Teo Furlan 打造 Socra 本機語音層,讓編碼智能體進行口述問答
Teo Furlan 打造開源專案 Socra,為編碼智能體加入本機語音介面,讓智能體以語音提問並聆聽用戶回答。Socra 目前可配合 Claude Code 和 Pi 使用;語音由 Piper TTS 和 faster-whisper STT 處理,伺服器只綁定 127.0.0.1,語音不需 API key 或按分鐘付費。
Teo Furlan 打造開源專案 Socra,為編碼智能體加入本機語音介面,讓智能體以語音提問並聆聽用戶回答。Socra 目前可配合 Claude Code 和 Pi 使用;語音由 Piper TTS 和 faster-whisper STT 處理,伺服器只綁定 127.0.0.1,語音不需 API key 或按分鐘付費。
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。
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。
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。
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。
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。
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。
這篇實測指南説明 macOS 的 say 指令如何在終端機把文字轉成語音,並用參數選擇語音、設定速度及輸出音檔。在 macOS 27(build 26A434)的測試中,預設輸出為單聲道、22050 Hz、16-bit AIFF;AIFF、CAF、M4A 可寫出,.wav 則要指定 --data-format。
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。
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。
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。耳機採用 8 麥克風配置,降噪深度達 -50dB,支援杜比全景聲及 192kHz/24bit 採樣率。降噪關閉時,SBC 編碼續航可達 110 小時;充電 15 分鐘可聽 17 小時。
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。
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。
Ebook Voice Player 的 TTS 引擎以 TTSGenerator、TTSPlayer 和 TTSService 三個核心元件協作,處理非同步語音合成、播放及流程調度。
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。
跨語言會議的技術成效取決於會前準備,涵蓋術語整理、模式選擇、設備接入及會後紀要生成。字幕投屏模式適合一種語言的聽眾;兩種或以上語言則需選用同聲傳譯模式,支援語音輸出。會後可按時間戳對齊原文與譯文生成雙語紀要,但仍需人工校對。
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。
睿呼寶以 AI 外呼取代單向短訊通知,透過多輪對話串連通知、確認與後續處理。方案支援按需並發、智能重試及通話記錄留痕,適用於活動到場確認、大件配送和實名資料補全。自助流程四步當天可用。
作者分享了為 Lights Out in Cedar Hollow 的謀殺推理派對開場挑選 AI 旁白的經驗,發現逐字核對和音高匹配通過,片段仍可能因語速過快而失去預期情緒。
這篇教學示範如何以 Python 和 Flask 建立 ElevenLabs 語音克隆示範應用程式,接收文字、呼叫 API 並傳回 MP3 音訊。文章亦説明如何使用 Bluehost 和 Passenger 部署網站,並提出以速率限制及快取改善正式環境應用的做法。
索尼因生產問題延遲發售 PULSE Elevate 無線音箱;產品原定於 2026 年 11 月 12 日上市,定價人民幣 1,748 元。音箱適用於 PS5、PC 或 Mac,支援 Tempest 3D 音效,並配備 AI 降噪麥克風。
這套 AI 漫劇本地音訊流程以離線 TTS 批量生成配音,透過角色音色映射、音訊預處理及 FFmpeg 混音與合成,實現從劇本到成片的自動化。方案支援 Agent 調度,適配 8G 顯存環境;TTS 與繪圖模型建議串行執行,以免顯存不足。
ElevenLabs 非 EEA 條款規定,免費方案只可作非商業用途,Starter 或以上付費方案則可商業使用,但須遵守 Prohibited Use Policy 並持有輸入內容所需權利。
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。
語音 AI 項目可透過縮減音訊資料、批次處理及快取重用、在本地執行輕量 TTS 模型、選擇性克隆聲音,以及挑選合適的收費方案,降低成本而不犧牲品質。將音訊降至 16 kHz 可減少 66% 傳送量。文章亦建議限制並行請求及用量,並重用 ElevenLabs 的 speaker embeddings。
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。
Cursor 推出「與智能體即時語音聊天」(Voice Chat with Agents),讓開發者可透過語音與編碼智能體雙向交流,同時讓智能體在背景繼續編碼。
Cursor 於2026年11月6日推出「與智能體即時語音聊天」功能,讓開發者可在多個端點與編碼智能體雙向對話。功能適用於 Agents Window、IDE、網頁端及 iOS 應用,支援描述需求、查詢進度和查看差異,且不影響後台編碼任務;iPhone 用戶亦可透過 Siri 快捷喚醒。
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。
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。
Lovo.ai 提供 AI 語音生成及文字轉語音功能,支援超過 500 種 AI 聲音、100 多種語言,並可調整語速、重音、發音和停頓。平台亦提供線上影片編輯器、AI 寫作、聲音複製及 AI 藝術生成功能;評測會檢視其功能、優缺點和替代方案。
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。
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。
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。
AI 透過盲源分離、深度神經網絡等方法,提升在重疊語音和嘈雜環境中分離聲音的能力。WaveSciences 於 2019 年開發 Spatial Release from Masking(SRM),結合 AI 與聲音傳播物理,按聲源的空間位置分離説話者聲音,並能應對説話者移動或新聲音出現。
Speechify 可將文件轉成自然語音,評測者以 Snoop Dogg 的聲音將研究論文調至 4.5x 速度播放。平台服務超過 55 million 名用戶,提供 1,000+ 種聲音、60+ 種語言、OCR 和跨裝置同步功能。評測認為產品易用,但價格偏高,部分進階聲音只供付費計劃使用。
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。
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。
ElevenLabs 的 TTS API 可把網誌文章轉成 MP3 旁白,示範以 Python 或 curl 呼叫 API,並將音訊寫入檔案。文章亦説明以 eleven_multilingual_v2 合成語音、複製自訂聲線,以及在 Hugo 建置流程中自動生成音訊。
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。