如何使用 ElevenLabs API 建立語音留言生成器
文章示範如何使用 ElevenLabs API,根據來電者資料生成個人化語音留言,並輸出可供電話系統使用的 MP3。示例提供 Python Flask 和 JavaScript Express 實作,接收包含 name、company 和 purpose 的 JSON,並支援使用公眾語音或自有複製語音。
文章示範如何使用 ElevenLabs API,根據來電者資料生成個人化語音留言,並輸出可供電話系統使用的 MP3。示例提供 Python Flask 和 JavaScript Express 實作,接收包含 name、company 和 purpose 的 JSON,並支援使用公眾語音或自有複製語音。
Stefan Broenner 的開源工具 Picard Code 為 OpenCode 2 提供語音介面,讓用戶以語音提出編碼要求。語音辨識和語音輸出預設使用本機 Whisper 和 Kokoro,亦支援 Azure MAI;OpenCode 2 可連接用戶選定的模型供應商。使用本機語音處理時,音訊留在電腦,但編碼請求及相關專案內容會傳送至所選模型供應商。
作者實測開源工具 Openspline,示範以人像照片和音訊即時生成同步説話頭像影片,並將影片接入語音 Agent。工具提供 LiveKit、OpenAI Realtime、Gemini Live、ElevenLabs Agents 及 Pipecat 連接器;自建部署需要 Linux 或 WSL2 和 NVIDIA GPU。
文章整理了 2026 年 10 月 29 至 31 日推出或開放使用的三款 AI 智能體工具:DeepSeek Super-Agent、Cartesia Managed Agents,以及 Herdr 桌面應用程式與 herdr-core。
這篇指南把 AI 語音智能體每分鐘成本拆分為電訊及 SIP、語音轉文字、語言模型推理、文字轉語音和編排五項費用。文中列出每分鐘 $0.039、$0.091 和 $0.120 的低、中、高情境,並指出託管方案中,編排和語音合成的成本可能遠高於語言模型。
d3kOS 是一款為船隻而設的開源海事作業系統,現行版本 v0.9.9.5.1 可在 Raspberry Pi 上運行,透過 Signal K 整合船上裝置已有的數據。它提供 AI 航海問答、引擎監測、語音助理及碰撞預警等工具,支援離線核心功能,並非經認證的導航儀器。
中國人民銀行等金融監管部門將於11月2日召開兩場會議,研究支持資本市場工具使用及優化股票回購增持再貸款政策。韓國10月半導體出口額為564億美元,同比增長259%。蘋果與阿里巴巴宣佈將千問整合至Apple智能,相關功能將於11月4日起開放測試,並於12月隨iOS 27.3正式推出。
Raktsetu 建立結合地理位置配對、分散式 SQL 及印地語對話式 AI 的自主緊急血液網絡,連接 Delhi 的醫院與血液中心。捐血者未在 7 秒內回應 Telegram 通知時,系統會自動致電;確認捐血後,醫院應用程式會在 3 秒內更新。YugabyteDB 用於避免血液配額重複分配,TimescaleDB 則預測 48 小時內的區域血液短缺。
阿里巴巴於 2026年11月1日為旗下千問 AI 眼鏡全系推送 OTA 升級,新增即時通話翻譯及媒體翻譯。新功能支援跨國電話、網上會議、外語播客、網上課程及影視內容的即時語音識別與譯文同步顯示。更新面向 G1、S1 及新推出的 N1 系列用戶,並優化麥克風陣列演算法,以提升嘈雜環境下語音識別的準確率和時效性;千問 AI 穿戴 App 會自動推送更新,無需手動操作。
阿里旗下千問 AI 眼鏡推出 OTA 升級,新增通話翻譯、媒體翻譯,並提升抗噪能力。千問 AI 眼鏡產品線包括 G1、S1 及 N1 系列;N1 系列於今年 10 月發布,售價 2899 元起。
阿里旗下千問 AI 眼鏡今日迎來 OTA 升級,新增通話翻譯、媒體翻譯並提升抗噪能力。電話及線上會議支援即時翻譯,收聽海外 Podcast、上外語網課及看外語電影亦可即時翻譯,千問 AI 穿戴 App 會同步顯示譯文。更新亦優化嘈雜環境下的語音識別,讓同聲傳譯更準確、更及時。
文章指出,瑞典語 AI 客戶服務的質素管理須涵蓋書面語、口語辨識及持續品質檢查。書面語需統一稱謂、品牌語氣、用詞及產品名稱;語音測試則應涵蓋不同方言、芬蘭瑞典語、口音和背景噪音。上線前應由客服人員進行盲測,按方言及渠道建立固定測試集,並在運作期間按類別抽查,以一致的評分表追蹤結果。
作者為免在 Mac 上反覆複製文字翻譯,打造原生 Mac app,並發現處理跨 app 工作流程比翻譯本身更費工。雙按 ⌘ 時,有選取文字便顯示翻譯預覽,沒有選取文字則開啟語音輸入;用戶確認後才會替換文字。語音轉錄透過 Soniox 串流處理,翻譯則使用 Apple 系統 Translation framework 或 Gemini,視所選引擎而定。
Nokka 檢視 VoiceStudio 的功能與授權後指出,這款本地語音工具整合語音克隆、影片配音、音效設計、轉錄及有聲書製作,但現有資料不足以判定它能否全面取代 ElevenLabs。README 列出支援 646 種語言;CPU 可以運行,但速度慢得多,作者未有實際安裝測試,也未找到中立的 ElevenLabs 對比測試。至少四款模型的授權列有非商業條件,商用前需逐項核對。
NVIDIA 於 2026 年 10 月 28 日發佈 Nemotron 3.5 Transcribe,這款模型可按自然語言提示詞處理 40 種語言的完整錄音。
企業語音 AI 工具供應商 Deepgram 收購 Daily;Daily 曾融資超過 $62M,並開發開源語音 AI 框架 Pipecat。收購金額未有披露。
NecroShell 與 OfrendaAI 以開放權重 AI 打造鬼魅終端及數碼追思聖壇,支援本機運行和生成雙語亡靈節詩歌。靈媒角色引擎及詩歌生成採用 Google Gemma 2 開放權重模型(google/gemma-2-2b-it)。
HackWhisper 是團隊在 Hacktoberfest Hack Day Islamabad 2026 開發的開源 AI 語音助理,使用 Python、Gemma 4、Whisper 和 Graphify。用戶致電後,Whisper 將語音轉為文字,Gemma 4 根據 Hacktoberfest 資訊生成回應,再由語音流程傳送給來電者。Graphify 可視化項目的架構及組件關係。
文章提出音色克隆素材的標準化預處理流程,使用 VAD、SNR 質檢、靜音修剪、切片及響度歸一化清理音頻。流程以 librosa、webrtcvad 和 pydub 實現,將合格片段輸出為 16k 單聲道 WAV,供 XTTS 等模型使用。文中建議丟棄 SNR 低於 12dB 的音頻,並將片段控制在 12–30s。
Resona 創辦人分享打造按用量付費語音克隆平台的經驗,以永久有效的點數取代月費方案。用戶支付 $1 可購買 50 點數,克隆一把聲音需 100 點數,每 1M UTF-8 bytes 文字生成語音需 1,500 點數;平台支援 83 種語言,並計劃推出文字生成語音設計、分離説話者的轉錄功能及包含 200,000+ 把聲音的公開素材庫。
google-voice-dispatch-agent 展示如何以 Python、Groq 和 FastAPI,透過 Chrome 中的 Google Voice 執行 AI 外撥電話。系統以保守的通話狀態閘門確認接通後才開始對話,並記錄每項狀態判斷。通話流程結合 Groq 語音轉文字及回應生成、Edge TTS 語音播放,並提供 FastAPI 操作控制台。
PENG YONG 打造 Denoisa,讓用戶在瀏覽器處理音訊或影片降噪;標準清理在本機完成,檔案不會上傳伺服器。最多 5 分鐘的檔案可免費處理,無需註冊;enhanced tier 會上傳檔案,並在 24 小時後刪除,可到 denoisa.com 試用。作者以街道交通、冷氣聲、咖啡店談話和風聲測試,稱人聲仍清晰自然,持續背景噪音則會被清除。
Maxified01 建立了 Akụkọ,一個本機口述歷史檔案工具,可錄製長者講述或上載手機錄音,並用本機運行的開放權重模型轉錄、摘要及抽取人物、地點、事件和諺語。
ElevenLabs 提供雲端 API,讓開發者以 Python、JavaScript 或 curl 整合文字轉語音,並可透過 API 複製聲音。指南涵蓋 API 金鑰、SDK 與基本請求,以及正式環境的速率限制、錯誤處理、金鑰安全、監控和雲端部署。
文章示範如何以 ElevenLabs 的 TTS API 建構發音指南應用程式,透過 Node.js、Express 和 React,讓用戶輸入文字並播放語音。應用程式亦可使用 ElevenLabs 的語音克隆 API,並加入音節標記或 IPA 轉寫,協助呈現單詞的發音結構。
AC Connect 是一個以本地運行的開源 AI 協助保存家庭回憶的平台,讓家庭記錄、整理及重温親人的聲音、故事、傳統與回憶。初步原型已有網站介面,以及可在瀏覽器錄音、播放和下載的功能;本地語音識別、AI 回憶摘要和可搜尋的回憶儲存仍在後續開發計劃中。開發者希望核心體驗可在本地運作,減少對外部 AI 服務的依賴。
TININ AGBOROU 製作 Mémoire des Anciens,一款可錄製或上載家庭回憶音訊、轉錄內容並生成記憶頁面的本機網頁應用程式。它以 faster-whisper 的 small 模型轉錄,再透過 Ollama 在本機執行 Gemma,整理故事摘要、講述者肖像、人物、地點、日期及引句;音訊、轉錄和記憶頁面均留在本機,並可匯出 Markdown。
Echoes 是一款以本地優先為設計方向的 AI 記憶保存助理,結合 Whisper、Ollama、Gemma、Python 和本機儲存,將錄音轉成文字、整理記憶並生成摘要。用戶可用自然語言搜尋及重温保存的故事;盡可能在本地處理,讓個人資料保留在用戶掌控之中,毋須每次互動都傳送至第三方 AI API。
Echoes of Yesterday 是一個離線、由 AI 驅動的數碼記憶保存平台,可將家庭對話或錄音轉錄、整理成可搜尋的個人記憶檔案,並根據實際錄音回答問題。
Ghost in the Git 是一款網頁應用程式,會讀取棄置的 GitHub 儲存庫提交紀錄,並以儲存庫的視角生成詩意輓歌,再透過 ElevenLabs 合成語音播放。應用程式使用 Gemma 2 生成內容,可在本機透過 Ollama 執行,或連接相容的 API;作者表示,本機執行可避免專有程式碼接觸封閉式 API。
Last Broadcast 建立以 AI 驅動的博帕爾歷史檔案,保存及整理地方故事與口述記憶,讓用戶探索歷史資料。平台可將上載錄音轉成可搜尋文字,並透過 AI 檢索檔案內容、生成歷史敍述。項目使用 Qwen 2.5 7B Instruct 生成回應,並以 ElevenLabs Scribe 轉錄語音、以 ElevenLabs multilingual TTS 生成語音敍述。
一汽奔騰小馬五門版上市,提供4款車型,限時售價3.99萬元至4.99萬元。該車是A00級首款符合新國標的五門車型,全系標配雙氣囊及ESC穩定系統;一汽奔騰表示,奔騰小馬用戶已達30萬人。
Microsoft 於 2026 年 10 月 1 日發佈 MAI-Transcribe-2-Streaming,這是其首個即時語音轉文字模型,收到音訊後略多於 100 ms 即返回首批部分辨識結果。
Midnight Stranger 是一個可離線運作的恐怖故事電台,以本地語言模型生成故事,並由本地語音模型朗讀。故事由 Gemma 3 (4B) 經 Ollama 生成,並由 Piper TTS 配音;電台環境音則以 numpy 生成。完成設定後毋須連接互聯網或使用 API,每個故事的成本為 $0。
Apple 宣佈,Apple Intelligence 首批功能將於 11 月 4 日透過 iOS 開發者 Beta 版在中國大陸開放測試,並計劃於 12 月隨 iOS 27.3 正式版推出。功能涵蓋即時翻譯、照片消除、寫作工具、智繪表情(Genmoji)和 Siri 升級,並接入阿里巴巴千問;首批僅支援符合條件的 iPhone,iPad 和 Mac 的開放時間未定。
Practice Shadowing 於 2026 年 10 月推出,是一款會等用戶完成跟讀才播放下一句的英語練習工具。練習時,説出的字詞會亮起,用戶亦可把自己的錄音與講者並排播放,查看節奏。平台提供三個程度的示範片段,可在手機和電腦的瀏覽器使用;推出期間免費。
七款語音模型在真實新聞廣播上的 WER 相差不超過 0.94 個百分點,排行榜第一的 30B 模型與 0.6B 模型之間的差異未達統計顯著。測試涵蓋 31 段廣播、共 2.6 小時;速度介乎 13x 至 1,117x,每小時音訊成本約為 $0.003 至 $0.220。選擇模型時,吞吐量和服務配置比模型規模更值得考慮。
美國初創公司 Subvocal 為無聲輸入眼鏡籌得 130 萬美元,並開放預訂;公司稱眼鏡可追蹤説話肌肉的活動,把幾乎看不見的口形動作轉成文字,速度超過每分鐘 200 個詞。美國預訂需付 199 美元訂金,早鳥價為 499 美元,預計 2027 年第一季交付。Subvocal 尚未公開示範,亦未説明錯誤率、用戶所需學習時間或詞彙範圍。
MockVora 是一款為求職者設計的端到端 AI 語音模擬面試教練,能即時聆聽、調整提問,並提供對話回饋。其輕量三層架構旨在不依賴大型雲端 GPU 基礎設施,將延遲控制在 1.5 秒以下。語音分析涵蓋每分鐘字數、猶豫標記及回答精簡度。
ElevenLabs 提供文字轉語音 API,文章示範如何建立、微調及部署品牌自訂 AI 聲音。建立聲音需準備 5–10 分鐘清晰語音,並可透過 Python 或 JavaScript SDK 上載音訊及合成文字語音。生成音訊預設為 MP3,亦可選擇 WAV 或 Opus。