保護、模型可解釋性與公平性等挑戰。

  4. DEV Community39

    ElevenLabs 如何為 React 應用加入語音

    ElevenLabs 可透過伺服器端 Node.js 代理接入 React 應用,將文字送至 API,再把串流 MP3 音訊傳回瀏覽器播放。文章示範建立可重用的語音按鈕,並説明如何避免在瀏覽器暴露 API key,以及選用語音複製功能。

  5. DEV Community29

    播客創作者如何運用 AI 製作多語言集數

    播客創作者可運用 AI 將單一語言的腳本翻譯並轉換成多語言音訊,製作多語言集數。文章以 ElevenLabs 示範 TTS 音訊生成流程,並介紹翻譯、語音克隆及音訊修整等步驟。複製聲音時,需準備 20–30 分鐘清晰錄音,模型訓練通常需時 30–60 分鐘。

  6. DEV Community40

    M²:察覺你緊張時,保持平靜的語音伴侶

    M² 是一款運用 Presage SmartSpectra SDK 讀取呼吸、脈搏及面部表情的語音伴侶,協助用戶在回覆訊息前放慢步調。它會將讀數與用戶自己的平靜基線比較,提供建議但不會讀取或發送訊息;應用程式採用 MIT 授權並公開提供,且不屬於醫療裝置。

  7. DEV Community54

    ChatGPT 能讀出歌詞,卻難以辨認旋律

    作者實測 ChatGPT 語音功能,並測試三種 OpenAI API 路線,發現這些系統能依歌詞辨認歌曲,卻幾乎不能只憑哼唱辨認旋律。在 MTG-QBH 測試中,逐字稿路線和 gpt-audio-1.5 各辨認有歌詞歌曲 71/76 首,gpt-realtime-2.1 辨認 74 首;對 30 段無詞錄音,三者分別只辨認 0、1、1 首。

11月21日週六
  1. MarkTechPost52

    OpenAI 將語音模型 GPT-Live-1.1 上線 API,新增每分鐘 $0.02 待機費率

    OpenAI 已在 API 提供語音模型 GPT-Live-1.1,新增待機模式,閒置 WebRTC 時段每分鐘收費 $0.02,低於啟用時的 $0.05。模型支援多語言全雙工對話;OpenAI 稱其口音、轉錄、字母與數字處理及任務完成能力有所改善,但未公佈基準分數。待機期間推理會暫停而 WebRTC 連線保持開啟,閒置逾時可設定為 5 至 60 秒。

  2. DEV Community54

    作者打造自託管語音複製工作室 Echo,配備會説話的 3D 虛擬角色

    作者將 Echo 擴展成可自行託管、以 CPU 運行的語音複製工作室,能以數秒語音樣本生成指定聲線的朗讀,並讓 3D 虛擬角色同步嘴形。它使用 Coqui TTS 的 YourTTS 多語言模型,透過常駐 Python Worker 載入模型並逐項處理工作;語音庫和最近 50 次生成記錄則存於瀏覽器 IndexedDB。

  3. DEV Community45

    當 ASR 時間戳超出音訊時長

    一次 ASR 測試中,音訊長 541.07 秒,辨識片段的結束時間卻達 552.04 秒,超出 10.97 秒,影響字幕及配音的時間對應。排查時應比較容器時長、解碼後音訊時長及送交辨識器的音訊樣本數,並測試時間戳異常和分段映射;截斷時間戳未必能令字幕同步。根本原因仍未確認,Windows 配合 NVIDIA GPU 的長影片重測仍在進行。

  4. DEV Community41

    建立 ElevenLabs 語音新聞閲讀器應用程式

    開發者可用 Python、React(或原生 JavaScript)、NewsAPI 和 ElevenLabs 建立語音新聞閲讀器,擷取新聞標題並轉成音訊串流播放。教學示範以 Flask 提供 `/read` 端點,亦説明如何選擇性地用 60 秒錄音複製聲音。ElevenLabs 免費方案每月提供 5,000 個字元。

  5. DEV Community29

    如何構建即時語音翻譯應用程式

    文章示範以 Deepgram 語音轉文字、Google Cloud Translate 翻譯及 ElevenLabs 文字轉語音,構建即時語音翻譯流程,並以 Node.js/Express 後端串接各項服務。範例程式少於 200 行,另建議使用 Deepgram WebSocket 串流 API,並分別擴展語音辨識和語音合成微服務。

  6. DEV Community27

    Voxis:將文字轉化為逼真的 AI 語音

    Voxis 是一個 AI 文字轉語音平台,可將文字轉化為自然、富表現力的語音,並提供聲音複製、自訂聲音及多項語音生成參數控制。平台以 Chatterbox Turbo TTS 作為語音生成引擎,並支援互動式音訊波形播放、Cloudflare R2 音訊儲存及管理音訊、聲音和用量統計的儀錶板。

  7. CNET61

    Google Gemini 與 Watch Duty 合作轉錄消防無線電通訊

    Google Gemini 團隊與野火追蹤應用程式 Watch Duty 合作,以 AI 工具轉錄消防無線電通訊,協助加快野火警報處理。在 2026 年 7 月華盛頓州 Railroad Fire 的測試中,工具在不到 30 秒內轉錄一通幾乎無法辨認的 911 通話。導入後,字詞錯誤率下降約 15%,志願者對無線電轉錄工具的滿意度由約 35% 升至 92%。

11月20日週五
  1. DEV Community60

    如何取得 Spotify Podcast 單集逐字稿,而不直接處理 Spotify 音訊

    取得 Spotify Podcast 單集逐字稿的方法,是從 Apple Podcasts 搜尋節目的 RSS feed、比對集數,再轉錄 feed 中的音訊,而非直接處理 Spotify 音訊。作者亦提供 Apify Actor 一鍵流程;文中一次實測輸出 7,324 個單詞並附時間戳,費用約 $0.19,而 Spotify 獨家節目因沒有公開 feed,無法用此方法處理。

  2. TechCrunch · AI41

    六款可令家居辦公室更智能的 AI 裝置

    六款值得留意的 AI 家居辦公裝置包括 Flowtica Scribe Pen($159)、Anker Soundcore Work($159)、Logitech MX Keypad($99)、Kindle Scribe Colorsoft($629)、Insta360 Link 2 Pro($249)及 Autonomous Desk Pro($599)。

  3. DEV Community53

    在瀏覽器內執行 Whisper:免上傳、無檔案上限轉錄工具背後的 5 項設計取捨

    Vipul Singh 開發了一款完全在瀏覽器內執行 OpenAI Whisper 的轉錄工具,無須上傳或註冊,檔案數量、轉錄時長及單檔長度均不設上限。工具使用瀏覽器媒體引擎解碼,按需載入 Whisper/Transformers.js,並分開顯示模型下載與轉錄進度;説話者標記依據輪次變化,並非真正按聲音身份辨識説話者。