Maya 2 TTS 評測:涵蓋十一種印度語言,資料夾名稱仍是 maya3
Maya Research 於 25 October 2026 開放 Maya 2 Native 權重,模型涵蓋 12 種語言,包括 11 種印度語言,採用 Apache 2.0 授權。
Maya Research 於 25 October 2026 開放 Maya 2 Native 權重,模型涵蓋 12 種語言,包括 11 種印度語言,採用 Apache 2.0 授權。
Regal 為其平台加入 Goal Oriented Agents,讓 actor 和 director 兩個 AI 模型在每通電話中分工處理對話和目標。企業可用目標節點設定待完成事項及前置條件;director 每輪檢視進度,並可切換至新階段、為 actor 提供新指示。Regal 指複雜的資料收集和資格評估電話是這套智能體的主要用途。
NecroShell 主打可在本機運行的開放權重幽靈終端,OfrendaAI 則打造數碼紀念神龕。作品採用 Google Gemma 2 開放權重模型,生成雙語 Día de los Muertos calaverita。
Eli 新增巴西、葡萄牙及拉丁美洲西班牙語地區的緊急求助熱線,並為 TTS 加入德語和波蘭語語音模型。後端新增每小時執行的網站健康檢查,並將支出上限和工作階段延遲記錄到資料庫,另設交易記錄及 PDF 收據生成。開發者亦調整 API 限流,以減少流量高峯時出現 429 錯誤。
yangshun2005/VoiceStudio-cn 是 debpalash/VoiceStudio 的中文文件翻譯版,並加入補充性的中文快速上手指南。它不修改程式碼,另整理各系統的安裝方式與硬件限制;Intel Mac 不能在本機執行後端,英文原文則保存在 README_en.md。
REDMI發佈首款耳夾式耳機REDMI Clip Neo,建議零售價399元,國補後到手價359.15元起。單隻耳機重5.3g,單次續航最長7小時,配合充電盒總續航最長32小時。耳機支援一鍵喚醒超級小愛,亦可喚醒Siri。
Nexariza AI 分享其企業級語音與視覺 AI Agent 參考架構,涵蓋即時 WebRTC 電話通訊及 TensorRT 邊緣視覺管線。語音管線的首個音訊影格回傳時間為 <200ms–380ms;TensorRT FP16 邊緣推理每影格需時 4–11ms,單一節點可同時處理 12–24 條 RTSP 串流。
Balaka 發佈 v0.3.0,兩種語音合成模式均改用 OmniVoice 0.2.1 更新版執行環境。伺服器預設監聽 127.0.0.1:8000,參考音訊上限為 20 MiB,每個程序同一時間只執行一次生成。介面新增文字提示、API 預覽及進階設定。
零跑為 2027 款 B10/B01 車型推送 OTA 更新,新增 8 項功能並深度優化 10 項體驗;B01 和 B10 的版本號分別為 4.2762.020 和 4.2700.020。新增功能包括華為 HiCar4.0 手機互聯、汽水音樂、騰訊雲遊戲、語音實時改口、聲紋守護及車輛長期離線提醒。更新亦加入多車主帳號切換及多項用車設定聯動記憶。
「什麼值得買」將興趣消費服務拓展至新一代 Rokid AI 眼鏡,透過消費智能體「張大媽」識別眼前商品並提供消費資訊。用戶可查閲商品名稱、價格參考、真實用戶口碑及推薦購買指數,並在「什麼值得買」App 查看詳情、評價和購買渠道;服務依託10億級商品庫及200億級內容庫。
科大訊飛將 SparkAudio 1.0 的説話人辨識能力加入辦公本,讓會議轉寫按發言人分段,並可為説話人配上姓名。相關能力於10月24日推送至 X5 與 Air3,處理過程均在設備內完成。設備亦可分開重疊發言,並記錄常用詞彙。
評估 AI 會議轉錄工具的成效,關鍵在於轉錄準確度、説話者分離能力及即時處理能力。文章比較 Google Speech-to-Text、Microsoft Azure Speech 和 OpenAI Whisper 等方案,並提及 NVIDIA NeMo 可用於微調模型,pyannote-audio 可用於説話者分離。重疊説話、相似音色及低音質仍會帶來挑戰,即時轉錄則依靠串流模型和 API。
微信輸入法近日更新 4.0.0 版本,新增「AI 錄音筆」,可即時轉寫用戶説話內容並生成網頁。功能支援自動提煉重點、梳理邏輯,並根據內容生成圖表和互動頁面,同時刪除語音中的冗餘表達。
Jeffrey Turov 開發 Memoria,讓家庭語音備忘錄可在本機轉錄並整理成口述史檔案。流程先用 faster-whisper / Whisper small 轉錄,再由 Gemma 3 4B IT QAT 生成 JSON 和 Markdown 記憶卡,並以確定性檢查剔除逐字稿中找不到的引句;錄音和逐字稿不會離開本機作推理。
騰訊宣佈微信輸入法推出 AI 錄音筆功能,可把錄音即時轉寫並整理成結構清晰的網頁。功能會剔除錯字和冗餘表達,在不改變原意的前提下按上下文修正內容,亦可生成圖表、圖示及互動頁面。
REDMI 宣佈與服裝品牌 CryingCenter 哭喊中心聯名推出 Clip Neo 限定禮盒套裝,並同步開放預約。禮盒包括零度黑耳機、專屬貼紙及潮流耳機包。小米 REDMI 首款耳夾耳機 Clip Neo 將於今晚上市,單耳重量為 5.3g,並支援低音增強算法、EQ 自訂調節及動態 AI 通話降噪。
訊飛AI翻譯亮相2026科大訊飛全球1024開發者節,展示涵蓋眼鏡、耳機、翻譯機及會議系統的產品矩陣。訊飛AI眼鏡支援122種語言翻譯,訊飛聽見多語言會議系統支援20多種語言翻譯。訊飛同傳已服務全球50多個國家和地區,累計支援超42萬場會議,覆蓋觀眾超4億人次。
REDMI 宣佈與服裝品牌 CryingCenter 哭喊中心聯名推出 Clip Neo 限定禮盒套裝,並同步啟動預約。套裝包含零度黑耳機、專屬貼紙及潮流耳機包;Clip Neo 將於今晚上市。耳機單耳輕至 5.3g,支援低音增強、EQ 自訂調節、動態 AI 通話降噪及端側語音助手。
阿里雲智能聯絡中心(AICCS)結合語音通訊與大語言模型能力,支援呼入和呼出,提供 AI 語音交互、流程編排、通話分析及後續處理等功能。企業可接入自有大模型,或使用平台工具構建 AI 語音機械人,應用於通知、回訪、線索確認等場景。
文章提出設計 AI 語音介面的實用指引,涵蓋以用戶為本的設計、TTS 引擎選擇、語音複製、無障礙支援、本地化、效能、安全及測試。文中以 ElevenLabs 示範整合方式,並指出語音複製須兼顧用戶同意、資料最少化、偏差及安全。
科大訊飛在全球1024開發者節首發星火語音基座大模型 SparkAudio 1.0 並全繫上線,同時發布機器人超腦平台 3.0。活動提及從多模交互邁向具身多模交互,並稱機器人超腦平台 3.0 是行業落地關鍵一步。
聲音複製技術的門檻已大幅降低,現時只需數秒參考音訊和瀏覽器即可生成模仿特定人士的合成語音,但相關法律與倫理規範仍未追上。未經同意複製可被辨認的聲音可能侵犯當事人權利;負責任的做法包括取得列明用途範圍和期限的同意,並為合成音訊加上水印或中繼資料標記。
這套 AI 英語線上考試系統結合高並發流媒體處理、大語言模型評測及 AI 多模態防作弊監考,涵蓋聽説讀寫測評與考試管理。系統支援自適應測試、音素級口語評分、語義級寫作批改,以及實時行為監控和可疑作弊標記。搭建方案包括微服務、對象儲存和 CDN,並整合 DeepSeek、Qwen、GPT-4o 等模型進行主觀題評分。
Vapi 上線流量拆分功能,讓團隊可將部分通話流量導向語音 Agent 新版本,再決定是否全面發布。團隊可將 0.1%、1% 或 5% 的通話流量分配至新版本,查看指標後推進至 100% 或回退。回訪者的版本黏性可按部署需要開關;Vapi 建議先進行兩個版本的分流。
AI 英語培訓軟件的開發結合大語言模型、語音技術與二語習得理論,涵蓋口語對話、寫作批改、自適應閲讀及學習畫像四大模組。系統採用多智能體架構與 RAG 知識增強,並以語音評估、個人化內容生成及學習記錄支援教學。
作者整理了 8 個開源 LLM 項目,涵蓋模型微調、評估與部署,智能體框架、語音合成、影片配音、羣組聊天及客服。項目包括 Oumi、PocketFlow、F5-TTS、VideoLingo、LangBot、HuixiangDou、Chatwoot,以及以 DeepSeek 摘要書籤的個人流程。
Ishan Gautam 分享開源聽寫應用 Talvio 的開發經驗,並整理開發時遇到的 5 個問題及處理方法。內容包括把視窗操作排入主執行緒、避免浮動視窗搶焦點、將語音引擎移至獨立程序、原子寫入設定檔,以及使用 minisign 簽署自動更新。
Intel Raptor Lake Next 處理器的貨運清單顯示,相關芯片今年8月已開始出貨,首批產品主要替換現有酷睿 i5 和 i7 型號。該系列沿用 LGA 1700 接口並支援 DDR4,目前未發現酷睿 i9-14900K 的替代型號。
Vapi 聘任 Jeff Liu 出任工程副總裁,負責平台及基礎設施工程;他此前曾任 Turing 工程副總裁,並在 LinkedIn、Google、Twitter 和 Splunk 任職。他認為語音 AI 將帶動下一波 AI 普及,並把 Vapi 定位為供企業構建業務的平台,而非單一應用。上任後,他的首要工作是提升平台的可靠性和可擴展性。
Samsung Electronics 將於 10 月 27 日推出 Galaxy Buds On,這是 Galaxy Buds 系列首款夾耳式無線耳機,僅提供黑色。
Ollama Mac 應用程式新增文字轉語音(TTS),用戶可在 Apple Silicon Mac 本機下載及運行 Phonon,毋須依賴雲端服務。官方測試顯示,在搭載 M5 Max 晶片的 MacBook Pro 上,Phonon 的語音生成速度較 Gradium 自身實作快 35%,詞錯誤率則與 Hugging Face Transformers 參考實作相當。
Apple 在 27.2 版本軟件更新中擴大新一代 Siri AI 的支援範圍,新增法語、日語、韓語、葡萄牙語及西班牙語。繁體中文、挪威語、土耳其語和越南語計劃於年底前加入;目前測試版支援 iOS 27.2、iPadOS 27.2、macOS 27.2、watchOS 27.2 和 visionOS 27.2。
這篇教學示範如何使用 ElevenLabs API 和 Python 構建有聲書生成器,將文字轉為 MP3 語音檔。生成器可按段落切分長文本、合併音檔,並可選擇複製自訂聲音;文章亦説明如何把生成器部署為小型網絡服務。
ElevenLabs 可透過 TTS 和聲音複製,為企業培訓影片生成旁白,並提供 API、聲音訓練介面及按用量計費的方案。用戶可上載錄音建立聲音,或選用預設聲音;平台支援 30+ 種語言,生成的 MP3 可嵌入 LMS 或影片平台。
Ollama Mac 應用新增文字轉語音(TTS)生成功能,支援在 Apple Silicon Mac 本地運行 Gradium 的 Phonon 系列,毋須依賴雲端服務。
AI 語音模型的訓練流程涵蓋音訊收集與預處理、模型訓練、語音複製、評估及部署。語音複製可透過微調預訓練的多説話者模型,或使用説話者嵌入;微調模型只需 10 分鐘目標語音資料,也可生成接近原説話者的聲音。 ElevenLabs 提供現成服務及 MOS 評分工具,可用於快速迭代。
作者檢視自己建立的 9 個 Retell AI 語音智能體匯出檔,發現每個自訂工具的逾時均設為 120000 毫秒,來電者可能只容忍八秒靜默。他建議電話號碼在 AI 故障時仍可轉接真人或有人查閲的語音信箱,並按實測延遲設定逾時,只為冪等操作重試。來電者資料應獨立於故障工具保存,並以合成來電、來電量歸零警報及一頁故障手冊監察和處理事故。
撰寫供 AI 語音朗讀的文案時,應使用短而口語化的句子,並以標點提示停頓和語調;數字與縮寫可改寫成讀音形式,亦可用 SSML 強調關鍵詞。文章示範透過 Python 或 curl 呼叫 ElevenLabs API,使用 eleven_monolingual_v1 生成 MP3,並調整 Stability 和 Similarity Boost。
Recuerdos.local 是一款完全離線、可語音互動的數碼祭壇與記憶整理工具,會訪問用戶,記錄逝者故事,並整理成數碼紀念。它以 Whisper.cpp base.en-es 轉錄語音,透過 Ollama 在本機執行 Meta Llama-3.1-8B-Instruct,並使用 LangChain 生成 Markdown 檔案。所有推理均在本機進行,毋須連接 Wi-Fi 或使用封閉式 API。
Voice AI 在正式環境的成本可透過選用合適的語音模型、批次合成和快取來控制,避免為不需要高擬真度或即時生成的內容支付較高費用。文章以 ElevenLabs 為例,説明批次端點每次最多提交 10 k 字元,並示範以 Redis 快取合成音訊。亦建議監察用量並設定成本警示,在用量接近上限時改用較低成本的語音模型或預錄音訊。