微信輸入法 iOS 版 4.0.0 正式版加入「AI 錄音筆」功能
iOS 版微信輸入法推出 4.0.0 正式版,新增「AI 錄音筆」,並全面適配 iPhone Duo 摺疊屏。用戶可從功能中心開啟錄音,或將功能加入輸入法頂部的自訂工具列;錄音會即時轉寫並生成 AI 摘要,離開頁面或螢幕關閉後仍可繼續錄音。
iOS 版微信輸入法推出 4.0.0 正式版,新增「AI 錄音筆」,並全面適配 iPhone Duo 摺疊屏。用戶可從功能中心開啟錄音,或將功能加入輸入法頂部的自訂工具列;錄音會即時轉寫並生成 AI 摘要,離開頁面或螢幕關閉後仍可繼續錄音。
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。
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。
FlowPick 團隊介紹其網頁工具的瀏覽器本機轉錄實作,使用 Transformers.js 辨識、Mediabunny 讀取媒體,並為每項轉錄任務建立獨立 Web Worker。
Anthropic 升級 Claude 應用,iPhone 版語音模式現已支援 Apple CarPlay,用戶可在駕駛途中直接向 Claude 提問。Claude 在網頁、桌面、iOS 和 Android 端新增 24 種語言,累計支援 33 種語言。iOS 與 Android 版可同時保持多個帳戶登入並直接切換;iPhone 和 iPad 即將支援下拉搜尋。
Fish Audio 的串流 STT endpoint 收費 $0.36/session hour,宣稱在 Cekura 的 Converse-STT leaderboard 達 2.21% WER;即時通話助手的工程難點則是輪替判斷和 Windows 音訊擷取。
這篇教程説明如何用 vLLM 部署 Nvidia Nemotron 3.5 Transcribe,將會議錄音轉成帶説話者標記的逐字稿,並產生 Markdown 筆記和 SRT 字幕。
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。
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。
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。
一汽奔騰小馬五門版全球上市,推出222km、328km兩種續航的4款車型,官方指導價為4.49萬至5.49萬元,限時權益價為3.99萬至4.99萬元。新車全系搭載寧德時代電池,國內門店已全面到店,海外亦已開啟交付。
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。
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。
OpenBMB 展示一套以 ESP32-S3 和附近 Mac 運作的 AI 塔台語音示範,結合 MiniCPM5-2B 與 VoxCPM2,進行即時航空交通管制互動。ESP32-S3 負責顯示、觸控及感應器輸入,Mac 則執行語音識別、模型推理及語音生成。GitHub 專案和文章未提供產品可用性、定價或商業方案資料。
蘋果 HomePod mini 2 今日正式發售,提供五種配色,售價 1,099 元。產品搭載 S10 芯片,支援立體聲組合、多房間音訊、聲音識別及温濕度感測,無線連接升級至 Wi-Fi 6E。它亦可作為家居中樞,供用戶操控聯網家居及自動化配件。
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。
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。
Amazon Polly、Google Cloud Text-to-Speech、Microsoft Azure Speech 和 ElevenLabs 在語音品質、延遲、價格及免費額度方面各有差異。ElevenLabs 提供自然語音、語音複製及即時串流,延遲低於 50 ms;每 1 M 字元收費 $5.00,另有訂閲方案。
作者展示一個以 Selenium 操控 Google Voice 的 Windows 外撥 AI 智能體,並以保守的通話狀態偵測,確認對方接聽後才開始對話。接通後,智能體透過 VAD、語音轉文字、Groq 生成回覆及 Edge TTS 完成即時語音互動;專案採用 MIT 授權。
Elliot Sturzaker 建立並開源 Speakhold,一款 Mac 原生 Swift App,提供按鍵聽寫與會議錄音後生成筆記。聽寫語音模型在 Mac 上執行;會議結束後,App 輸出包含摘要、決策、行動項目、未解問題及完整逐字稿的 Markdown 檔,並刪除音訊。
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。
Rivian擴大與Volkswagen Group的合資合作,透過合資企業授權其AI語音助理技術,納入雙方的電氣架構及軟件合作。Rivian第三季軟件及服務收入中,$354 million(59%)來自合資企業;Rivian Assistant於2026年10月登陸R2,並加入Gmail整合。
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。
Armin Ronacher 以 Qwen3-TTS 示範自訂聲音,透過混合聲音嵌入向量調配聲線,並把 Base 提取的向量傳入 CustomVoice,讓克隆聲音接受語音指令。
Claude Code Local 的 v0.5.0 加入 Linux 和 Windows 支援,非 Mac 裝置改用 llama.cpp 執行本地模型。v0.6.0 的安裝程式可選裝 NarrateClaude、Moonstone、Browser、Phone、Remote、Failover 和 Trinidad Head 等配套工具。
作者在黑客松期間打造了一個語音智能體,探索以語音超越常見文字互動,讓用戶與軟件的溝通更自然。開發過程需要在有限時間內作出決定、排解突發問題,並優先確保作品可以運作。作者希望日後重新檢視項目架構,繼續探索如何令 AI 語音介面更實用、易用。
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。
Smriti 是一個開源、以私隱為先的紀念空間,收集逝者留下的文字、語音和智慧,保存回憶而不假裝逝者仍然在世。記憶影片可把照片和故事配上音樂;只有 1–3 段回憶時,Gemma 會重述已保存的文字和建議,而非虛構對話。
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。
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。
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。
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。
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。
文章介紹如何以 Whisper、Claude、Chatterbox 和 LiveKit 搭建 AI 接待員,涵蓋電話語音處理、診所規則、預約工具及轉接,並附入門程式碼。
Deepgram 宣佈收購 Daily,Daily 團隊將加入 Deepgram,Pipecat 則繼續按 BSD V2 授權免費開源。
Deepgram 收購 Pipecat 的開發及維護方 Daily,並表示會維持 Pipecat 開源;交易金額未有披露。Pipecat 管理語音及影片串流,以及語音轉文字(STT)、大語言模型和文字轉語音(TTS)等流程,並降低延遲。
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。
BengaliStoryTeller 是免費、離線的 AI 故事工具,可用自然語音逐句朗讀孟加拉語故事,並為孩子創作新故事。它在只配備 CPU 的 Ubuntu 手提電腦上運行,使用 Meta 開放權重的 facebook/mms-tts-ben,無需網絡、GPU 或訂閲;故事會儲存,方便重播。
Dadi’s Voice Archive 使用本機運行的 Whisper 和 Gemma,將長者的口述故事轉錄、逐行翻譯並整理成可搜尋的檔案。家人可提問並查看錄音引文,每則引文均可播放對應時刻的原聲;整個應用程式離線運行,不會把資料送出電腦。
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。