跳到正文
  1. AWS Machine Learning Blog63

    Amazon Polly 推出語音複製功能,讓品牌建立專屬聲音

    Amazon Polly 的語音複製功能已正式推出,目前採受限開放,只有部分客戶已獲啟用。用戶可提供 1–10 段經説話者同意的錄音,通常 5–10 分鐘即可完成聲音建立,功能支援七種語言。建立聲音免費,合成語音則按用量收費;聲音只屬建立它的 AWS 帳戶及區域,並可透過 Amazon Polly API 用於即時或長篇語音合成。

    推薦理由:文章除介紹功能外,也列出建立流程、説話者同意、權限管理及區域配額,呈現將語音複製整合至應用程式時的實務環節。

  1. Hugging Face Blog67

    Rumble-2-Flash 開源,支援 40+ 種語言的 0.5B 語音辨識模型

    Rumble-2-Flash 以 Apache 2.0 授權開源,是支援 40+ 種語言的 0.5B 語音辨識模型。在 Open ASR Leaderboard 多語言賽道,它跨 9 種語言的平均錯誤率為 6.96%,優於 Meta 的 omniASR-LLM 7B 和 Whisper large-v3。

    推薦理由:文章以多語言辨識榜單及真實客服通話基準比較 Rumble-2-Flash,呈現小型模型在不同語音條件下的錯誤率表現。

  2. Microsoft AI:官方博客77

    Microsoft 發佈七款 MAI 模型,涵蓋網絡安全、編碼、圖像、語音及決策

    Microsoft 在 Ignite 2026 發佈七款新模型,涵蓋網絡安全、編碼、圖像生成、即時語音、轉錄及決策。

    推薦理由:文章按網絡安全、日常企業編碼等場景列出基準表現及成本比較,呈現不同模型在任務表現與價格之間的取捨。

  1. IT之家79

    DeepSeek 開放全套應用 API,開發者可 1:1 復刻完整 DeepSeek App

    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。

  1. Hugging Face Blog65

    深入瞭解 Phonon TTS:推出高質素裝置端語音生成,基準測試表現領先

    Phonon TTS 推出兩款可在裝置上離線運行的文字轉語音模型,合計支援五種語言。兩款模型約為 65 MB 和 75 MB;Phonon 31m 採 Apache 2.0,Phonon 40m 涵蓋五種語言並採非商業授權。

    推薦理由:文章同時交代 Phonon 的離線運行方式、授權與多語言支援,並對照 Open TTS Leaderboard 的可理解度及速度表現,呈現小型語音模型的部署特點。

  1. DoNews80

    OpenAI 公佈 ChatGPT 最新數據:每週活躍用戶達 12 億,兩個月新增 2 億

    OpenAI 消費者產品負責人 Adam Fry 表示,ChatGPT 每週活躍用戶已達 12 億,過去 60 天由 10 億增加約 2 億。他稱 ChatGPT 每週處理的搜尋類查詢量約為 Google 的五分之一,語音輸入及語音對話合計有 2.5 億週活躍用戶,每週生成 15 億張圖片。凡觸發 ChatGPT 聯網搜尋的問題均計作一次搜尋,單純寫作和編程請求不計入。

    推薦理由:報道同時比較 ChatGPT 與 Google 的搜尋類查詢量,並列出語音及圖片生成數據,讓讀者可從用戶增長以外瞭解其不同功能的使用規模。

  1. 新浪科技79

    Apple 宣佈 Apple Intelligence 11 月 4 日開放中國大陸測試,12 月隨 iOS 27.3 推出

    Apple 宣佈,Apple Intelligence 將於 11 月 4 日起透過 iOS 開發者 Beta 版在中國大陸開放測試,並計劃於 12 月隨 iOS 27.3 正式版推出。

    推薦理由:材料列出國行版的測試及推出時間、首批設備範圍,以及千問接入的功能位置,可用來掌握這次落地的主要安排與限制。

  1. Hugging Face Blog62

    AnySpeechRecognizer 與 AnyDecisionModel 推出 Apple 平台語音辨識及決策套件

    AnySpeechRecognizer 與 AnyDecisionModel 兩個 Swift 套件正式公佈,分別為 Apple 平台提供可選擇辨識引擎的語音轉文字功能,以及輸出型別化答案和機率的決策 API。

    推薦理由:文章列出語音模型的測試結果、下載體積及平台限制,讓讀者可比較 Apple 裝置本機部署的取捨。

  1. Hugging Face Blog76

    NVIDIA 推出 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程

    NVIDIA 推出開放權重的 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程。模型支援 40 種語言轉錄,其中 31 種可與英文互譯,並支援 13 種語言的説話者標註;Granary v2 公開清單涵蓋 48 種語言、463,062 小時及 16 個來源語料庫。醫療語音案例中,微調令留出説話者的 WER 較最佳提示詞基線相對下降 45.8%。

    推薦理由:文章串連提示詞控制、資料整理與微調流程,並以留出説話者的醫療語音評估呈現 WER 相對下降 45.8% 的結果。

  1. AWS Machine Learning Blog63

    Amazon Polly Generative engine 升級,新增 14 種語音並提升輸出自然度與準確度

    Amazon Polly Generative engine 升級版現已正式推出,提供更自然、準確且低延遲的語音輸出,並新增 14 種語音。新增語音分佈於 9 個語言地區,印地語及芬蘭語生成語音首次正式開放使用;既有語音名稱和 API 呼叫不變,應用程式毋須修改程式碼。升級後共有 57 種生成語音,涵蓋 11 種語言和 25 個語言地區,價格維持不變。

    推薦理由:Amazon Polly Generative engine 可在現有整合中直接升級,語音名稱、API 呼叫和價格均維持不變,並新增 14 種語音,説明這次更新對既有服務的兼容方式。

  2. AWS Machine Learning Blog60

    Amazon SageMaker AI 上如何以實測設定 TTS 自動擴縮容目標

    AWS 示範在 Amazon SageMaker AI 即時端點部署 Kokoro-82M,並以實測取代 TTS 自動擴縮容目標的猜測。在 ml.g5.xlarge 上,Q_max 為 50;實際擴容耗時為 260.2 秒,另計入按政策設定界定、未經本次測量的 60 秒偵測延遲,規劃 T_total 為 320.2 秒。

    推薦理由:文章以單機可承受併發量和實際擴容耗時兩項測量,推導 TTS 端點的擴縮門檻與冷卻時間,並展示 Kokoro-82M 的部署流程。

  1. Hugging Face Blog60

    Granite Switch 4.1 推出 8B、30B 版本,單一端點整合對話、決策與語音轉文字

    Granite Switch 4.1 發佈 8B 和 30B 模型,讓對話、通用及專項決策與語音轉文字可透過同一個託管端點處理。兩款模型整合 Decision aLoRA、Guardian aLoRA 和 Granite-Speech-5.0-Turbo-CTC,合併後佔用的 GPU VRAM 約與基礎模型單獨運行相若,且可重用基礎模型生成的 KV cache。

    推薦理由:文章呈現以 aLoRA 組合通用及專項決策與語音辨識的方法,並交代共用 KV cache 如何使多項能力維持接近基礎模型的 GPU VRAM 佔用。

  1. Suno:Blog77

    Suno 發佈 v5.5,新增 Voices、Custom Models 和 My Taste

    Suno 發佈 v5.5,並推出 Voices、Custom models 和 My Taste,加入以用戶聲音、原創音樂及音樂偏好為基礎的個人化功能。

    推薦理由:更新把個人化分為歌聲、原創曲目調校和偏好學習三條路徑,也交代各功能面向哪些用戶開放。

  1. Hugging Face Blog65

    Open TTS Leaderboard 為多語言文字轉語音與聲音複製提供可擴展評估

    Hugging Face 建立 Open TTS Leaderboard,以客觀指標評估開源、多語言 TTS 模型及聲音複製能力。評估涵蓋 WER/CER、批次推理速度(RTFx)、首段音訊延遲(TTFA)及説話者相似度(SIM),可把單個模型的評估時間由數週縮短至數小時。排行榜不取代人工偏好評選,並設有 Listen 頁籤供用户比較生成音訊及投票;其指標不直接衡量自然度、表現力或聽者偏好。

    推薦理由:排行榜以客觀指標並列呈現語音清晰度、説話者相似度與速度表現,並保留聆聽投票,方便比較多語言及聲音複製模型。

  1. Google DeepMind72

    Google DeepMind 推出 Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS

    Google DeepMind 推出 Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS,支援自訂聲線、逐句控制表演及雙人對話生成。

    推薦理由:兩款 TTS 模型涵蓋逐句演繹與長篇生成,Flash TTS 另可自訂聲線;聲音複製設有同意驗證,生成音訊加入 SynthID 水印,呈現創作控制與防護安排。

  1. gihyo.jp79

    Google 發佈 Gemini 3.8 Live 及 Gemini 3.8 Live Extended Thinking

    Google 於 2026 年 9 月 15 日發佈語音對話模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking,兩者可在持續對話時理解視覺資訊及非同步呼叫外部工具。

    推薦理由:兩款模型分別面向快速、具成本效益的語音智能體與複雜多步任務,並可在不中斷對話下呼叫工具,清楚區分兩者的適用場景。

  2. Google DeepMind75

    Google DeepMind 發佈 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking

    Google DeepMind 發佈 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking,前者面向規模化與成本效率,後者針對高複雜度任務。

    推薦理由:文章區分兩款模型在規模化成本效率與高複雜度任務上的定位,並列出語音代理基準成績,方便比較其應用取向。

  1. OpenAI News66

    GPT‑Live‑1 為 API 帶來自然全雙工語音對話

    OpenAI 將 GPT‑Live‑1 引入 API,提供自然的全雙工語音對話及更強的指令遵循能力。它亦支援自訂聲音及電話服務。

    推薦理由:原文列出全雙工對話、指令遵循、自訂聲音及電話支援,能讓讀者迅速掌握 GPT‑Live‑1 接入 API 後涵蓋的語音能力。

  1. Hugging Face Blog68

    Open ASR Leaderboard 新增 Hindi、Indian English 評測集,首度納入全球南方語言

    Voice Arena 與 Hugging Face 為 Open ASR Leaderboard 加入 Monsoon en-IN 和 Monsoon hi-IN 評測集,涵蓋 Indian English 與 Hindi,令 Hindi 成為其多語言分頁首個 Indic language。

    推薦理由:這批評測集把説話者背景與可接受的拼寫變體納入 ASR 評估,讓總體 WER 之外的區域差異和 Hindi 正字法誤差更容易被辨識。

  1. Google DeepMind69

    Google DeepMind 發佈 Gemini 3.5 Transcribe 語音轉文字模型

    Google DeepMind 發佈 Gemini 3.5 Transcribe,這是一款面向智能語音互動的語音轉文字模型。它可透過 Live API 以低於一秒的延遲進行即時串流,亦可經 Interactions API 處理預錄音訊,提供説話者歸屬及逐字時間戳。

    推薦理由:材料同時提供串流與非串流 WER,以及相較 Chirp 3 的最終轉錄時間改善幅度,讓準確度與延遲兩項表現有具體數據可供對照。