跳到正文
11月7日週六
  1. 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。

  2. DEV Community65

    Flash 智能體致電用戶,並找出付款測試故障原因

    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。

11月6日週五
  1. 阿里雲開發者社區 AI51

    語音翻譯管線的延遲預算:轉寫與翻譯兩段流水線的接力設計

    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%。

  2. DEV Community49

    為自家伴奏加入人聲的最佳 AI 工具(2026)

    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。

  3. Hugging Face Blog40

    Egyptian and Nigerian English 加入 Open ASR Leaderboard

    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。

  4. DEV Community64

    AI 英語口語導師每輪對話其實涉及四次 API 呼叫

    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。

  5. 阿里雲開發者社區 AI32

    AI 英語教學智能體的開發

    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。

  6. Manus:Blog59

    2026 年遊戲開發十大 AI 工具推薦與比較

    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。

  7. 新浪科技31

    科大訊飛推出12英寸輕量化多語言AI透明屏Lite

    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。

  8. DEV Community48

    小型團隊如何選擇 AI 會議紀錄工具,避免點數焦慮

    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。

  9. 阿里雲開發者社區 AI41

    語音客服機械人如何做到「像人一樣對話」:延遲、打斷與流程掛載

    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。

  10. DEV Community52

    Bolo 如何按音訊位元組建立冪等鍵,讓手機安全重試上傳

    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。

  11. DEV Community30

    如何在 WordPress 中使用 ElevenLabs

    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。

  12. DoNews66

    Meta為Muse AI助手推出即時語音及虛擬形象功能

    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。

  13. DEV Community27

    出版業 AI 旁白的興起

    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。

  14. DEV Community36

    Voice AI 如何令網頁更具無障礙性與包容性

    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。

  15. DEV Community65

    如何把舊款 Echo Dot 改造成 Home Assistant 本地語音助理

    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。

  16. DEV Community62

    如何結合語音輸入與 AI,將寫作速度提高一倍

    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。

  17. DEV Community28

    自然流暢 AI 語音背後的科學

    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。

  18. DEV Community28

    甚麼是 AI 秘書?MilhommeSI 開發者的解答

    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。

  19. DEV Community21

    Qevra AI 如何打造面向軟件工程師的即時 AI 面試助手

    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。

  20. Unite.AI57

    Otter AI 評測:兩段錄音共 802 詞只錯 3 詞

    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。

11月5日週四
  1. DEV Community43

    聲音所有權不應受制於供應商的產品路線圖

    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。