跳到正文
10月30日週五
  1. 新浪科技66

    Neuralink 公佈 VOICE 早期可行性研究,ALS 參與者使用首週達每分鐘 75 詞輸出

    Neuralink 於 10 月 28 日公佈 VOICE 語音恢復項目的早期可行性研究,一名 ALS 參與者在使用首週達每分鐘 75 詞輸出。使用 12.5 萬詞詞庫時,詞錯誤率為 5.8%。研究計劃招募約 6 名參與者,首要評估植入後 12 個月內與設備或手術相關的不良事件;目前未有經同行評審的完整論文。

  2. DoNews56

    Anthropic 升級 Claude 流動應用程式,新增 CarPlay 語音支援及多端協作

    Anthropic 宣佈全面升級 Claude 流動應用程式,涵蓋 iPhone、iPad、Android、Chromebook,以及網頁和桌面端。iPhone 版新增 CarPlay 語音支援,駕駛時可免提操作;iOS/iPad 將推出下拉搜尋,iPad 與 iPhone Duo 支援並排顯示內容,Android 大屏幕裝置則優化側邊欄、觸控板及鍵盤快捷鍵。

  3. IT之家65

    Neuralink 公佈 VOICE 早期研究數據,ALS 參與者使用首周達每分鐘 75 個單詞

    Neuralink 公佈語音恢復項目 VOICE 的早期可行性研究,一名 ALS 參與者使用首周達每分鐘 75 個單詞的輸出速度。在 12.5 萬詞詞庫下,詞錯誤率(WER)為 5.8%。研究計劃招募約 6 名參與者,首要評估植入後 12 個月內的設備或手術相關不良事件;目前數據來自單一參與者,完整論文尚未經同行評審。

  4. 阿里雲開發者社區 AI33

    AI 數字人影片生成流水線:TTS、口型驅動與影片合成的工程拆解

    AI 數字人影片生成流水線由文本預處理、TTS、數字人驅動及影片合成四個環節構成,文章逐一拆解各環節的工程流程與選型要點。口型對齊精度直接影響觀感,輸出則應預置多套平台規格。文中亦提供按環節檢查文本、語音、驅動與合成效果的自檢清單。

  5. 阿里雲開發者社區 AI43

    拆解函數計算 Serverless GPU 部署 AI 模型:Flux 生圖和語音復刻如何運作

    阿里雲函數計算(FC)的 Serverless GPU 方案可部署 ComfyUI、Flux 和 GPT-SoVITS,按需分配 GPU,請求完成後釋放資源,並按實際使用時長計費。Flux 生圖冷啟動約 60 秒,後續每張圖約 5 秒;GPT-SoVITS 語音案例冷啟動約 8 秒。方案適合間歇性使用和快速驗證,不適合等待時間要求高的即時互動。

  6. DEV Community28

    語音 AI 安全與私隱完整指南

    語音 AI 安全與私隱指南整理語音資料處理的主要風險,並提出涵蓋傳輸、儲存、API 整合、語音克隆及監察的防護做法。指南亦提供安全呼叫 TTS 服務的 Python 範例,並以 ElevenLabs 為例説明語音克隆服務及 API 的安全措施。

  7. DEV Community65

    克里米亞韃靼語建庫的資料教訓:語言過濾器難辨近親語言

    Servin Osmanov整理克里米亞韃靼語語料建置經驗,指出一般語言識別難以排除詞彙相近的土耳其語,並以偵測本語言不會出現的形式補足。他將數千個可疑片段隔離而非刪除,並指出自動檢查仍須母語者覆核。在同一組 524 個評估提示詞中,新版本帶有土耳其語形式的拉丁字母 token 比例為 2.02%,前一版為 0.27%,相差 7.5 倍。

  8. 新浪科技56

    蘋果 HomePod mini 2 智能音箱時隔六年換代,今日以1099元發售

    蘋果第二代 HomePod mini 今日在中國內地正式發售,定價1099元,提供白色、粉色、綠色、藍色及午夜色五款配色。新品將初代 S5 升級至 Apple S10,並支援 WiFi 6E 和藍牙 6.0,亦可搭配 Apple TV 4K 組建家庭影院環繞聲系統。海外版本日後將透過軟件更新加入 Siri AI,原文稱國行用戶無法使用相關功能,短期內亦沒有希望。

  9. DEV Community39

    如何利用語音複製實現個人化市場推廣

    文章示範如何使用 ElevenLabs 語音複製及文字轉語音 API,製作個人化市場推廣音訊,並整合至電郵、SMS、語音通話和應用程式通知。ElevenLabs API 可用 5-10 秒清晰音訊建立語音複製,範例使用 eleven_multilingual_v2;文章亦提醒取得明確同意、標示 AI 生成音訊及妥善保管 API 金鑰。

  10. DEV Community30

    建立即時語音翻譯應用程式

    這篇教學示範如何以 Whisper、翻譯服務及 ElevenLabs,建立即時語音翻譯應用程式,串連語音辨識、文字翻譯、語音合成及音訊播放。架構以低於 1 秒的往返延遲為目標,並提供使用 DeepL 免費方案每月 500 k 個字元及 ElevenLabs 每分鐘音訊 $0.02 的資料。

  11. HuggingFace Daily Papers(社區熱門論文)40

    TurnTurk-GPT:土耳其語文本發言輪替預測

    TurnTurk-GPT 是以 GPT-2 微調而成的土耳其語文本發言輪替預測器,在錄音分離及説話者分離評估中均勝過多語言偵測器。移除輪次末詞語的後綴,平均精確率(AP)最多下降 44%;移除句內詞語則下降 2%,顯示輪替線索與動詞句末形態有關。模型及評估流程已公開發布。

  12. DEV Community40

    Streaming TTS 背後如何運作

    Streaming TTS 會在音訊生成時逐段傳送,讓用戶幾乎即時開始播放;其流程包括文字處理、神經合成及音訊編碼。文章亦説明語音克隆如何運用説話者嵌入向量,並以 ElevenLabs API 示範 Python 串流播放;首個音訊片段延遲約為 200 ms,非串流完整音檔則需 1–3 s。

  13. TechCrunch · AI61

    Granola 推出聽寫功能,與 Wispr 競爭

    會議記錄工具 Granola 推出適用於 Mac 的聽寫功能,用戶按下「Fn」鍵即可在各款應用程式中口述,工具會整理並格式化語音內容後輸出文字。該功能目前免費且不限字數,Granola 表示稍後會登陸 iOS 和 Windows。這項更新與 Wispr 推出會議記錄工具的做法相呼應,反映語音 AI 應用正整合多種功能。

  14. DEV Community42

    DharaniAI:為印度旱地農民提供離線氣候韌性及母語語音指引

    DharaniAI 結合 Google Gemma 2、微氣候物理模型及 ICAR/CRIDA 旱地農業知識,為印度旱地小農提供離線氣候韌性指引。系統以 Gemma 2 在本地裝置運行,並可用泰盧固語、印地語、馬拉地語、卡納達語及英語生成語音建議。它亦提供作物用水評估及抗旱應對方案,無需網絡或雲端 API 訂閲。

  15. DEV Community48

    Ofrenda:無需離開裝置的記憶祭壇

    Ofrenda 可在瀏覽器內把親友的語音備忘錄轉成可列印的紀念卡,全程無需後端伺服器。它以 WebAssembly 執行 Whisper 語音轉錄,並用 Qwen2.5-0.5B-Instruct 撰寫卡片文字,輸出 1000 × 1400 SVG。完整流程首次會下載並快取 39 MB Whisper 權重,其後可離線使用;項目採 MIT 授權。

  16. Unite.AI55

    AI 導師加入語音能否提升學生學習成效?

    一項網上 MBA 金融課程的預印本研究比較 AI 導師的語音與文字互動,發現語音帶來更多對話,但每週掌握度落在研究設定的 ±0.3 個標準差等效範圍內。該實作的語音交付成本約為文字的 2.8 倍;模態分析只涵蓋 29 名有導師支援的學生,結果不宜直接推及其他科目。文章建議院校在試點中分開衡量學習成效、使用偏好與成本,並以無導師協助的評估判斷學生能否理解和應用所學。

10月29日週四
  1. Hugging Face Blog42

    Granite Switch 4.1.1:像更新軟件一樣更新模型

    Hugging Face 發佈 Granite Switch 4.1.1,這個補丁版本與 4.1 完全向後兼容,無需遷移。更新包括支援 10 種語言的 Granite Speech ASR,以及在 Jev Decision Index 測試集上整體表現有所提升的 Decision adapter。除訓練新的 ASR 模型和 Decision adapter 外,基礎模型沒有重新計算。

  2. DEV Community66

    Sherlock Holmes:語音智能體預熱為何沒有加快首次回覆

    團隊發現 LLM 預熱未明顯加快首次回覆,最終停用所有通話的 LLM 預熱。啟用預熱時 p50 為 1,163 ms、停用時為 1,235 ms,p95 分別為 2,149 ms 和 2,118 ms;GPT-5.1 預熱回覆約 98% 命中快取,但每次仍須逐 token 生成回覆。團隊移除了不會重用音訊連線的語音轉文字預熱,並只在服務會保留連線時使用文字轉語音預熱。

  3. Hugging Face Blog62

    AnySpeechRecognizer 與 AnyDecisionModel 推出 Apple 平台語音辨識及決策套件

    AnySpeechRecognizer 與 AnyDecisionModel 兩個 Swift 套件正式公佈,分別為 Apple 平台提供可選擇辨識引擎的語音轉文字功能,以及輸出型別化答案和機率的決策 API。

    推薦理由:文章列出語音模型的測試結果、下載體積及平台限制,讓讀者可比較 Apple 裝置本機部署的取捨。