離線 AI 作業系統如何聽懂 Hearthlen 的名字
Hearthlen 的喚醒監聽器改為轉錄短音訊片段,並接受 hearthlin、herthlin、hertzland 等對名字的辨識結果。ThinkPad 麥克風錄下「hey Hearthlen」後,喚醒片段耗時 340 ms,系統在短語結束一秒後記錄喚醒並回應問候。
Hearthlen 的喚醒監聽器改為轉錄短音訊片段,並接受 hearthlin、herthlin、hertzland 等對名字的辨識結果。ThinkPad 麥克風錄下「hey Hearthlen」後,喚醒片段耗時 340 ms,系統在短語結束一秒後記錄喚醒並回應問候。
文章主張,語音 AI 工作流程不應只依賴供應商提供的整體語音辨識準確率,而應按欄位類型及錯誤後果制定驗收規則。建議保留原始辨識結果,以明確類型及規則解析和驗證,並確保用戶確認的值與實際提交的資料一致,否則不執行後續操作。文中提出一套 15 個案例的測試方案,但未實際執行測試,因此沒有提供語音辨識或語音智能體的實測表現數據。
iKF 推出 Ultra Clip 開放式藍牙耳機,定價 499 元,配備 12mm 圈鐵式複合振膜及圈鐵雙分頻定向傳音技術。耳機支援 LDAC、AAC 和 SBC 解碼,提供至高 45 小時綜合續航。
Block 於 10 月 23 日發佈語音模型 Dessa,模型直接從音訊學習並生成音訊,不經文字轉錄及語音合成流程。Block 稱,模型只以人類對話錄音訓練,沒有文本語料或預訓練權重,並可在 M4 Max 及以上配置的 MacBook 本地以快於實時的速度推理。目前 Dessa 未開放試用,權重、程式碼及授權證均未公開;Block 正讓安全研究者排隊,重點測試語音智能體冒充真人的風險。
curiousBuddy 是一款 AI 學習伴侶,結合 Pomodoro Technique、Feynman Technique 和語音 AI,讓用戶透過講解所學內容檢視理解程度。語音夥伴 Cube 由 ElevenLabs Conversational AI 驅動,可追問概念並協助整理學習筆記、生成三道主動回憶測驗題;專案以 MIT License 開源。
文章説明,評測 AI 語音智能體延遲時,須先界定計時起止點,因首次模型事件、首個音訊區塊、首次可聽播放及完整回應完成是不同指標。測試應記錄裝置、音訊輸入、網絡及配置等條件,重複測試並報告樣本數及中位數、p95等分佈,而非只列最快一次。
即時語音 Agent 要在對話進行時處理及回傳音訊,應協調收音、傳輸、模型處理、播放和對話狀態。設計時需梳理音訊流程,明確處理部分回合、語音中斷及連線故障,並在預期使用的裝置和網絡環境下測試。
出版商使用 ElevenLabs 的文字轉語音及聲音複製工具製作有聲書,並透過 API 批次生成音訊,再進行後期處理和人工品質檢查。試行 AI 語音的出版商表示,製作時間最多減少 70%,錄音室成本減少 50%。聲音複製約需 5–10 分鐘目標説話者的音訊;複製真人聲音前,應取得書面同意。
Ollama 現已在 macOS 支援文字轉語音,首款語音模型是 Gradium 的 Phonon;Windows 和 Linux 支援即將推出。在配備 M5 Max 的 MacBook Pro 上,Ollama 比 Gradium 自家 runtime 快 35%,詞錯誤率則與 Hugging Face Transformers 參考實作相同。
AI 英語培訓智能體採用感知、大腦、行動三層架構,整合多模態輸入輸出、即時語音、教研知識檢索、長期記憶及多智能體協作。系統以教學狀態機規範教學流程,並設有主講教師、糾錯助教及評估測試智能體。開發流程涵蓋場景定義、文字對話驗證、語音與多模態整合,以及教研資料融合和系統優化。
作者分析 Mistral Voxtral 3 語音智能體的定價,完整流程配合 Mistral Small 4 每分鐘 $0.04,改用另一款推理模型則為 $0.08。文章建議以 50 通真實來電測試口音、噪音、打斷及工具流程,並以問題解決率而非字錯率評估。Mistral 尚未清楚説明 Voxtral 3 權重是否採用開放授權,作者建議暫按可商用部署、具自託管選項的方案看待,而非開放權重發佈。
ParleyVoice 在支援 RTC 的託管會議模式中採用即時音訊傳輸,並協調擷取、傳送與播放節奏,以減少即時翻譯的等待。即時傳譯延遲不只來自模型,也包括音訊傳輸、服務轉送及播放緩衝。ParleyVoice 讓音訊以連續小段傳送、譯音分段播放,並調校音訊進入模型及返回裝置的方式。
ParleyVoice 將 AEC 移至音訊擷取階段,收錄麥克風時同步提供實際播放音訊作為獨立參考,盡量在聲音送入翻譯模型前抑制揚聲器迴音。即時口譯可能新增原有播放參考未涵蓋的翻譯音訊,也可能改變麥克風輸入路徑;參考訊號需盡量貼合最終播放內容、音量和時序,並在播放與説話重疊時保留新語音。
Block 推出全雙工語音模型 Dessa,能在説話時同步收聽用戶語音,並以笑聲、停頓和哽咽等方式呈現情緒。Block 稱,Dessa 完全以人類語音數據訓練,可在 M4 Max 及以上配置的 MacBook 本地運行。目前模型暫未開放試用,Block 正邀請安全研究者測試語音智能體欺騙人類的風險。
作者打造了一款免費工具,讓用戶點選公有領域書籍後即可聆聽朗讀,毋須註冊、付款或下載。工具先搜尋 Project Gutenberg,再以 OpenLibrary 作後備;有 LibriVox 人聲錄音時會優先播放,否則以機器語音朗讀。作者修正搜尋結果不相關、短篇被當成書籍及長書遭截斷等問題,並讓朗讀約兩秒內開始。
Savindu Thathsara 正在編寫的離線 AI 作業系統 Hearthlen,可用 Win+H 開啟聊天視窗,文字指令與語音操作共用同一命令。麥克風收音滑桿高於 60% 時會調低;透過揚聲器播放「hey hearthlen」後,系統成功記錄喚醒詞,但真人在房間內説出喚醒詞的測試仍未完成。
Hearthlen 將語音由 Piper 的 en_GB-alan-low 換成 en_US-lessac-medium,讓聲音不再扁平、低質。問候語連合成及播放需時 1939 ms;較長句子的音訊長 3.21 秒,於 3753 ms 後返回。重新啟動 listener 後,Hearthlen 會以新聲音回應「hey Hearthlen」。
開發者打造 Couch Commander,讓用戶以英語或 Pidgin 語音控制 Chrome 上的 YouTube,整套流程均在 Mac 本機離線執行,不需網絡、帳戶或 API key。它以 Gemma 4 E2B 解析指令,在 30 個測試句中答對 28 個,平均需時約 190 ms;關閉 thinking 後,速度較原先快 8 倍,準確度沒有下降。
Voice AI 可透過 ElevenLabs 整合至 CI/CD 流水線,為建置失敗發出語音提示、生成語音版提交摘要及發布説明,亦可用於語音測試。示例以 Python 和 GitHub Actions 生成 MP3、上載工作流程成品並發送 Slack 通知,並涵蓋聲音複製、輸出測試及免費方案的速率限制考量。
StoveSide 是一款免提食譜指南,讓用戶貼上可信食譜,再核對 Gemma 整理的短步驟及原文引句,並由瀏覽器朗讀當前步驟。它使用 gemma-4-26b-a4b-it 的 Google 託管推理;食譜文字會傳送至 Google API,API 金鑰則保存在本機伺服器。這款原型仍需用戶對照原食譜核實步驟,不能取代原食譜或食品安全指引。
FightNome 説明其拳擊訓練 App 如何將錄製的語音提示對齊節拍,讓提示詞落在節拍上。訓練速度介乎 74 至 128 BPM,音樂以 90 BPM 錄製,再按各段速度調整;每個提示會在節拍前 40 至 60 ms 播放。App 以單字錄音組合提示,並提供預設連擊及隨機反應模式。
AMBIT 是一套統一框架,透過自回歸場景規劃與 rectified-flow 渲染,生成及編輯一階 Ambisonics(FOA)音訊。框架以可執行 ScenePlans 描述聲源內容、活動及 3D 軌跡,並結合 FOA 專用連續 VAE 和 on-policy 自蒸餾。評測顯示,AMBIT 在語音、音樂及音效生成的內容與空間品質,以及指令引導編輯的音質保真度和未編輯聲源保留方面,優於比較基線。
SINK 是一款 JARVIS 風格的本地 AI 桌面助理,讓用戶透過語音指令控制電腦,並與 AI 助理互動。它以 LM Studio 本地執行 Qwen 3,並結合 Faster-Whisper、PySide6 和 PyAutoGUI,支援開啟應用程式、搜尋 YouTube、管理任務和提醒,以及語音輸入。
Block 發佈語音模型 Dessa,支援本地全雙工語音對話,可同時聆聽和説話,並呈現笑聲、停頓、哭聲等語音表達。Block 表示,Dessa 完全以人類語音訓練,使用單張 NVIDIA GPU 訓練,並可在 MacBook M4 Max 或更高規格的消費級電腦本地運行。Dessa 目前未向公眾開放,Block 正邀請安全研究人員測試語音智能體可能欺騙對話對象的情境。
文章比較 Google Cloud Text-to-Speech、Amazon Polly、Microsoft Azure Cognitive Services – Speech、IBM Watson Text-to-Speech 和 ElevenLabs 等文字轉語音 API,並深入介紹 ElevenLabs。
Node.js 音訊轉錄流程應同步處理短篇、僅供參考的音訊,並以持久化工作處理可能影響租戶收費的供應商錄音。流程須保留不可變的來源參照、冪等的擷取紀錄及租戶識別,讓發票欄位可追溯至來源檔案和處理嘗試。
JBL 為 JBL CLIPS 琉璃扣耳夾式耳機新增「碧璽紅色特別版」,首發價 1346 元,部分地區國補後低至 949 元。耳機配備 11mm 動圈單元及 4 個麥克風,支援 IP54 防塵防水;配合充電盒使用,續航達 24 小時,單體續航為 8 小時。
Block 公佈語音模型 Dessa,稱其從零開始、只用人類語音訓練,並能捕捉文字模型遺漏的情緒線索。Dessa 不先把音訊轉成文字,而是直接處理語音,可即時捕捉情緒、反諷、笑聲和停頓,並支援一邊聆聽一邊説話。它可在 MacBook Pro M4 Max 本機執行,訓練使用單一 NVIDIA GB200 NVL72;目前尚未公開,團隊正尋找 AI 安全研究人員測試意外風險。
Block 推出 Dessa,一款以「真正語音到語音」為特色的 AI 模型,並稱模型只用人類對話訓練。Block 表示,Dessa 可在 MacBook Pro M4 Max 或更新型號上本機運行。
Fud AI 8.0 在 iPhone 和 iPad 推出 Live Voice,讓用戶透過語音記錄膳食、掃描條碼、查看宏量營養素及編輯飲食日記;Android 版本仍在 Google Play 審核。
Aice v0.4.0 將本地語音助手由桌面原型擴展至酒店、護理院及病房部署,並由物業內的設備與服務處理語音及請求。更新加入以 device token 核實房間身份、按入住分隔記憶並管理同意及保留期限,亦支援職員帳戶、工單告警與離線偵測。ESP32-S3 房間裝置配合回聲消除後可支援語音打斷;CI 容量測試要求 8 個房間下 p95 回應時間低於 5 秒。
小米 REDMI 預熱首款耳夾式耳機 Clip Neo,產品將於 10 月 27 日上市。耳機採用 12mm 高性能雙磁設計,單耳輕至 5.3g,支援澎湃智聯多功能實體按鍵及端側語音助手,可沉浸聊天、連續對話和智能控車控家。產品價格尚未公佈。
小米 REDMI 首款耳夾式耳機 Clip Neo 將於 10 月 27 日上市,官方已公佈部分配置。耳機採用 12mm 高性能雙磁設計,單耳重量僅 5.3g,並支援低音增強算法、動態補償、EQ 自訂調節及動態 AI 通話降噪。產品亦支援澎湃智聯多功能實體按鍵,長按可喚醒端側語音助手,並支援沉浸聊天、連續對話及智能控車控家。
即時語音 AI 透過 WebRTC、Whisper、LLM 與文字轉語音引擎串流協作,在短暫延遲內完成聆聽、推理和回應。從來電者停止説話到回覆開始播放,系統的延遲預算約為 500 至 800 毫秒。專用硬件有助降低延遲並避免模型冷啟動,但來電量難以預測或需要全球部署時,彈性雲端擴展仍有用。
Block 公開展示語音 AI 模型 Dessa,稱其只以人類對話訓練,不使用文字或預訓練模型。Dessa 採用全雙工模式,可一邊聆聽一邊説話,並呈現插話、笑聲和語氣變化。目前 Dessa 僅為研究預覽,尚未向公眾開放;Block 稱它可在配備 M4 Max 或更強晶片的 MacBook Pro 本機運行。
捷途汽車為捷途山海 L7 PLUS 1.5L C-DM 智駕版新增「220KM 五座智享精英版」和「220KM 五座激光雷達豪華版」,指導價分別為 14.99 萬元和 15.99 萬元,超級置換政策後售價分別為 13.99 萬元和 14.99 萬元。系列車型標配 32.66kWh 電池包,CLTC 純電續航 220km,CLTC 綜合續航 1700km。
科大訊飛在 2026 年全球 1024 開發者節 AI 文娛論壇上發布 AI 潮玩 Gununu 和訊飛輸入法 16.0,並分享音樂營銷及數字娛樂業務進展。Gununu 依託訊飛星火大模型,結合多模態情境互動、動態記憶和虛實共育成長系統。訊飛輸入法 16.0 推出第三代語音輸入「意圖成稿」;Spark-ASR-2.0 支援 202 種方言,識別準確率由 85% 提升至 91%。
捷途汽車為捷途山海 L7 PLUS 1.5L C-DM 智駕版新增「220KM 五座智享精英版」和「220KM 五座激光雷達豪華版」,指導價分別為 14.99 萬元和 15.99 萬元。享受超級置換政策後,兩款車售價分別為 13.99 萬元和 14.99 萬元。車系標配 32.66kWh 電池包,CLTC 純電續航 220km、綜合續航 1700km。
R2D2 for webOS 為 webOS 電視提供本地主畫面、私隱遙距瀏覽器和按鍵説話語音助理,由 Linux 主機執行 Chromium、語音模型及推理,電視則負責顯示、應用程式和遙控。參考部署已在一部電視及一個韌體版本上完成端到端運作,其他組合尚未驗證。電視端元件以 root 權限修改廠商系統服務,可能令保養失效或電視無法使用。
ClearNote 是一款離線優先的輕量語音轉文字記事 PWA,提供瀏覽器內語音辨識,無須建立帳戶即可開始記錄。應用支援桌面及流動裝置,並採用簡約介面,主打快速、免受幹擾的筆記體驗。