跳到正文
10月29日週四
10月28日週三
  1. Hugging Face Blog76

    NVIDIA 推出 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程

    NVIDIA 推出開放權重的 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程。模型支援 40 種語言轉錄,其中 31 種可與英文互譯,並支援 13 種語言的説話者標註;Granary v2 公開清單涵蓋 48 種語言、463,062 小時及 16 個來源語料庫。醫療語音案例中,微調令留出説話者的 WER 較最佳提示詞基線相對下降 45.8%。

    推薦理由:文章串連提示詞控制、資料整理與微調流程,並以留出説話者的醫療語音評估呈現 WER 相對下降 45.8% 的結果。

  2. TechCrunch · AI63

    Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重音訊轉錄模型

    Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重模型,可轉錄最多 40 種語言的音訊,並推出開源語音數據集 Granary version 2。Nvidia 表示,模型可將 31 種語言與英文互相翻譯、處理最長一小時的錄音,並分辨最多 8 位説話者。Nvidia 稱這個 30 billion parameters 模型可在單一晶片上運行,但只支援錄音、不支援即時串流。

  3. Thurrott44

    Samsung 宣佈推出首款開放式耳機 Galaxy Buds On

    Samsung 宣佈推出首款開放式耳機 Galaxy Buds On,耳機單次充電可播放音樂 9.5 小時,連充電盒最長可達 38 小時。產品採用 Qualcomm Snapdragon S7 Gen 1 Sound Platform,將於 11 月初在美國上市,售價由 $229 起。耳機支援 Gemini Live 免提語音操作、Quick Voice Memo 及以頭部動作接聽或拒接來電。

  4. DEV Community42

    在 Windows 建立雙音軌音訊管線:不加入通話,同時擷取咪高峯與系統音訊

    Windows 桌面應用程式可透過作業系統層級的音訊擷取,同時取得咪高峯和通話系統音訊,無須讓機械人加入會議。分開兩條音軌可讓語音轉文字引擎為雙方生成清晰逐字稿,並供介面並排顯示;兩條音軌須使用同一時鐘標記時間,以便對齊逐字稿。作者正開發 Talkaside,這是一款供求職面試及外語通話使用的 Windows 應用程式。

  5. DEV Community36

    RecallMate:以語音記錄和回顧個人日誌

    RecallMate 是一款語音日誌工具,可將口述內容轉錄成結構化日誌,並根據用戶的記錄回答回顧問題。核心流程使用 faster-whisper、Ollama 上的 qwen2.5:7b、Instructor、SQLite 和 Streamlit,並在本機或運行環境執行,無須將錄音或日誌內容傳送至公司伺服器。

  6. DEV Community31

    RecallMate:可本機運行的語音日誌工具

    RecallMate 將語音轉錄並整理成結構化日誌,讓用戶日後透過提問找回過往記錄。核心流程以 faster-whisper、Ollama 上的 qwen2.5:7b、Instructor、SQLite 和 Streamlit 建構,並以開源軟件在本機運行。語音及日誌毋須傳送至公司的伺服器,使用亦無需付費。

  7. CNET37

    Samsung Galaxy Buds On:你期待已久的高階耳夾式耳機

    Samsung Galaxy Buds On 是 Samsung 新推出的高階耳夾式耳機,定價 $229,將於 11 月初出貨。耳機配備 11.3 毫米驅動單元,單次充電可播放音樂長達 9.5 小時,連同充電盒總共長達 38 小時。產品支援 Gemini、語音備忘錄及頭部手勢,但非 Samsung Galaxy 裝置不支援多點 Bluetooth 連線。

  8. DEV Community41

    UseLipSync 的音訊轉影片唇形同步測試:片段時長是檢查項目,不是品質評分

    UseLipSync 展示一個 AI 主持人片段的音訊轉影片唇形同步測試,指出生成影片的時長只能協助剪輯規劃,不能代表口型同步品質。這次測試的替換語音長 2.31 秒,生成影片長 2.32 秒,處理時間為 81 秒,使用 90 credits;這些只是單次測試結果,並非保證。評估時應聆聽語音並檢查口型、畫面及剪輯效果。

  9. DEV Community50

    Node.js Whisper 音訊轉錄 API 範例:金融科技銷售通話如何產生可靠的 CRM 紀錄

    文章以 Node.js Whisper 音訊轉錄 API 為例,提出轉錄追求低延遲、CRM 動作經證據校驗和審核後才提交的架構。系統以通話及轉錄版本生成穩定冪等鍵,保留不可變音訊、版本紀錄及可追溯至帶時間戳逐字稿片段的證據;缺少必要資料時轉入審核。文章亦區分可重試的轉錄逾時、需要檢視證據的品質問題,以及需要對賬的 CRM 不確定提交。

  10. 新浪科技20

    奇瑞全新捷途自由者 7 將於 11 月 4 日上市,搭載靈犀智艙 TOUR OS

    奇瑞全新捷途自由者 7 將於 11 月 4 日上市,主打輕越野方盒子 SUV 和智能座艙。新車搭載靈犀智艙 TOUR OS、結合 DeepSeek+ 與訊飛星火的 AI 語音大模型、2.5K 超清巨幕及高通 8155 芯片,並支援 APA 全場景自動泊車。車輛配備 1.5T 發動機,最大功率 135kW,匹配 7 擋濕式雙離合變速箱。

  11. DEV Community28

    2025 年 AI 會議轉錄:哪些方案真正有效

    AI 會議轉錄工具已能即時轉錄、辨識説話者,並整合視像會議平台;選擇方案時,準確度、説話者辨識和即時處理能力是重要考量。文章以 OpenAI Whisper 示範轉錄,並指出若要即時處理或辨識説話者,可能需要自行建構相關功能。雲端 API 可提供説話者辨識,但大規模使用可能產生可觀成本。

  12. 新浪科技49

    科大訊飛「聽見會員版」AI錄音環雙十一開售

    科大訊飛推出 AI 錄音環標準版及「聽見會員版」,後者定價 1099 元,配合訊飛聽見 APP 使用,並於雙十一開售。錄音環重約 35g,支援連續錄音約 20 小時;「聽見會員版」首年提供年度會員權益,第二年可選 198 元基礎會員或 518 元高級會員。它亦支援訊飛聽見 Skill+Agent,並可供 WorkBuddy 等第三方 Agent 調用。

  13. 新浪科技66

    第三代語音輸入為何仍是科大訊飛?

    科大訊飛於2026年10月22日發布訊飛輸入法16.0,推出第三代語音輸入「意圖成稿」,可按用戶表達意圖整理相關資訊、組織內容並生成文稿。版本亦接入訊飛星火Spark-ASR-2.0,支援202種方言,相關識別準確率由85%提升至91%,中英文專業詞混合場景的英文槽位準確率由33%提升至80%。個性化AI鍵盤把任務資訊、表達技能及成稿編輯整合到輸入流程,並按意圖與上下文推薦技能。

  14. 新浪科技65

    訊飛輸入法 16.0 發佈第三代語音輸入「意圖成稿」

    訊飛輸入法於2026年10月22日發佈16.0,推出第三代語音輸入「意圖成稿」,按用戶提供的表達意圖與任務資訊組織並生成文稿。16.0接入訊飛星火Spark-ASR-2.0,方言支持達202種,識別準確率由85%提升至91%,英文槽準率由33%升至80%。生成的文稿會返回輸入框,供用戶確認或修改後使用。

  15. DEV Community34

    Hop tu Naa Simulator:以 Gemma 打造曼島「不給糖就搗蛋」遊戲

    Hop tu Naa Simulator 是一款以曼島為背景的 2D「不給糖就搗蛋」遊戲,使用 Ollama 本機運行的 Gemma 即時創作居民角色、對白和笑話。玩家可在 21 間房屋前選擇説「不給糖就搗蛋」、唱 Hop tu Naa 歌曲或講笑話;ElevenLabs 語音功能則為居民和玩家提供語音。Gemma 負責創作,遊戲規則由程式碼控制;即使沒有 ElevenLabs,遊戲仍可運作。

  16. DEV Community37

    初創公司如何利用 Voice AI 加快產品開發

    初創團隊可利用 Voice AI 將文字轉成自然語音,並複製品牌聲線,以加快用戶測試和產品迭代。ElevenLabs 提供低於一秒的語音生成回應及語音複製 API,平台建議上載合共 5‑10 分鐘的音訊樣本。文章亦示範如何在 CI/CD 流程自動生成語音素材、快取生成結果,以及配合 STT 建立對話流程。

  17. DEV Community35

    Bayān:以開源 AI 和本地阿拉伯語修辭練習走出屏幕、觀察周遭

    Bayān 是一款以本地運行為先的阿拉伯語修辭練習工具,讓用戶選擇明喻、隱喻或感官描寫練習,短暫外出觀察環境,再把觀察寫成更有力的阿拉伯語句子。它以 Ollama 搭配 Gemma 3 4B 生成練習任務、翻譯及聊天,並支援離線或低網絡連接的戶外使用。工具亦可選用本地 Piper 語音合成及 Whisper 語音轉錄。

  18. DEV Community41

    我為甚麼創立 Sauti Labs

    Sauti Labs 源於創辦人為 Scribe AI 尋找合適語音模型時,發現 Whisper 難以應付所需的非洲語言和口音,因而希望以公司填補研究與可用產品之間的落差。

  19. DEV Community39

    Scribe AI 如何用 AI 偵測經文,而不讓 AI 作最終決定

    Scribe AI 以 Faster-Whisper small 模型在本機離線辨識教會聚會中的語音,再用規則偵測經文引用,並由操作員核准後才顯示經文。系統會檢查引用是否符合聖經各卷的章數,亦會保留上一段逐字稿末尾的 60 個字元,以免跨越音訊分段時漏掉引用。語音辨識、偵測、查經文及顯示均在本機執行;聚會狀態機與歌詞偵測器尚未接入即時麥克風流程。

  20. DEV Community33

    網絡應用程式中語音介面的未來

    語音正成為網絡應用程式的重要互動方式,文章以 ElevenLabs 示範透過 API 生成語音及克隆聲音。ElevenLabs 可用 5–30 秒清晰錄音建立可重用的聲音,再用於文字轉語音。文章亦建議分段串流、預取及快取,提供文字替代方案,並妥善處理語音資料的私隱。

  21. DEV Community38

    EchoVault:以開放權重 AI 保存語音記憶

    EchoVault 把語音錄音轉錄並整理成可搜尋的記憶,協助保存和重訪真實故事,而非模擬逝者對話。它使用 faster-whisper 轉錄,並支援透過 Ollama 在本機運行 Gemma,或經 OpenRouter 使用可配置模型;用戶可檢視、修改、搜尋及匯出記憶。選用本機推理時,錄音和摘要可在用戶裝置上處理;選用 OpenRouter 時,轉錄文字會傳送至遠端推理服務。