Soniox STT v6 加入智能體文字輸入及語音回聲過濾功能
Soniox 發佈語音轉文字模型 Soniox STT v6,新增智能體文字輸入及智能體語音回聲過濾,支援 60+ 種語言。即時串流版 stt-rt-v6 可透過同一 WebSocket 接收智能體文字,協助辨認來電者的簡短回覆並過濾殘留的智能體音訊;串流價格為每小時 $0.12,包含説話者分離和語言識別。
Soniox 發佈語音轉文字模型 Soniox STT v6,新增智能體文字輸入及智能體語音回聲過濾,支援 60+ 種語言。即時串流版 stt-rt-v6 可透過同一 WebSocket 接收智能體文字,協助辨認來電者的簡短回覆並過濾殘留的智能體音訊;串流價格為每小時 $0.12,包含説話者分離和語言識別。
提升 AI 語音合成(TTS)自然度的 10 項技巧,涵蓋選擇語音模型、按語境整理文字、微調音高、語速與韻律,以及處理文字正規化和停頓。內容亦建議跨裝置測試、審慎使用語音複製,並透過聽眾回饋持續調整;ElevenLabs API 支援相關功能,並提供免費方案供試用。
Convoso 宣佈無需編碼的 Voice AI Agent 正式提供,為其外撥銷售平台加入自動潛在客戶資格判定及來電處理。該系統回應時間約 600 毫秒,以 2,000 萬段銷售對話訓練,並可回答常見問題、安排預約及把來電轉接至合適人員。
Sonos 宣佈,Sonos 27voice 將於 11 月 6 日開放早期測試,支援自然語言指令及更廣泛的一般知識問答。早期測試僅限美國及英文,用戶須在 Sonos app 內申請並獲批;Sonos 計劃於 2027 年全面推出。
Apple 向 iPhone 推送首個 iOS 27.3 開發者預覽版,為國行用戶帶來「Apple 智能與 Siri」首批功能。整理列出的亮點包括 AirPods 實時翻譯,以及 iPhone 可聯手千問(Qwen)實現更多功能;IT之家表示已第一時間上手體驗並整理亮點。
Apple 向 iPhone 推送首個 iOS 27.3 開發者預覽版,為國行用戶帶來「Apple 智能與 Siri」及首批功能。功能包括 Siri 呼出燈效、訊息、FaceTime 通話和電話 App 的即時翻譯、寫作工具、視覺智能、相片消除工具、智繪表情及通知摘要;「千問」擴展則可協助撰寫文本、生成圖像和回答問題。
Clerk AI 藉助 LiveKit 構建企業對話式 AI 平台,現可在無需預先配置的情況下處理超過 1,000 個並行語音工作階段,回應時間低於 500 毫秒。平台原生支援 30+ 種語言,可在對話中自動偵測及切換語言,並具備 SOC 2 Type II 認證及內置 TCPA 合規功能。
Apple 向開發者推出 watchOS 27.3 首個開發者測試版,為 Apple Watch Series 12 和 Apple Watch Ultra 4 加入 Siri Recap 與 Live Rewind 兩項音訊智能功能。
Apple 向開發者推送 watchOS 27.3 首個開發者測試版,為 Apple Watch Series 12 和 Apple Watch Ultra 4 加入 Siri Recap 與 Live Rewind 兩項音訊智能功能。
ElevenLabs 與 Amazon Polly 都能將文字轉為語音,文章比較兩者的語音質素、自訂功能、價格及開發者體驗,並推薦 ElevenLabs 作為大多數現代開發項目的選擇。
這份入門指南以 ElevenLabs 為重點,講解語音 AI 開發,涵蓋文字轉語音、語音克隆,以及語音轉文字與文字轉語音的整合。ElevenLabs API 可接收文字和 voice ID,並返回 MP3 或 WAV 音訊;語音克隆需使用 30–60 秒的音訊樣本,處理需等待 5–10 分鐘。語音克隆目前只供付費方案用戶使用。
Apple 在 watchOS 27.3 開發者測試版加入兩項 Audio Intelligence 功能,讓 Siri 使用 Apple Watch 麥克風生成對話摘要及最近 15 秒音訊的文字轉錄。
Apple 發佈 iOS 27.3 和 watchOS 27.3 的首批開發者 beta,加入 Apple Watch Audio Intelligence 及面向中國的 Apple Intelligence 功能。
Apple 推送 macOS 27.3 Golden Gate 首個開發者測試版,Siri AI 或擴展支援繁體中文等語言,但相關資訊仍有待驗證。蘋果此前承諾在 2026 年年底前加入繁體中文、挪威語、土耳其語及越南語支援,相關語言或於 12 月隨 macOS 27.3 正式版推出。
Apple Watch Series 12 和 Ultra 4 隨 iOS 27.3 的 beta 更新加入 Audio Intelligence,其中 Siri Rewind 可回看前 15 秒對話,Siri Recap 則會摘要日常談話。
Speculative Listening 是一種免訓練、無損的推測解碼框架,利用分塊交錯式全雙工語音語言模型的閒置運算,預先草擬並驗證後續音訊區塊。在八項任務的 TickTock-Bench 上,它令語音區塊加速 2.6-2.8x、工具呼叫區塊最高加速 23.4x,並將回應開始前的解碼延遲平均降低 73% 至 74-241 ms。
Boson AI 聯合創辦人 Alex Smola 在訪談中介紹 Higgs Realtime 的即時語音互動設計,並談及語音智能體進入企業客服流程的部署要求。
Cartesia 的 Sonic 文字轉語音及 Ink 語音轉文字模型均針對低於 100ms 首字節延遲作優化,文章並詳述 Sonic 在 AWS 的部署方式。Sonic 可透過 AWS Marketplace 的 SageMaker AI 模型套件部署至 VPC 內端點,亦可在 EC2 GPU 上自行管理;Ink 則透過 Cartesia API 提供。
TokenLean 拆解將 OpenAI Realtime 語音智能體遷移至 ElevenLabs Eleven Realtime 的做法、通話成本和 WebRTC 限制。
Salesforce 已簽署最終協議收購 Cresta,並計劃將其語音智能體整合至客戶服務軟件 Service Cloud。Salesforce 表示,Cresta 的智能體可進行自然、即時對話並處理打斷,也能在通話期間協助真人客服及分析每次互動。
ElevenLabs 與 OpenAI Voice 面向不同需求:前者專注語音生成、聲音克隆和創作者工具,後者把語音整合到多模態 API 與 ChatGPT 生態系統,支援推理及對話流程。ElevenLabs 提供每月 $0、$6、$22 和 $99 的方案,適合重視旁白質感和聲音識別度的產品。需要語音與推理、工具呼叫緊密配合的互動應用,則可考慮 OpenAI Voice。
吉利銀河星耀 6 EF 正式發布,官方稱其為全球首款甲醇電混家轎,上市限時煥新價為 7.68-9.68 萬元。新車 CLTC 純電續航 230km,滿醇滿電綜合續航 1250km,滿油滿電綜合續航最高 1880km。車輛搭載由 1.5L 甲醇發動機與電機構成的插電混合動力系統,支援甲醇和汽油在同一油箱靈活配比。
MilhommeSI 創辦人開始逐日公開記錄產品的建構過程,並在產品投入服務期間分享設計選擇、實際回饋與調整。首個已投入服務的產品 Sarah 是一款 AI 秘書,可全天候以自然的魁北克法語接聽中小企電話、記錄聯絡資料、回答常見問題及安排預約。
Bose開放式運動耳機主打運動佩戴,單耳重5.9克,具IP54防護,評測認為佩戴穩固,音質均衡且保留動感低音。它不支援主動降噪或沉浸式音頻,配備Auto Volume自動音量及SpeechClarity語音清晰技術。售價為1599元,最高支援AAC編碼。
益普索《2026播客行業報告》推演影片播客、名人播客及 AI 播客的發展情境,指出三者分別帶來入口、流量與效率。受訪播客聽眾中,60.4%較喜歡純音頻,85.0%接受 AI 輔助製作;AI 直接生成內容的聽感評分平均為 5.3 分(滿分 10 分)。
Apple 的 watchOS 27.3 beta 已加入 Siri Recap 和 Live Rewind 兩項 Audio Intelligence 功能,供 Apple Watch Series 12 和 Apple Watch Ultra 4 用戶測試。
AppMagic 數據顯示,AI 語言學習產品 Midoo 9 月應用商店分成後流水接近 100 萬美元,下載量、月流水與 RPD 同時上升。文章將增長歸因於面向不同用戶的達人營銷、AI 定製課程及訂閲設計,年訂閲約佔中國市場內購收入三成。實測顯示,Midoo 的口語課程能配合個人目標,但雅思寫作練習仍沿用跟讀和發音糾錯方式,教學方法與學習目標出現錯配。
Apple Watch 的 Audio Intelligence 功能正隨 iOS 27.3 Beta 開放開發者測試,包含 Live Rewind 和 Siri Recap,並計劃在正式提供前推出較廣泛的公開測試版。
AI數碼人直播系統需整合數碼人生成、AI語音、直播推流及電商交易等模組,並按產品宣傳或直播帶貨等場景規劃架構。直播技術可按延遲、並發規模及互動需求,選用 RTMP、HLS 或 WebRTC;電商功能則涵蓋商品、購物車、訂單及會員管理。選擇系統源碼時,還需考慮技術架構、AI能力、擴展性及第三方服務費用。
Apple 開始在 iOS 27.3 開發者 Beta 中測試 Apple Watch 的 Audio Intelligence,四項可選功能包括辨識重要聲音、歌曲,以及回看對話和記錄筆記。
VoxRT 的文章比較 wake-word、KWS 與 streaming ASR,並按語音介面的輸入需求提供架構選擇指南。
作者以本人聲音盲測 ElevenLabs 與四款免費語音克隆模型,Fish S2 Pro 平均排名第一(1.25),Qwen3-TTS 的 ECAPA 相似度分數則最高(.61)。聽感排名與相似度分數對模型的排序並不一致,測試亦比較了處理速度、每分鐘音訊成本和冷啟動時間。Fish S2 Pro 授權為非商用,商用授權未列價格;Qwen 則已允許透過生成語音賺取收入。
這套純 Python 全雙工多模態智能體架構,以即時音訊、視覺串流及插話中斷實現低延遲互動。StreamAgent Pro 在本地硬件測得端到端延遲 159.1ms,VAD 執行時間為 0.08ms,插話反應時間為 12.3ms。方案亦以循環緩衝區保留語音起始音節,並透過關鍵影格取樣減少視覺處理開銷超過 90%。
Apple CEO John Ternus 重申,Siri 每日處理超過 25 億次請求,部分進階 AI 功能未來將收費。新版 Siri 已隨 iOS 27 於 9 月起逐步推出,可結合個人上下文理解複雜問題,並跨應用程式執行操作。Siri AI 仍在測試,部分依賴伺服器端 AI 模型的功能設有每日使用上限。
Simon Willison 發佈 llm 0.37,擴展嵌入 API 的多模態輸入支援,並改用半價的 gpt-6-luna 作預設模型。更新亦新增 gpt-6.1-sol、gpt-6.1-terra 和 `llm openai endpoint add`,並讓 Gemini Embedding 2 等模型透過不同 content-type 處理文字、音訊、圖像和影片。
神經網絡文字轉語音會依次經過文字正規化、音素轉換、聲學建模和聲碼器,將文字轉成自然語音波形。Tacotron 2、FastSpeech 和 VITS 用於聲學建模,WaveNet 和 HiFi-GAN 則可將頻譜轉成音訊;微調預訓練模型亦可用少至 5-10 分鐘的説話者錄音複製聲線。ElevenLabs 提供雲端 TTS API,支援即時聲線複製、串流及語音參數調整。
文章展示一套面向音色克隆的千條人聲素材標準化預處理流程,涵蓋音訊篩選、切片及格式統一。參考音訊須為單一人聲,信噪比 SNR≥12dB,並以 16kHz 單聲道 WAV 為佳,單片段有效時長以 10‑30 秒為宜。配套 Python 腳本可輸出符合條件的音訊,供 XTTS 等開源模型作零樣本克隆。
Salesforce 於 2026 年 11 月 2 日宣佈已簽署最終協議,收購提供語音智能體、真人客服輔助及對話分析平台的 Cresta。交易預計於 Salesforce 2028 財政年度第一季度完成,仍須取得所需監管批准並符合慣常交割條件。Salesforce 表示,交易完成後 Cresta 會繼續支援客戶現有的聯絡中心及電話平台。
教學示範如何將 ElevenLabs 的雲端 API 接入 Next.js,讓用戶輸入文字後生成並播放語音。API 路由可在伺服器端保管 API key,並將生成的音訊傳回前端;大部分請求可在 < 300 ms 內完成。ElevenLabs 亦支援上載 ≤ 5 min 的音訊片段建立自訂語音。
作者比較 ElevenLabs 與 Murf AI 的腳本轉旁白流程,按音訊用途、聲音風格、聲音克隆、工具範圍及商用授權説明兩者的適用情境。ElevenLabs 偏向生成聲音後匯出至其他剪輯工具;Murf AI 則以整合旁白、時間軸與視覺素材的 Studio 為主,另提供開發者 API。文章亦提供 Python 腳本,匿名化音訊樣本以進行盲聽比較,並建議先用自己的腳本測試。