跳到正文
10月29日週四
  1. 新浪科技23

    小鵬 MONA L05 空間實測:滿載5人仍可放下9個行李箱

    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。

  2. Analytics India Magazine64

    NVIDIA 發佈支援 40 種語言的開放權重轉錄模型 Nemotron 3.5 Transcribe

    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%。

  3. DEV Community65

    Maya 2 Native 發佈權重與推理程式碼,支援 12 種語言串流 TTS

    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。

  4. IT之家42

    華為 WATCH 5 系列開推 HarmonyOS 7 花粉 Beta 版,新增 AI 通話降噪及同步手機地震預警訊息等功能

    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。

  5. gihyo.jp65

    NVIDIA 公開 Nemotron 3.5 Transcribe 語音轉錄與翻譯模型

    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%。

  6. MarkTechPost56

    Block 發佈僅以人類對話音訊訓練的全雙工語音模型 Dessa

    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。

  7. DEV Community29

    AI 如何清晰轉錄遠距語音

    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。

  8. DEV Community50

    EchoArchive:以本機語音和有根據的開放權重 AI 保存真實口述記憶

    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。

  9. DEV Community58

    Node.js API 如何以佇列批次轉錄多個音訊檔案,以及任務認領為何重要

    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。

  10. 新浪科技44

    創維助聽器「三箭齊發」,構建 AI 中文助聽器旗艦產品矩陣

    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。

  11. 阿里雲開發者社區 AI24

    AI 英語教培軟件系統的開發

    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。

  12. 阿里雲開發者社區 AI26

    AI 技術在英語培訓行業的落地應用

    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。

  13. DEV Community36

    Voice AI 音訊格式與音質設定指南

    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。

  14. Cohere Labs:官方研究博客42

    SLAM-ASR 的單語 ASR 訓練線性投影器能實現甚麼零樣本口語理解?

    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%。

  15. DEV Community24

    如何將 Voice AI 整合至 Shopify 網店

    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。

  16. DEV Community47

    建構阿爾及利亞 Darija 語音合成:LoRA、語碼轉換與 Natiq-dz-ARG

    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。

  17. Cartesia 產品與研究45

    Raise Financial Services 與 Cartesia:以語音 AI 提升印度金融資訊可及性

    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。

  18. Unite.AI78

    NVIDIA 發佈 Nemotron 3.5 Transcribe 開放權重語音模型及 Granary v2 數據集

    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。