Gnani AI 推出支援 10 種語言的 Prisma v3.0 語音識別模型
Gnani AI 推出 Prisma v3.0 自動語音識別模型,支援 10 種語言及句內印度語言與英語混用的語音轉錄。
Gnani AI 推出 Prisma v3.0 自動語音識別模型,支援 10 種語言及句內印度語言與英語混用的語音轉錄。
Genspark 發佈第二款硬件 SecondBrain VoicePad,以五個可自訂按鍵和近場語音,支援語音輸入、開啟指定 App、調用 Super Agent,以及錄音和整理會議紀要。
小鵬 MONA L05 在發布會現場進行空間實測,滿載5人時仍可放下9個20寸行李箱。車尾行李廂容積為702L,最大可擴展至1913L,另設102L前備箱及41處收納空間。車款提供純電及超級增程雙動力,預售價16.98萬至19.18萬元;純電版CLTC續航615至660km,增程版CLTC綜合續航最高1310km。
NVIDIA 於 10 月 28 日發佈 Nemotron 3.5 Transcribe,這款開放權重語音模型可轉錄 40 種語言、翻譯語音及辨認説話者。模型可按自然語言指令調整轉錄格式,無須重新訓練,並支援最長一小時錄音;NVIDIA 報告其在英文和多語言 Open ASR Leaderboard 的平均 WER 分別為 4.71% 和 4.62%。
Maya Research 發佈 Maya 2 Native 文字轉語音模型,支援 11 種印度語言及英語,模型權重與推理程式碼以 Apache-2.0 授權提供。模型提供 20 種內置語音、串流音訊及以 3–10 秒參考語音複製聲音,輸出為 24 kHz 單聲道音訊。發布基準涵蓋 12 種語言的 6,000 條留出文本;阿薩姆語是基準中最具挑戰的語言。
Sarvam AI 正向 2,500 名馬哈拉施特拉邦政府官員部署 Indus Cowork,協助他們起草文件、分析報告、摘要檔案及搜尋政府紀錄。平台支援包括馬拉地語在內的 22 種語言,並提供政府決議搜尋、電郵摘要及招標評估工具。
華為 WATCH 5 系列已開啟 HarmonyOS 7 花粉 Beta 版招募,並推送版本 7.0.0.107 SP18。更新包括 AI 通話降噪、同步華為手機地震預警訊息、HarmonyOS 7 光穹錶盤,以及健康生活應用新增飲食維度;小藝建議的通知摘要等主題,需配對 HarmonyOS 6 及以上版本的手機。
NVIDIA 公開 Nemotron 3.5 Transcribe,支援包括日語在內的 40 種語言轉錄,並提供語音翻譯、模型權重及追加訓練工具。它可按文字提示詞調整轉錄格式;日語支援多説話者轉錄及與英語雙向翻譯,錄音最長可處理 1 小時。NVIDIA 的技術報告列出其在不含日語的 7 種語言上平均 WER 為 4.62%;商用 ElevenLabs Scribe v2 的榜單值為 3.56%。
AssemblyAI 發佈首個文字轉語音模型 AssemblyAI-TTS-1,並提供面向即時電話語音智能體的串流 API。服務按每 1M 字符 $15 收費,支援不限並發,且不設年度合約。AssemblyAI 自報實體準確率為 93.7%、首字節中位延遲為 47 ms;Cekura 基準則測得串流延遲 159 ms、朗讀準確率 81.5%。
Block 發佈 Dessa,這是一款僅以人類對話音訊訓練、可同時聆聽和説話的全雙工語音模型。Block 於 2026 年 10 月 23 日以研究預覽形式公佈,稱訓練未使用文字或預訓練模型,並以 1 NVIDIA GB200 NVL72(72 GPUs)完成訓練。模型可在 MacBook Pro M4 Max 或以上本地運行,速度快於即時;目前未公開基準分數、權重、論文或 API。
DeepInfra 的 Nemotron 3.5 Transcribe API 每分鐘收費 $0.002,轉錄 1 小時音訊約需 $0.12。API 支援 40 種語言,並可在同一次呼叫中回傳逐字時間戳、説話者標籤及偵測語言。文章示範如何取得 API key、提交音訊、處理回應,並以 Apidog CLI 建立自動化測試。
AI 遠距語音轉錄系統透過麥克風陣列和波束成形收音,再以降噪、去混響及神經網絡增強處理音訊。處理後背景噪音可降低 20–30 dB,混響尾音則由 400–800 ms 壓縮至 80 ms 以下。多任務 conformer 網絡和 Transformer 語言模型負責辨識語音並產生文字。
EchoArchive 以本機優先方式保存口述歷史,並將錄音和經人工審核的逐字稿作為唯一依據,用本機 AI 建立可追溯記憶。語音識別使用 whisper.cpp,語言模型則透過 Ollama 執行 qwen2.5:1.5b;所有推理均在本機進行,不使用外部雲端 API。EchoArchive 以 MIT License 開源,官方版本為 v1.0.0。
英偉達於10月28日推出開放權重語音轉錄模型 Nemotron 3.5 Transcribe,並同步推出配套訓練數據管線 Granary v2。Nemotron 3.5 Transcribe 採用 MoE 架構,總參數量為340億,支援40種語言轉錄、31種語言與英語互譯,可區分最多8名説話人並處理多人重疊對話。
這份阿爾及利亞 Darija 文字轉語音檢查清單,提供開發者和創作者檢視腳本與合成語音的聆聽流程,涵蓋方言用字、標點、法語詞彙、專有名稱及數字。測試時應一次只改動一項,並在影片、字幕或介面等實際播放情境中核對發音、停頓和價格資訊。
NVIDIA 於 10 月 28 日推出開放權重語音轉錄模型 Nemotron 3.5 Transcribe,並公開訓練資料管線 Granary v2;模型支援 40 種語言轉錄、最多 8 名説話人辨識,並整合翻譯及音訊問答。
語音 AI 一方面由 Dessa 探索不經文字、直接從聲音建立對話能力,另一方面由商業模型結合文本推理與原生語音,但屏幕仍難以取代。OpenAI 更新 GPT-Live,xAI 推出 Grok Voice 3.0;文章指出,低延遲、自然互動及通話處理能力是實際應用的關鍵。
NVIDIA 發佈 Nemotron 3.5 Transcribe,這款開放權重語音 LLM 支援 40 種語言及最長 1 小時錄音。單一模型可輸出轉錄文字、説話者標記、時間戳及翻譯,並可透過文字指令切換格式。
VoxLock 是一款供語音智能體使用的因果式目標説話者提取模型,可利用通話本身截取的語音樣本,無需預先登記。在 Krisp 的 265 段錄音基準中,WER 為 4.95%,未處理音訊為 23.21%;在 400 個 AMI 會議片段中,WER 由 42.95% 降至 10.63%。
HUAWEI WATCH Ultimate 2 非凡探索支援 eSIM 獨立通話及 AI 語音降噪,並以環隙天線系統和自研算法優化天線訊號。手錶提供全能模式和省電模式,續航分別為 4.5 天和 7 天,兩種模式可在 3 秒內切換。
文章提出一套以 Node.js API 和佇列批次轉錄多個音訊檔案的設計:每個檔案建立一筆持久化工作記錄,再由工作者逐一認領處理。佇列只負責傳遞工作,租約和冪等鍵處理工作者競爭、重試與重複投遞;完成時應在同一資料庫交易保存轉錄文本及用量事件,方便按租戶追蹤成本。
創維於10月27日發布耳背式 Sound BR、頸掛式 Sound N3 Max 及耳內式 Sound QR,構建面向不同聽力損失程度與使用習慣的 AI 中文助聽器產品矩陣。Sound BR 配備5核異構12nm AI 晶片、64個獨立聲信號處理通道,以及中文言語增強補償2.0和AI非平穩降噪系統2.0。用戶可選擇上門服務或遠程影片 AI 驗配;全國已有90%+區縣提供工程師上門服務。
巴慕達推出 AI 個人化電台 BALMUDA Good Morning Radio,按用戶生活習慣與興趣生成約 10 分鐘的每日電台音訊。服務計劃於 2026 年 11 月 2 日起向 The Clock 用戶開放 Beta 測試,未購買時鐘的用戶亦可透過 BALMUDA Connect 申請,名額 1000 名。
AI 英語教培軟件系統的開發聚焦低延遲語音即時互動、教學場景 LLM 微調及學生語言能力畫像,涵蓋口語對話、寫作批改、自適應閲讀和數據中台四大模組。技術方案採用流式 ASR-LLM-TTS、RAG 及 WebSocket 或 gRPC,並可接入 Whisper v4、SenseVoice、Llama 或 Qwen;開發難點包括延遲控制、教學準確性及學習留存率。
AI 正在重塑英語培訓全鏈路,應用涵蓋口語陪練、寫作批改、自適應聽讀、學情診斷、備課及機構營運;教學模式轉向「AI 導師+真人教練」協作。落地仍面對學員持續使用、大模型幻覺及商業化挑戰,機構正以微調、RAG 和學科專家校驗把關教學內容。
邁從 R9 輕量化零壓電競頭戴耳機的白紫、黑金配色現已發售,首發價為 249.2 元,定價為 299 元。耳機重約 235 g,滿電續航約 150 小時,響應延遲約 15 ms。產品支援 THX 空間音效,並配備可插拔的 360° 全指向 AI 降噪麥克風。
語音 AI 產品可透過節流、指數退避和快取,處理雲端 TTS 或語音複製服務的速率限制,避免 429 錯誤並減少 API 呼叫。ElevenLabs 的限制為每個 key 每秒 5 個請求;文章亦示範以 Python 的 requests-cache 快取 HTTP 回應,並介紹 JavaScript 快取做法。
Jaden Vo 梳理 Murf AI 的 Studio 訂閲方案與 API 按字元收費方式,並比較各方案的額度、授權和適用情境。Creator 年付 $228($19/month),提供每年 24 小時語音生成及商業權利;Business 年付 $792($66/month),提供每年 96 小時及 Business License。
ElevenLabs 和 Node.js 可用來建立 AI 語音助理,讓用戶輸入查詢後,由 OpenAI 的 ChatGPT 生成回覆,再透過 ElevenLabs 轉換成語音並播放。教學提供命令列工具的程式碼,並示範如何加入自訂聲音克隆。
文章説明 Voice AI 常見音訊格式及音質設定如何影響延遲、檔案大小和語音自然度,並以 ElevenLabs API 示範生成音訊。語音複製訓練宜使用 WAV 或 FLAC 等無損格式;面向用戶傳送語音則可選用壓縮格式。設定取捨包括取樣率、位深和位元率,需按用途及延遲要求調整。
研究測試以 11 種語言訓練的 SLAM-ASR 單語投影器能否讓模型執行零樣本口語理解,結果顯示投影器未能有效傳遞相關能力。回答是非問題的平均指令遵循率為 49.8%,要求以單一數字選項作答時則升至 81.3%。主題分類平衡準確率為 23.2%,低於同一解碼器使用參考轉錄文本時的 71.5%。
Apriel Voice 27B Preview 是一款開放式語音語言模型,在共享推理骨幹中整合語音理解、推理及工具調用,並保留文字和圖像輸入。模型以經後訓練的 Gemma 4 26B-A4B checkpoint 為基礎,透過兩階段訓練及線上蒸餾適配語音。
這篇教學説明如何將 Voice AI 整合至 Shopify 網店,並以 ElevenLabs 作為文字轉語音(TTS)和語音克隆平台。示範以 Node.js 建立應用程式,接收加入購物車的 webhook,再生成語音確認;API key 不應放在前端程式碼中。
Natiq Studio 開放權重發佈 Natiq-dz-ARG,這款 LoRA 適配器以 Higgs TTS 3.4B 為基礎,針對阿爾及利亞 Darija 語音合成。模型以 300 小時以上、來自 100 多位講者的語音微調,支援阿拉伯語與法語語碼轉換及零樣本聲音條件控制,生成 24 kHz 音訊。適配器採用 CC BY-NC 4.0 授權,商業用途須另行取得授權。
Raise Financial Services 與 Cartesia 合作開發多語言語音體驗,讓金融智能透過自然對話傳達。Cartesia 的語音模型目前支援 Dhan 部分語音機械人互動,包括對話式 KYC;其 Sonic 文字轉語音模型支援 11 種印度語言,並可在單次生成中切換語言。Dhan 逾 75% 的相關互動以英語以外的語言進行。
Baseten 優化 Qwen3-ASR 1.7B 批次轉錄部署,在單張 RTX PRO 6000、64 路併發下,吞吐量較原版 vLLM 提升逾 7 倍。方案改用 torchcodec 原生音訊解碼、FP8 KV cache,並減少 CPU 與 GPU 同步及調整請求處理;5 分鐘音檔在 64 路併發時,中位延遲由 50.4 秒降至 7.3 秒。
NVIDIA 於 2026 年 10 月 28 日發佈開放權重語音模型 Nemotron 3.5 Transcribe,並同步推出 Granary v2 語音數據集及整理流程。
推薦理由:Nemotron 3.5 Transcribe 將多語轉錄、説話者標註、翻譯與音訊問答整合於單一檢查點;Granary v2 公開清單涵蓋 48 種語言及 463,062 小時,呈現模型功能與數據集範圍。
Samsung 首款夾耳式耳機 Galaxy Buds On 將於 11 月 6 日在美國開售,售價 $229。耳機環繞耳垂佩戴,讓耳道保持開放,並支援 Google 的 Gemini。耳機播放時間長達 9.5 小時,配合充電盒則可達 38 小時。
Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重模型,可轉錄 40 種語言、翻譯其中 31 種,並在最長一小時的錄音中標記最多 8 位説話者。
NecroShell 與 OfrendaAI 以開放權重 AI 打造萬聖節幽靈終端及數碼追思神龕;NecroShell 可在本機運行,Gemma 2 則驅動靈媒角色及雙語亡靈節詩歌生成。作品整合 ElevenLabs 文字轉語音 API,並提供 Render 雲端部署設定及 MongoDB Atlas 紀念資料 schema。