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。
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。
這份教學説明如何在 Bluehost 託管使用 ElevenLabs TTS API 將文字轉成語音的 AI Podcast 平台。方案以 Python + FastAPI 處理生成及 MP3 檔案服務,並以 React 建立前端;音訊可儲存於 AWS S3 或 Bluehost 的檔案系統。
Flash 作者 Nathan C. 為背景智能體加入可致電用戶的通話功能;示例中,Maya 指出付款測試在最近一次合併後失敗,原因是貨幣捨入改動,並讓用戶選擇回滾或修復。通話透過 sparks 的私人聊天檔案在 Flash 程序間傳遞,配合心跳、原子認領及通話狀態逾時,支援瀏覽器、桌面和終端接聽。Flash 是開源項目,原文連結為 github.com/Natuworkguy/Flash。
Open ASR Leaderboard 更新加入埃及及尼日利亞説話者的非公開對話英語測試分組和較廣泛的口音分類;整體 WER 相同仍可能掩蓋分組間的錯誤差異。
Anker Soundcore Space 2 Pro 售價 $200,以較低價格挑戰 Apple、Bose 和 Sony 等旗艦耳機,評分為 8.4 / 10。耳機配備 35mm 單元,通話人聲清晰;開啟主動降噪時,測試續航達 31 小時。音訊功能未能明顯提升音質,主動降噪表現則一般。
文章拆解語音翻譯(S2T)管線的延遲預算,説明如何按場景分配 ASR 與 MT 的處理時間,並選擇兩段流水的接力方式。文中列出會議同傳 3~5 秒、客服對話 1~2 秒、直播字幕 5~10 秒等目標,並比較句級、短語級和流式接力的延遲與質素取捨。作者稱客服場景由句級改為短語級後,P50 延遲由 2.8s 降至 1.7s,重複提問率下降 22%。
Underdog 展示以 32MB 語音模型 Woof 製作的遊戲,呈現模型在瀏覽器內生成語音的能力。Woof 有 31 million 個參數,開放下載;公司表示,模型可在大多數裝置上毋須連接互聯網運行。
Coval 語音 AI 基準列出 Qwen3 ASR 1.7B 平均 35 ms 的最終片段完成時間,在 28 個受測 STT 系統中排名第一,詞錯誤率為 2.9%;Soniox STT RT v5 約為 46–47 ms。
四款可為自家伴奏加入人聲的 AI 工具各有取向:AI Vocals Generator 每首 $4.99,可下載獨立人聲;Lyro Music 月費由 $14 起,亦提供混音及母帶處理;Vocuno 月費由 $19 起,涵蓋多種音樂工具。Suno 有免費方案,但以生成完整歌曲為主,並非專注為既有伴奏製作獨立人聲。
Hugging Face 與 Liva AI 合作,為 Open ASR Leaderboard 加入 Egyptian 和 Nigerian 兩種口音的私有語音數據集。新數據集分別提供 1.34 小時和 1.55 小時的自然對話語音,並採用標點、區分大小寫及保留語音不流暢之處的轉錄。新增口音亦令排行榜可按 Kachru 的三圈模型提供更豐富的口音分類。
作者拆解其為越南學習者開發的英語詞彙應用,指出口語導師每輪「説話、評分、語音回覆」涉及四次連續網絡往返。他指出,每輪重送完整對話歷史會令延遲隨對話輪數增加;要求 TTS 語音較慢、較清晰的指示,令相同文字生成的音訊延長 15–19%。他亦建議先用靜音、純噪音及錯誤句子測試發音評分模型,因有模型曾為靜音錄音給出高信心分數。
這個 AI 英語教學智能體項目聚焦實時對話、即時糾錯與情境引導,採用模組化級聯或端到端原生音頻架構。端到端架構的延遲可降至500毫秒以內;系統亦設有音素級發音診斷、動態難度調整及分層糾錯策略。工程優化目標包括將首字發音延遲控制在1秒以內。
Teardown Lab 根據公開資料比較 Bolna、Vaani 與 UnleashX 三個印度語音 AI 平台的定位、價格、增長數據和採購風險,並未實際測試通話。
這份指南比較 10 款遊戲開發 AI 工具,涵蓋遊戲構建、程式碼、美術、音訊及可對話角色等用途。GDevelop、Unity 的 AI 工具、Manus 和 Rosebud AI 用於構建遊戲;例如 GDevelop 面向無程式碼開發,Manus 可按提示詞製作可在瀏覽器遊玩的遊戲。
科大訊飛推出多語言AI透明屏Lite,採用12英寸OLED屏幕及無邊框設計,搭載星火語音大模型,支援101個語種的語音識別與實時雙向翻譯。Lite版與20.8英寸標準版構成大小雙屏產品矩陣,分別適配小型服務窗口及人流量較大的涉外服務大廳。文章稱,該系列已落地濟南機場、深圳地鐵及泰國曼谷核心商圈等場景。
InferenceKey 在一張 RTX 3090 上測試 Underdog Bark 3.0 Pro 與 Qwen3-ASR-1.7B,40 段英文音訊的詞錯誤率分別為 6.28% 和 7.03%。
小型團隊選擇 AI 會議紀錄工具,應先界定所需紀錄內容並估算每月實際音訊時數,再核對點數計算、轉錄與摘要品質、工作流程整合,以及私隱和同意安排。建議以真實會議進行為期兩週的試用,追蹤準確度、摘要實用性和節省時間,並按每場有用會議的成本評估方案,避免團隊因點數限制而不敢錄音。
語音客服機械人要做到近似真人對話,需以流式方式協同 ASR、LLM 與 TTS,並處理低延遲及用戶打斷。流式處理可把首響時間壓至 800ms 以內;SOP 宜以狀態機落實流程約束,回答前檢索企業知識。上線後可按識別準確率、任務完成率及轉人工率等指標評估,並把通話錄音轉成文本作自動質檢。
Bolo 開發者分享語音轉文字上傳的可靠性改造,以裝置 ID 和伺服器端計算的音訊 SHA-256 雜湊建立冪等鍵,讓相同錄音的並行或重送請求共用一次轉錄結果。伺服器會共用進行中的請求,只快取成功結果;客戶端只對暫時性錯誤重試,最多 4 次並受 90 秒窗口限制,取消操作不會重試。讀取逾時按音訊時長調整,為 30 秒加上音訊時長的一半,最高 2 分鐘。
ElevenLabs 可透過 REST API 在 WordPress 中提供文字轉語音及聲音克隆功能,將文章內容轉成 MP3 音訊。教學示範建立 WordPress 外掛和短代碼,並説明如何快取音訊、透過 REST 端點生成,以及建立可重用的自訂聲音 ID;ElevenLabs 按每 1,000 個字符收費。
ElevenLabs API 呼叫可透過合併短句、快取生成音訊、使用串流回應及非同步並行處理來減少延遲。每次請求可能需時 300 ms 至數秒;靜態語句的音訊可在首次生成後儲存,避免重複合成。
Meta為個人AI助手Muse推出即時語音對話及具表現力的虛擬形象功能,率先向美國用戶開放,支援流動裝置、網頁及Mac應用程式。功能由Muse Realtime Voice和Realtime Avatar模型驅動,首響延遲約870毫秒,輸出448×768直向影片。互動方式包括語音、側邊形象及全螢幕「面對面」;預設形象為卡通角色「Jolly」,亦支援自訂形象及數百種語音風格。
邁從 V9 Turbo+ 電競頭戴耳機「煙紫」及「橙光」新色於 11 月 6 日 10:00 開放預訂,京東平台預售價為 349 元,標配 RGB 磁吸無線充電底座。產品將於 11 月 13 日 20:00 全平台開售,並支援 USB-C、2.4GHz 及藍牙連接。
AI 旁白正成為出版業的新聲音,可將書籍、文章及 podcast 轉為語音,並協助出版商節省時間和成本。ElevenLabs 提供 API、語音克隆、自訂語音及即時串流功能。其 WebSocket 串流延遲通常低於 200 ms。
Voice AI 透過文字轉語音(TTS)和語音克隆,將網頁文字轉為可按用戶、語言和情境調整的語音,協助改善無障礙體驗。文章以 ElevenLabs API 示範生成及播放語音、建立克隆語音,並提出提供播放控制、語言和聲線選擇,以及妥善處理語音資料等做法。
作者把一部 2018 年 Echo Dot 3rd gen(D9N29T)改造成 Home Assistant 本地語音助理,令語音指令留在家中處理,不傳送至 Amazon。改造需要拆機焊接 USB 線、root 裝置,並安裝 Whisper(語音轉文字)和 Piper(文字轉語音)進行本地處理。作者提醒,專案程式由 AI 編寫且未經審核,解鎖可能令裝置變磚,防火牆設定錯誤亦可能令裝置暴露於網絡。
指南示範如何使用 ElevenLabs 的文字轉語音功能,配合 WordPress 建立可將文章轉成語音播放的網站。做法是以 Flask 建立語音合成服務,再透過 WordPress 短代碼呼叫服務並輸出音訊播放器,並示範在 Bluehost 部署及測試。
這篇教學示範如何將 ElevenLabs 的文字轉語音整合到 CI/CD 流程,在建置或測試後以語音播報結果。文章提供 Python 和 curl 範例,並示範用 GitHub Actions 生成 MP3,再上載為 artifact,方便在 Actions 介面下載。
Hanako H. 提出結合語音輸入與 AI 的寫作流程,先口述草稿,再轉錄並交由 AI 整理,最後人工校對。作者建議每篇口述 10 至 15 分鐘;以每分鐘 130 至 150 字計,10 分鐘約可取得 1,300 至 1,500 字素材。整理提示詞需明確要求不要增添原文沒有的資訊,完成後再核對專有名稱、數字、開篇和個人語氣。
自然流暢的 AI 語音由神經 TTS 流程生成,涵蓋文字正規化、編碼、時長預測、解碼及聲碼器,韻律、音色、微時序與情緒都會影響語音表現。ElevenLabs 提供 API,並可透過 voice_id 切換語音或使用克隆語音;文章亦説明語音克隆流程,以及改善音訊品質、文本對齊和延遲的方法。
教程示範如何用開源 FastAPI 閘道 agent-voice-bridge,讓 WhatsApp 用戶透過文字或語音訊息與可接收 HTTP POST 的 AI 智能體互動。
MilhommeSI 開發的 AI 秘書 Sarah 以自然的魁北克法語接聽來電,為魁北克中小企全天候回答常見問題、記錄來電者資料及來電原因,並按預定空檔安排預約。Sarah 亦會透過短訊和電郵跟進,並向業主發送電郵摘要;遇上緊急來電則以短訊通知。她不知道答案時會明言並轉達訊息,不會自行編造。
Meta 於 2026 年 11 月 5 日宣佈,即時語音對話與表情豐富的虛擬形象正陸續登陸美國的 Muse app,支援手機、網頁及 Mac。用戶可打斷語音回應,並在對話持續期間讓智能體於背景處理任務;虛擬形象的表情和動作會與語音同步。
Meta 在 Muse 應用程式推出語音模式及表情豐富的虛擬形象,首階段在美國提供。用戶可與 Muse AI agent 進行即時語音對話。
Meta 正在美國的 Muse App 手機版、網頁版及 Mac 版推出即時語音對話和表情化虛擬形象。虛擬形象會配合對話語氣作出表情和手勢,用戶可選純語音、顯示虛擬形象或全螢幕模式,亦可從數百種聲線中挑選。Muse 的語音對話功能即將登陸 AI Glasses 和 Muse Charm。
Qevra AI 正在打造面向軟件工程師及專業人士的即時 AI 面試助手,桌面應用程式會聆聽面試問題並生成具上下文的回答建議。用戶可提供履歷和職位描述,讓 AI 結合個人經驗與職位要求生成建議。開發團隊正處理語音識別、上下文管理、回應延遲及答案質素等挑戰。
作者實測 Otter AI,兩段會議錄音共 802 詞只錯 3 詞,AI Chat 面對誤導性提問時也沒有捏造資訊。加入自訂詞彙後,姓名、價格和日期均辨識正確;嘈雜通話中説話者識別混亂,摘要和 AI Chat 也曾把任務歸錯人或誤判日期。免費方案每月有 300 分鐘轉錄額度,每段對話限 30 分鐘,終身只能匯入 3 個檔案。
作者以 ptts 0.6.0 在 CPU 上使用 Phonon 英文 checkpoint phonon-31m-en,生成「Hello from Phonon.」的 WAV 檔。
AI 聲音產品需要讓創作者的權利與商業紀錄在供應商改變方向、停運或撤下模型後仍可延續,而非只依賴平台內的同意紀錄。文章主張支援匯出同意條款、授權、使用紀錄、收入及未付款項,並清楚處理撤回與已授權用途。Uspeaks 的訓練資料匯出工作展示了可追蹤權限與交付的工程做法,但尚非完整的供應商可攜方案。
摩托羅拉推出 Moto Watch 2 Fit 手錶及 Moto Buds 2 Ultra 耳機,售價分別為 119 歐元和 199 歐元。Moto Watch 2 Fit 配備 1.85 吋 OLED 屏幕,開啟 AOD 時續航最長可達 7 天。Moto Buds 2 Ultra 支援主動降噪,配合充電盒使用時續航最長可達 37 小時,並支援 AI 實時翻譯。