跳到正文
10月27日週二
  1. DEV Community50

    Heirloom:用 Gemma + Whisper 將親友零散的語音備忘錄整理成家庭食譜(100% 本機運作)

    Heirloom 利用本機 faster-whisper 和透過 Ollama 執行的 Gemma 3,把親友烹飪時的零散語音整理成食材分量、步驟、提示和過敏原等食譜資料,並保留故事及原始錄音。模型不會補造未提及的食材、分量或時間;內容含糊時會列出問題,供用戶向親友確認。真正的 Whisper + Gemma 流程在本機執行,毋須帳戶或 API key;Render 示範版則以預設樣本回應。

  2. IT之家71

    Apple 發佈 iOS / iPadOS 27.2 正式版,增強 Siri AI 並更新 Apple Music 品牌視覺

    Apple 向 iPhone 和 iPad 推送 iOS / iPadOS 27.2 正式版,Siri AI 新增對話記憶、擴展個人上下文並支援五種新語言。新增語言包括法語、日語、韓語、葡萄牙語和西班牙語,但 Siri AI 在歐盟及中國大陸不可用。更新亦調整 Apple Music 品牌視覺,並改進照片共享相簿、FaceTime 和 Apple TV 等功能。

10月26日週一
  1. IT之家62

    騰訊混元同聲傳譯大模型 Hy-SimulMT 開源,實測響應時間約 3 秒

    騰訊混元發佈並開源同聲傳譯大模型 Hy-SimulMT,支援中英語音到語音即時翻譯,實測響應時間約 3 秒。模型可邊聽邊譯並即時輸出譯文和語音,亦支援即時音色克隆;目前在騰訊 Hy 翻譯 App 首發,免費提供服務體驗。團隊測評顯示,Hy-SimulMT 的翻譯質量達人類同傳專家水平且時延更低;官方稱其在 RealSI 上的效果達開源模型最佳,並超過大部分商用同傳 API。

  2. DoNews63

    騰訊混元同聲傳譯大模型 Hy-SimulMT 發布並開源

    騰訊混元發布並開源同聲傳譯大模型 Hy-SimulMT,支援中英語音到語音即時翻譯,並支援即時音色克隆。官方介紹稱,模型響應時間實測約 3 秒,低於人類專業譯員平均的 4-5 秒;團隊測評稱其翻譯質素達人類同傳專家水平,延遲更低。Hy-SimulMT 已在騰訊 Hy 翻譯 App 首發,免費提供體驗。

  3. Unite.AI38

    Phonely 聯合創辦人兼行政總裁 Will Bodewes 專訪

    Phonely 聯合創辦人兼行政總裁 Will Bodewes 表示,公司致力以語音 AI 自動處理商業電話,並改善客戶對話成效。Phonely 稱其平台服務超過 10,000 家企業,每日處理逾 120,000 通電話,並研發包括 Alma 在內的自有對話模型。Bodewes 指出,語音 AI 的主要挑戰是延遲,公司早期曾為 API 請求失敗及排隊問題建立應對措施。

  4. DEV Community56

    Iris 本機優先會議記錄工具逐步發展為「第二大腦」

    Hassan 介紹其開發的 Iris,一款本機優先會議記錄工具,可在本機轉錄會議、生成筆記並以 Markdown 保存。預設流程採用 whisper.cpp 和 Gemma 3 4B;決策與行動項目須附帶時間戳的逐字稿原句,錄音會在 7 天後自動刪除,逐字稿和筆記則保留。可選雲端檢視器預設只同步筆記、不傳送音訊;瀏覽器加密啟用前的明文不一定能從舊備份或日誌清除,遺失密碼亦無法復原。

  5. DEV Community50

    Amar Khobor 將 56 條 WhatsApp 訊息整理成 48 秒語音簡報

    作者開發 Amar Khobor,把 WhatsApp 羣組匯出資料轉成不足一分鐘的語音簡報和可核對的結構化筆記。文中以 56 條訊息、4 段語音生成 48 秒簡報;Saaras 正確轉寫父親所説的「心臟問題」,Whisper-large-v3 則誤寫成「市集上的小食」,但 0.00% WER 的參考文本取自 Saaras 自身轉寫,並非獨立準確度評分。

  6. 中華網科技16

    新福特鋭界 L 將於 10 月 29 日發布

    福特宣佈新福特鋭界 L 將於 10 月 29 日 18:00 在成都發布。新車提供燃油及混動版本,均搭載 2.0T 發動機;燃油版最大功率 185 千瓦,混動版綜合功率 202 千瓦。新車採用 2+2+3 七座佈局,搭載 8155 車機芯片並接入雙 AI 語音大模型。

  7. 新浪科技19

    「三排大 7 座」新福特鋭界 L 將於 10 月 29 日發布

    福特汽車宣佈,新福特鋭界 L 將於 10 月 29 日 18:00 在成都發布。新車提供燃油和混動兩種動力,均搭載 2.0T 發動機,燃油版最大功率為 185 千瓦,混動版綜合功率可達 202 千瓦。改款車型升級智能座艙,搭載 8155 車機芯片並接入雙 AI 語音大模型,採用 2+2+3 七座佈局。

  8. 新浪科技48

    AI 越聰明,越要先聽懂人:科大訊飛推進語音互動

    科大訊飛發布星火語音基座大模型 SparkAudio 1.0,提升語音識別、音頻理解、情緒識別、實時説話人分離及環境聲理解等能力。發布方披露,整體效果提升20%、響應時間降低15%、成本降低60%。SparkAudio 1.0已在訊飛輸入法16.0、訊飛聽見及訊飛智能辦公本上線。

  9. IT之家16

    三排大 7 座新福特鋭界 L 將於 10 月 29 日發佈

    福特汽車宣佈,新福特鋭界 L 將於 10 月 29 日 18:00 在成都發佈,提供燃油和混動兩種動力,並升級智能座艙,搭載 8155 車機芯片及雙 AI 語音大模型。新車採用 2+2+3 七座佈局,車身長度增加 11mm,二層座椅配備 14 點氣動按摩和氣動腿托。

  10. DEV Community42

    厭倦上課記筆記?我為此開發了 LazyNotes

    LazyNotes 可將手機錄製的課堂音訊轉成按主題整理的筆記,包含標題、重點項目和解釋,並可參考課堂主題及選填的課程大綱。它以 faster-whisper 轉錄,使用 Gemma 3:4B 生成筆記,並透過 Python 整合內容及驗證輸出。項目採用開放權重模型,提供手機應用程式、後端處理流程、轉錄、筆記生成及驗證與復原系統。

  11. DEV Community36

    為何我在 2026 年停用 ElevenLabs 付費方案:商業影片製作流程中的隱藏限制

    作者因 ElevenLabs 的字元配額、超額收費及長篇語音音調不一致,取消付費訂閲,轉用基於 Microsoft Azure Speech Core 的確定性語音工具。作者表示,20 分鐘影片配音通常會消耗原稿字元數的 3 倍,月費也可能由 $22 升至 $60–$90。這類工具可輸出同步 .srt 字幕,較適合重視成本可預測性及剪輯效率的長篇商業影片製作。

  12. DEV Community43

    我如何為真實人聲錄音校準歌詞時間(Whisper 錨點+手動串接)

    作者分享為真實人聲錄音校準歌詞時間的方法:先把完整歌詞放入提示詞進行轉錄,再以每行首個唱出的字詞作錨點,避免按索引估算而令字幕錯位。測試中,base.en 無法處理人聲,small.en 配合提示詞則可行;每行提前 0.65 s 顯示,並以 0.35 s 間距及全局結束時間上限控制串接。作者亦建議逐格核對影片轉場及字幕,避免預覽造成誤判。

  13. 新浪科技22

    訊飛聽見亮相2026科大訊飛全球1024開發者節

    訊飛聽見亮相2026科大訊飛全球1024開發者節,展示語音轉寫及會議AI能力。產品語音識別準確率達98%,可在30秒內將1.5萬字逐字稿生成AI會議紀要,並支持中英混合、粵普英混合及多種方言自動識別轉寫。依託星火大模型,訊飛聽見還能在會議中實時洞察對話,並在會後生成結構化紀要。

  14. DEV Community51

    如何在金融科技審核流程中,於呼叫轉錄 API 前檢查 Whisper 模型可用性

    文章建議金融科技審核系統在呼叫轉錄 API 前,以短期、租戶範圍的能力快照輔助路由,並以實際轉錄呼叫作為執行依據。快照記錄模型、區域、授權範圍及有效期等資料,並把版本連同工作項目寫入審計記錄;正面結果只代表可嘗試,不能保證成功,負面或過期結果則延後處理。作者亦建議以冪等鍵、有限次退避重試及持久狀態處理重試和逾時,避免重複接受轉錄結果。

  15. DEV Community26

    認識 SSML:改善 Voice AI 語音輸出

    SSML 透過標籤控制文字轉語音引擎的停頓、語速、音高及重點,改善 Voice AI 的語音輸出。ElevenLabs 的 API 支援 SSML,文中示範如何用 Python 和 JavaScript 傳送內容並將生成的音訊儲存為 MP3。SSML 亦可配合 ElevenLabs 的聲音複製功能使用。

  16. HuggingFace Daily Papers(社區熱門論文)54

    Lipi-Ghor 研究提出大型多領域、具説話者分離標註的孟加拉語語音語料庫及可擴展建置流程

    Lipi-Ghor 研究提出大型弱監督孟加拉語語音語料庫,收錄 885 小時音訊,並附有説話者分離的長篇標註及 gold 評測集。語料來自 998 個 YouTube 影片、596 個頻道及 17 個領域,以自動説話者分離結合字幕製成 SSTT 標註;gold 評測集經 17 名志願標註者共 30 小時校訂,研究亦提供可複製的建置流程。

  17. DEV Community35

    在不犧牲品質的情況下減低語音 AI 成本的 5 種方法

    文章提出 5 種在不犧牲品質的情況下降低語音 AI 成本的方法,包括使用預訓練 TTS 模型、批次處理及快取音訊、精簡送交引擎的文字、策略性使用語音克隆,以及利用分級定價和 Spot Instances。文中以 ElevenLabs 為例,説明快取可減少 API 呼叫,Spot 定價最高可比按需定價便宜 70%。

  18. DEV Community59

    停止對語音對話進行快照測試,改為驗證回合協議

    文章主張,即時語音應用應以確定性測試驗證對話回合協議,並把回答內容的正確性與品質分開評估,而非要求固定句子或回調次序。文中用 TypeScript 建立測試方案,涵蓋新語音使舊回合失效、拒絕過期 ASR、LLM 和播放回調,以及超時後顯示恢復狀態。文章並説明如何將這套設計接入 Tencent RTC 語音流程,分別以確定性檢查、規則及人工評估處理協議、安全政策和開放式品質判斷。

10月25日週日
  1. DEV Community39

    我打造了 ULO AI:專為英語口語練習設計的 AI 導師

    開發者打造 ULO AI,一款以對話為核心的個人 AI 英語導師,讓用戶透過語音或文字練習英語,並在對話中獲得發音回饋及温和的文法修正。它提供由初級至進階的適應性課程、每日學習路線圖、進度追蹤及角色扮演情境。產品旨在提供隨時可用、低壓力的練習,但不能取代沉浸式學習、真人對話或備考教師。

  2. DEV Community28

    Hearthlen 加入僧伽羅語語音支援

    Hearthlen 的離線 AI 系統新增僧伽羅語語音支援,並與 English 共用一個多語言語音模型。僧伽羅語語音使用 `si_LK-sinhala-medium`,喚醒詞仍是「hey Hearthlen」,English 則繼續使用 Lessac 語音。Qwen2.5-3B 以僧伽羅文回答「ආයුබෝවන්. ඔයා කොහොමද?」,耗時 9564 ms。

  3. DEV Community23

    Hearthlen:説話時文字即時顯示

    Hearthlen 的語音會話現在會開啟聊天畫面,並在用戶説話時將辨識文字即時顯示在「You」一行及底部輸入框。一句「how are you」在 373 ms 後顯示為「How are you?」;系統會丟棄因房間噪音而重複的短句,並以啟動時量度的噪音底線作為辨識門檻,這次數值為 833。會話可由 Win+V 開啟。