跳到正文
11月8日週日
  1. DEV Community56

    OpenWhispr 如何在任何應用程式中私密聽寫提示詞

    OpenWhispr 是開源桌面應用程式,用戶按住全域快捷鍵説話,文字便會輸入遊標所在位置,適用於任何應用程式。它支援本機 Whisper 或 NVIDIA Parakeet,使用本機模型時音訊會留在裝置上;接入雲端服務,音訊或文字則會傳送至服務商。文章根據 README 編寫,作者沒有安裝應用程式核實,並提醒快捷鍵及模型名稱可能隨版本改變。

  2. DEV Community39

    AI 語音介面的最佳實踐

    AI 語音介面應以清晰、一致和用戶控制為設計原則,並兼顧音質、語音延遲與私隱。文章建議選用支援低延遲串流的 TTS 引擎,實時互動的延遲以 <200 ms 為理想,並為超過 2 s 的 API 呼叫設定後備處理。語音功能亦應提供靜音、語音選擇等控制,並在收集語音資料時取得明確同意及妥善保護資料。

  3. DEV Community53

    Phonon 31M WebGPU 語音合成頁面 75 秒未產生音訊,作者整理驗證方法

    作者測試 Phonon 31M 的 WebGPU 語音合成頁面,等待 75 秒後仍沒有音訊元素或錯誤節點,儘管頁面已載入且 GPU context 有效。頁面列出的冷啟動數字為 46 ms,但作者沒有在自己的硬件上測得瀏覽器端效能;本機執行同系列模型約為 23x realtime。文中建議按頁面公佈的延遲預算設定等待時間、檢查輸出節點,並分開驗證 WebGPU 初始化與點擊操作。

  4. DEV Community29

    從次聲語音到雙眼分視 VR:打造隱形介面

    作者展示了一套結合次聲語音輸入與雙眼分視渲染的 VR 介面,讓用戶以低聲耳語叫出介面,並以每隻眼睛稍有偏移的畫面形成有深度的文字表面。裝置端約 1 M 參數的 INT8 Transformer 配合渲染流程,將整體延遲由約 75 ms 降至約 35 ms。現有方案在 Snapdragon XR2 Gen 2 和 XR2+ Gen 1 上運行,並正探索移植至 Apple Vision Pro。

  5. DEV Community34

    AI 語音模型如何訓練:技術概覽

    AI 語音模型的訓練流程包括語音資料收集與預處理、聲學模型生成頻譜圖、神經聲碼器合成,以及為語音克隆進行微調。文章説明各步驟的技術做法,並以 Tacotron 2、FastSpeech、VITS 和 HiFi-GAN 為例。VITS 可用 30–60 seconds 的資料生成新聲音,但品質會隨語音覆蓋度提高。

11月7日週六
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI67

    OpenMOSS 的 MOSS-Live 支援即時多模態連續對話

    OpenMOSS 提供 MOSS-Live,一套支援連續互動的即時多模態對話系統,可同時聆聽與發言、處理打斷及話題轉換,並理解即時視覺輸入。系統由負責聆聽、輪流發言和語音互動的前景模型,以及負責推理、工具調用和較長任務的背景模型組成,兩者透過協調層共享記憶、上下文和任務狀態。

  2. 新浪科技24

    漫步者 W900NB 30 週年典藏版頭戴式藍牙耳機上架,限量 3000 套、售價 1159 元

    漫步者 W900NB 30 週年典藏版頭戴式藍牙耳機已上架,將於 11 月 9 日 20:00 開售,售價 1159 元,限量 3000 套。耳機支援 -50dB 降噪、杜比全景聲及六軸頭部追蹤,SBC 編碼下開啟降噪可續航 42 小時,關閉降噪可續航 110 小時。採用 LHDC 編碼時,開啟降噪可續航 33 小時,關閉降噪可續航 73 小時。

  3. DEV Community56

    WizMantra Academy 示範如何處理語音轉文字漏掉填充詞的問題

    WizMantra Academy 介紹一分鐘英語流暢度測試的實作,透過瀏覽器語音辨識計算每分鐘字數、填充詞和長停頓。辨識器通常會省略「um」和「uh」,文章建議只計算轉寫後仍保留的填充詞,並以 onresult 事件相隔至少 2 秒作為長停頓的代理指標。Android Chrome 會在新結果中重複較早文字,文章示範以新結果取代前一段重複文字;Firefox 則提供文字輸入替代方式。

  4. DEV Community57

    WhatsApp AI 銷售智能體應否支援語音訊息?成本如何計算?

    WhatsApp AI 銷售智能體支援語音訊息,宜先轉錄成文字,再交由現有文字智能體處理;是否投入,應按實際語音訊息比例、語言需求及音訊量判斷。文章建議先統計兩至三星期的語音訊息,收集 50 至 100 段真實錄音作評估,並由母語人士評分轉錄結果。成本比較應以每月音訊分鐘數為準,低用量時雲端 API 較合適;用量高或合規要求禁止音訊離開所在地區時,可考慮自託管。

  5. DEV Community36

    Ebook Voice Player 跨平台電子書語音朗讀器架構深度解析:Kivy + edge-tts

    Ebook Voice Player 是以 Kivy 和 Microsoft edge-tts 建構的跨平台電子書文字轉語音朗讀器,支援 Windows、Android 等平台;文章深入分析其架構設計、核心模組及技術挑戰。系統採用非同步語音合成與播放、SHA256 快取及最多 3 路並行合成,並以事件機制處理播放流程。文件在本機解析,只有語音合成請求會傳送至雲端,且不設帳戶、遙測或廣告。

  6. unwire.hk · 人工智能61

    Meta 為 Muse 推出 Muse Voice,加入即時語音對話與虛擬角色

    Meta 於 11 月 5 日為旗下個人 AI 助理 Muse 推出 Muse Voice,讓用戶透過即時語音對話或全螢幕虛擬角色介面交流。用戶可在 AI 回答途中插話;角色會配合語氣呈現嘴形、表情及手勢,並提供數百種聲線選擇。功能目前率先在美國 Muse 應用程式開放,支援手機、網頁及 Mac;這是與 AI 動畫角色交談,並非與真人互通視訊,香港推出時間未公佈。

  7. 阿里雲開發者社區 AI45

    AI 同聲傳譯的延遲預算如何計算:字幕 2 秒、語音 4 秒背後的技術鏈路

    AI 同聲傳譯以 VAD 斷句、流式 ASR、增量翻譯、流式 TTS 和終端分發組成五段鏈路,透過流式增量處理把字幕延遲壓至 2–3 秒。字幕與語音分流,語音因多一段合成而比字幕慢 1–2 秒;斷句、術語控制及多語向並行都涉及延遲與翻譯品質的取捨。

  8. DEV Community23

    瞭解 SSML 如何改善 AI 語音輸出

    SSML 是 W3C 定義的 XML 語言,可讓開發者控制文字轉語音的語調、語速、音量、停頓及強調,令 AI 語音輸出更自然。文章示範如何透過 ElevenLabs API 傳送 SSML,並提醒不同平台支援的標籤可能有所不同。

  9. DEV Community49

    DubbingMate 如何讓合成語音與 YouTube 影片保持同步:跳轉、速度上限與降低原聲音量

    DubbingMate 會朗讀 YouTube 影片字幕,並以字幕時間戳作為同步依據,處理觀眾跳轉、改變播放速度及暫停影片等情況。系統每 250 ms 檢查一次播放位置,偵測到跳轉後取消當前語音,等待 300 ms 再從新位置的字幕重新播放。配音開啟時,原聲音量降至 20%;功能可免費試用 72 小時,其後需一次性購買。

  10. Unite.AI58

    2026 年 11 月 10 款最佳 AI 語音生成器

    Unite.AI 比較 10 款 AI 語音生成器,涵蓋文字轉語音、聲音複製、配音及即時語音等用途。文章整理各工具的主要功能、價格和限制,並按創作者、企業及開發者需求説明選擇考量。文中亦提醒,聲音複製須取得説話者知情同意,合成音訊發布前應檢查發音及內容。

  11. Unite.AI0

    語音生成器

    Unite.AI 頁面列出廣告披露及版權資訊,並説明讀者點擊已評測產品的連結後,網站可能獲得補償。

  12. Unite.AI37

    WellSaid Labs AI 語音生成器評測(2026 年 11 月)

    WellSaid Labs 評測聚焦其 AI 語音生成能力:平台提供逾 50 種合成語音,可將文字轉成旁白,並支援調整發音、音量、語速及停頓。平台適用於企業培訓、廣告、產品體驗及影片製作,亦支援協作和匯出 MP3;評測涵蓋其操作、優缺點及替代方案。

  13. Unite.AI45

    Play.HT 評測:AI 語音是否比 ElevenLabs 更逼真?

    PlayHT 是 AI 語音生成器,提供文字轉語音、語音複製及播客製作、託管和發佈工具。平台有 800+ 種語音,支援 142+ 種語言;免費方案提供 12,500 個免費字元、所有語音和語言,以及一個語音複製。評測認為 PlayHT 和 ElevenLabs 的語音逼真度相若,但 PlayHT 的語音和語言選擇較廣。

  14. Unite.AI42

    Altered AI 評測:使用 AI 即時變聲

    Altered AI 是語音內容創作平台,提供即時變聲、聲音複製、文字轉語音、語音清理及後期製作工具,主要用於媒體製作、即時通訊及後期製作。平台提供 20 種 Professional Voices 及 800+ 種 Common Voices,並設有免費方案;生成 AI 聲音須消耗 tokens。即時變聲器需下載且只支援 Windows,使用時可能出現延遲,介面亦可能令初學者感到複雜。

  15. Unite.AI51

    Murf AI 評測:疑難詞發音準確,預設語氣與語速需調整

    Murf AI 評測顯示,這款 AI 語音生成器能快速產出清晰旁白,疑難詞發音準確,並可透過發音編輯器逐段修正。作者進行 YouTube 旁白、消防安全訓練影片及 Voice Changer 三項測試,44 秒旁白約 15 秒生成,但 GIF 和分機號碼需要手動修正。測試亦指出預設語速和語氣需檢查,部分進階功能只適用 Business 或 Enterprise 計劃。

  16. DEV Community27

    開發者語音複製技術指南

    開發者指南説明語音複製的核心流程,以及如何運用函式庫和 API 建構合成語音功能。指南以 ElevenLabs 示範快速入門,其雲端 API 延遲低於 200 ms,並提供 Python 和 JavaScript SDK。

  17. DEV Community15

    ElevenLabs 如何處理語音中的情緒與韻律

    ElevenLabs 採用基於擴散模型的音訊生成方式,透過文字、情緒、説話者身分及韻律提示的多維條件控制,合成更具表現力的語音。文章以 Python 和 cURL 範例説明如何設定情緒及 style 參數,調整音高、語速和重音。