HomePod Mini 2 與 HomePod Mini:Apple 揚聲器與舊款型號比較
CNET 比較 HomePod Mini 2、舊款 HomePod Mini 及第二代標準 HomePod,評估設計、音質、Siri AI 功能和智能家居控制。
CNET 比較 HomePod Mini 2、舊款 HomePod Mini 及第二代標準 HomePod,評估設計、音質、Siri AI 功能和智能家居控制。
Gradium 於 2026 年 11 月 5 日表示,Phonon 端側文字轉語音模型在推出後首兩週下載量超過 200,000 次。
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。
方案提出開發一款日語口語練習智能體,結合 ASR、LLM 和 TTS,提供情景對話、即時發音診斷及語法糾錯。技術選型包括 Whisper、GPT-4o、Claude 3.5 Sonnet、ElevenLabs 和 Azure,並涵蓋假名標註、敬語校驗及語音流式處理。
語音智能體不能憑一次成功通話判定可靠性,作者建議重複測試每個通話環節,並以通過率決定版本是否發布。文章以 Dograh 為例,説明如何透過 API Trigger 啟動通話、以 Webhook 接收結果,並用草稿、發布版本和回滾管理變更。瀏覽器測試以 16 kHz 運行,而多數電話通話仍以 8 kHz 傳入,文章建議最後使用實際電話線測試。
ACM Multimedia 2026 的四位主題演講嘉賓將探討具身 AI 互動、多人環境中的選擇性聆聽、AI 摘要的取捨責任,以及青少年參與多媒體系統安全設計。會議將於 2026 年 11 月 10 日至 14 日在巴西里約熱內盧舉行。
選擇 AI 語音應先界定用途,再比較音質、延遲、語音庫、成本及合規要求;文章比較 Amazon Polly、Microsoft Azure TTS、Google Cloud Text-to-Speech 和 ElevenLabs。
第28章拆解直播切片工作台的 ASR 非同步 Worker 設計,説明 loop goroutine 與 pollLoop 如何透過喚醒和定時輪詢協作處理任務。Worker 每 3 秒輪詢,並在啟動時先回收孤兒任務;drain 會持續搶佔待處理任務,直至沒有任務可取。進度只會遞增,狀態寫回受 asrVersion 保護,調試資料則按素材及版本分開落盤。
開發方案結合 ASR/TTS 即時語音技術與德語專用 LLM,針對德語發音和語法特點設計 AI 德語口語練習智能體。智能體支援全雙工情境對話、音素級發音糾正、語法隱式糾錯及按 CEFR 調整難度。透過流式大模型輸出與流式 TTS,端到端延遲控制在 1 秒以內。
這份教學示範如何使用 Python,結合 OpenAI gpt-4o 與 ElevenLabs,按主題生成分段 Podcast 稿件,並將各段語音合併成 MP3。流程使用 ElevenLabs 的文字轉語音 API 和 ffmpeg 串接音訊,也可選用 ElevenLabs 的克隆語音。
指南介紹如何用 ElevenLabs API 為 Voice AI side project 加入文字轉語音及語音克隆,並將服務部署到 Bluehost。文中提供 Python 範例、Flask 伺服器設定及部署步驟;ElevenLabs 免費方案每月最多支援 10,000 個字符,付費方案由 $0.02/char 起,Bluehost Basic plan 年付為 $2.95/month。
ElevenLabs 與 React 可用來構建語音互動介面,將用戶輸入的文字送往後端,再把 ElevenLabs 返回的 MP3 音訊串流播放。文章示範以 Node.js/Express 代理 TTS 請求,並提醒每次請求有 200 個字元上限,延遲約為 300–500 ms。
作者以 Whisper large v3 turbo 對同一段 60.01 秒 MP4 進行 27 次轉錄,得到 15 種原始文本;將文本轉為小寫、移除標點和連字號,再把 some one 合併為 someone 後,26 次結果相同,均為 213 詞。
文字轉語音(TTS)API 指南梳理合成語音的基本流程,並比較 Google Cloud Text-to-Speech、Amazon Polly、Microsoft Azure Speech 和 ElevenLabs。指南示範以 Python、JavaScript 和 curl 透過 ElevenLabs 生成語音,並説明上載 30 秒至 5 分鐘的參考音訊建立克隆語音。
Uncracked City 是一款以真實城市為背景的偵探遊戲,玩家要搜尋地點、審問 LLM 嫌疑人並找出謊言。遊戲支援六種語言,玩家須以線索揭穿陳述中的謊言,並在三次嘗試內提交報告;遊戲即將登上 App Store 和 Google Play。
ElevenLabs 行政總裁 Mati Staniszewski 表示,公司可能於 2028 年開始為首次公開招股作準備,並稱 IPO 是公司長遠發展的一步,而非終點。ElevenLabs 的估值今年在員工股份交易中升至 $22bn。籌備 IPO 之際,AI 公司正面對投資者對 AI 開支回報的質疑,並承受證明盈利能力的壓力。
Apple 於 2026 年 11 月 3 日向所有開發者開放 Siri AI 開發者預覽,讓 App 透過 App Intents 將內容和操作接入 Siri AI。
OpenAI 消費者產品負責人 Adam Fry 表示,ChatGPT 每週活躍用戶已達12億,過去兩個月增加約2億。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周活躍用戶合計達2.5億,每週生成圖片15億張。
推薦理由:ChatGPT 搜尋查詢量約達 Google 的五分之一,文章亦把語音與圖像使用規模、Chat 和 Work 整合計劃放在同一脈絡,呈現產品擴展方向。
Pratinidhi 是為 Great Indian AI Internship Challenge 製作的多語言助理原型,讓客戶以馬拉地語説明問題,並透過英語客戶支援處理個案。示範使用 Gnani Prisma 作語音識別、Timbre 作語音合成,結合錄製的真實語音 API 輸出與模擬支援通話,探索接入即時電話服務前的互動設計。
Apple Music 將推出 Selfie Sing,讓用戶一邊跟隨即時滾動的歌詞唱卡拉 OK,一邊錄製影片,無須使用其他 App。功能將隨 iOS 27.3 推出,目前該版本已進入測試版;用戶可為人聲加入 Megaphone、Echo、Concert Hall 或 Studio 效果,並儲存或分享影片。Selfie Sing 有專屬播放清單,但未支援 Apple Music 全部歌曲。
飛貓A6正式上市,售價為日常價399元、活動期間到手299元,是一款配備3.4英寸彩屏、支援語音對話的隨身 WiFi。裝置採用5G RedCap和WiFi 6,峯值速率286.8Mbps,並支援查流量、切換網絡、播放音樂及建立日程等功能。其AI能力由訊飛星火大模型支撐,採用端側交互、雲端處理。
HomePod Mini 2 外形與前代相同,但測試發現音域更廣、聲音更響亮清晰,音質提升足以改變對這款小型揚聲器的評價。新機配備 Apple S10 晶片及額外一個咪高峯,支援即將推出的 Siri AI 功能。售價為 $150,較舊款的 $129 高;完整 Siri AI 功能仍需等待。
文章測試阿里雲百煉 CLI 的説話人分離轉寫,發現標籤數與實際人數沒有穩定對應,逐行標籤亦可能因停頓切行造成錯誤歸屬。建議以自我介紹或點名句建立標籤與姓名的映射,並抽查承諾、數字及爭議句,以簽到或邀請核實與會人數。測試使用八組合成語音,文中指出生產接入仍須以企業自採真實錄音驗收,且轉寫不保證逐字。
Ankita 在 v2.7.5 加入追問時段,每次回答後持續完整監聽 25 秒,讓用戶毋須再次説出喚醒詞即可追問;時段會在偵測到聲音時重新計時,結束後則返回待命。用戶可在設定中把時段調整為 0 至 300 秒,並以 5 秒為步進。這項功能沒有説話者識別,背景聲音也可能延長監聽;Ankita 以 MIT 授權開源。
《Arc Raiders》開發商 Embark Studios 表示,採用生成式 AI 配音最初是為減輕配音演員的工作負擔,目前正逐步以真人錄音取代可替換的 AI 語音。
Embark Studios 表示,《Arc Raiders》開發初期使用生成式 AI 角色語音應付錄音壓力,並自2025年10月發售後逐步以真人錄音取代。AI 語音以真人表演訓練,音效總監本斯·帕約爾稱其可配合玩法迭代和內容擴展;改用真人錄音則旨在提升沉浸感。配音演員戴安娜·加德納肯定遙距協作的便利,同時提出 AI 合成語音涉及的表演所有權疑慮;工作室稱目標是強化以人為本的表達,而非取代演員。
GigaSpeech 3 建立涵蓋阿爾及利亞、埃及、伊拉克、沙特及敍利亞阿拉伯語的弱標註語音語料庫,包含 39,000 小時及 10 million 段語音。
智能體語音 AI 透過聆聽、推理、操作後端系統並回覆,讓客服來電由選單式流程轉為以解決問題為目標。整個流程涵蓋語音識別、意圖偵測、工具呼叫及語音回覆,各環節都可能增加延遲和出錯風險。要在正式環境可靠運作,系統需設計權限與寫入防護、人工升級及上下文交接規則,並監察延遲和解決問題的成效。
Scowld 展示了一段真實的 iPad 對話:用戶先請 Bella 推薦高蛋白餐點,再提出不含大豆的限制,對話隨之調整。應用程式結合原生 iOS 介面、VRM 動畫角色及即時語音連線。用戶可自備 Google Gemini Live、OpenAI Realtime 或 xAI Grok Voice 的 API key,亦可選用 Scowld Premium。
iOS 27.3 Beta 的 Siri AI 語言設定出現「中文(廣東話 – 香港)」選項,但 Apple 尚未確認廣東話語音已在測試版開放。Apple 表示繁體中文將稍後加入,香港功能供應狀況頁面目前仍未列出廣東話版的確定開放日期。 iOS 27.3 現為開發者 Beta,正式版支援及廣東話語音、個人情境理解和跨 App 功能仍待確認。
Transcreva 建構了面向巴西葡萄牙語音訊與影片的 AI 轉錄及字幕平台,結合 Whisper Large-v3 與 Pyannote 產生附有説話者標籤和逐詞時間戳的文字。平台支援 WhatsApp 語音訊息轉錄及 .srt、.vtt 字幕輸出,並以開源 MCP 伺服器 transcreva-mcp 將轉錄工具整合至 Cursor、Claude Desktop 和 Windsurf。
AI 英語教學軟件的開發與落地通常分為需求規劃、架構選型、功能開發、低延遲優化、測試評估及持續營運六個階段。方案結合 LLM、ASR/TTS、多模態技術與 RAG,並提出以 WebSocket 或 WebRTC 將語音對話響應延遲壓至 1 秒內。
Arrowhead AI 推出語音模型 Fletch,供印度及東南亞的多語言客戶對話使用,目前每日處理超過 100 萬通客戶電話。Fletch 支援 14 種語言,可在句子中切換語言,並設有 12 種情緒風格;據稱延遲為 80 毫秒,選定詞語的發音準確度提高約 30%。
ElevenLabs API 可透過上載語音樣本、訓練聲音模型及合成語音,建立模仿指定説話者的聲音克隆。ElevenLabs 建議每位説話者提供至少 3–5 分鐘清晰音訊,快速克隆則可使用 30 秒音訊;生成語音時可調整穩定度、相似度、風格、音高和語速。教程亦示範以 Python 呼叫 API,並用 Flask 建立可輸入文字及下載 MP3 的網頁演示。
Confucius4-R2T2 團隊公開推出穩定前綴串流 ASR 模型,輸出只追加、不反覆修訂的文字,供語音智能體等下游系統即時使用。模型以 Qwen3-ASR-1.7B 為基礎,透過 Longest Stable Prefix(LSP)監督,經後訓練將全上下文 ASR 模型轉為串流模型,無需修改架構。
ElevenLabs 免費方案生成的旁白只可作非商業用途,發布時須在標題加入「elevenlabs.io」或「11.ai」;涉及廣告收入、贊助、聯盟連結或客戶工作的影片,則須使用付費方案生成音訊。免費方案期間生成的音訊即使日後升級仍不可商用;付費訂閲期間生成的內容,在訂閲結束後仍保有商業授權。作者示範以 CSV 記錄音訊的生成方案和日期,並在渲染前檢查商業影片是否包含免費方案生成的旁白。
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。
Gemini API 為 Gemini 3.8 TTS 推出 Voice remixing,讓用戶以自然語言修改既有預設或設計語音,建立並儲存新的獨立語音。
文章拆解 AI 翻唱的流程:先從混音分離人聲,再在保留演唱內容的同時轉換音色,最後把轉換後的人聲與伴奏混合。文中以 Demucs、RVC 和 so-vits-svc 説明各階段原理及常見失效因素,並介紹 Voicestars 的分離、清理和轉換工具;Voicestars 未公開內部模型架構。作者提醒只轉換本人或獲授權使用的聲音,並披露文章與 Voicestars 合作撰寫。
OpenAI 消費者產品負責人 Adam Fry 表示,ChatGPT 周活躍用戶已達 12 億,過去 60 天增加約 2 億,增速約為每 30 天增加 1 億。ChatGPT 搜尋類查詢量約為 Google 的五分之一;只有觸發聯網搜尋的問題才計作搜尋,純寫作和編程請求不計。ChatGPT 每週生成圖片 15 億張,語音輸入和語音對話合計周活躍用戶為 2.5 億。