AI 玩具捲到這一步了?開箱「光之召喚」奧特曼 AI 互動對話器
躍然創新第三代 AI 玩具「光之召喚」奧特曼 AI 互動對話器正式開售,官方售價 599 元,將 AI 對話、冒險互動及多人組隊功能整合進可佩戴的彩色計時器。產品搭載自研 Memory Layout 記憶系統,支援多語種即時語音互譯,並可透過 4G 或 WiFi 連線;家長可使用「輕連」App 管理聯絡人、童鎖及內容。
躍然創新第三代 AI 玩具「光之召喚」奧特曼 AI 互動對話器正式開售,官方售價 599 元,將 AI 對話、冒險互動及多人組隊功能整合進可佩戴的彩色計時器。產品搭載自研 Memory Layout 記憶系統,支援多語種即時語音互譯,並可透過 4G 或 WiFi 連線;家長可使用「輕連」App 管理聯絡人、童鎖及內容。
教學示範如何在 Django 應用程式整合 ElevenLabs,將文字轉換為語音,並透過 API 提供音訊。內容涵蓋設定 API key、使用 httpx 編寫非同步 TTS 輔助函式及建立傳回 MP3 的 Django 端點,也介紹語音複製、音訊串流、快取、背景任務和 API 使用限額管理。
Anima 藉助 GPT-6 和 GPT-Live,協助診所縮短 75% 電話等候時間。OpenAI 模型亦擴展護理團隊回應病人的能力,讓團隊有更多空間處理病人需求。
香港中文大學(深圳)與安菲翁科技提出 DuplexAgent-RSI,讓語音智能體在執行後台任務時持續對話,並透過測試和驗證改進協作控制層。在 Nvidia-VoiceChat 配置下,Duplex-Harness-RSI 經十輪後將協作得分由 54.6% 提升至 85.3%;改進作用於 Harness,交互模型權重保持不變。
這份開發者導向指南比較 2026 年多個 AI 語音生成平台,涵蓋延遲、價格、聲音多樣性及開發者體驗,並指出 ElevenLabs 已成為多數開發者的首選。指南稱 ElevenLabs 處理 5 秒語音請求可在 150 ms 內回傳音訊,標準語音收費為每秒 $0.01,premium 或自訂語音為每秒 $0.02。
Falcon 是一個因果式音訊視訊目標説話者提取模型,利用目標説話者的嘴部影片,從嘈雜及重疊的語音中提取其聲音。論文提出 RealSSA 基準,涵蓋不同説話者數量、遠近場幹擾、混響及突發噪音,並包括模擬場景和保留的真實錄音評測集。
OpenAI 向所有客戶開放 Decisions API,並在公開版本加入語音和視覺模態。團隊將 ChatGPT Luna 重新配置以加快推理和降低成本;OpenAI API 產品負責人 Nikunj Handa 表示,延遲由 1 至 3 秒縮短至 100、120 或 180 毫秒。Speak 表示,使用 Decisions API 後,動作間隔由 1.4 秒降至 .13 秒。
AirSketch 團隊在 HackGB 2026 用 24 小時打造 AI 智能白板,整合手勢控制、語音辨識及 AI 生成筆記。系統透過網絡攝影機追蹤手部動作以控制數碼畫布,並將口述內容轉成文字,再由生成式 AI 整理成結構化筆記。
AWS 示範以 Amazon SageMaker AI 託管 Kokoro-82M,讓 AI 智能體每生成一句便開始 TTS 合成,毋須等待完整回覆。
Amazon Polly Generative engine 升級版現已正式推出,提供更自然、準確且低延遲的語音輸出,並新增 14 種語音。新增語音分佈於 9 個語言地區,印地語及芬蘭語生成語音首次正式開放使用;既有語音名稱和 API 呼叫不變,應用程式毋須修改程式碼。升級後共有 57 種生成語音,涵蓋 11 種語言和 25 個語言地區,價格維持不變。
推薦理由:Amazon Polly Generative engine 可在現有整合中直接升級,語音名稱、API 呼叫和價格均維持不變,並新增 14 種語音,説明這次更新對既有服務的兼容方式。
AWS 於 2026 年 10 月 22 日正式推出 Amazon Polly Generative 文字轉語音引擎升級,新增 14 種聲音,並首次在 Generative 引擎支援印地語和芬蘭語。新增聲音分佈於 9 個 locale,令目錄增至 57 種聲音,涵蓋 11 種語言和 25 個 locale。現有生成式聲音的名稱及 API 呼叫維持不變,無需修改程式碼,價格亦不變。
Amazon 將 Kindle Unlimited 訂閲服務更名為 Kindle+,並擴大用戶收聽有聲書的選擇。新增內容包括由 AI 配音的作品。
Gradium 開源 Phonon 系列裝置端 TTS 模型,其中 Phonon 31m 是 31M 參數的英文模型,採用 Apache 2.0 授權,q8 GGUF 檔案大小為 64.5 MB。
AWS 示範在 Amazon SageMaker AI 即時端點部署 Kokoro-82M,並以實測取代 TTS 自動擴縮容目標的猜測。在 ml.g5.xlarge 上,Q_max 為 50;實際擴容耗時為 260.2 秒,另計入按政策設定界定、未經本次測量的 60 秒偵測延遲,規劃 T_total 為 320.2 秒。
推薦理由:文章以單機可承受併發量和實際擴容耗時兩項測量,推導 TTS 端點的擴縮門檻與冷卻時間,並展示 Kokoro-82M 的部署流程。
KisanMitra 是專為小農戶設計的雙語 AI 農場管理助理及鄉村契約帳簿,可協助安排灌溉與噴藥、記錄借貸及追蹤農產品市場價格。系統結合 Gemini AI 價格預測、即時天氣建議和印地語及英語語音助理,並支援 WhatsApp 付款提醒。應用採用網頁標準,可在低階流動裝置上運行,並提供離線農業建議。
一汽-大眾捷達首款新能源車捷達 M6 在成都上市,共推出三款車型,售價 7.98 萬元至 9.98 萬元,提供 465km 和 555km 兩種續航。車款配備征程6M芯片,支援 0—120km/h 城區 NOA,車機配備豆包、DeepSeek、千問三大模型。捷達亦為首位車主提供多項終身保障及首年駕駛輔助事故兜底。
Sierra 推出 𝜏-Entity,這項基準以 200 項任務、10 類資料欄位評估語音智能體擷取資料、察覺可能錯誤及修正錯誤的能力。排行榜涵蓋 𝜏-i18n 的六種語言,GPT Live 1 在一般通話中準確擷取資料的比例為 60.3%,但三種環境皆成功的 Pass³ 僅為 34.0%。
Nirva 宣佈完成 2,500 萬美元 Pre-Series A 融資,加上今年稍早籌得的 800 萬美元,累計融資額達 3,300 萬美元。公司的首款裝置是可作手鏈佩戴的吊墜,會過濾周圍其他人的對話,並預設在處理後不保留音訊或文字稿。這款售價 249 美元的裝置將於 11 月開始接受訂購,目標在年底前出貨予早期用戶。
文章拆解一套考試平台如何在本地完成語音轉文字,讓錄音不必交給第三方轉錄服務,而只把逐字稿送往外部語言模型評分。流程以 ffmpeg 將瀏覽器錄音轉成 16 kHz 單聲道 WAV,再由 CPU 上的 openai/whisper-small 轉錄;STT_ROUTING 設為其他值時,音訊則會傳往 Groq 或 OpenRouter。
影石發佈無線麥克風 Insta360 Mic,首發價 439 元起,並以可插拔 microSD 卡槽取代 Mic Pro 的內置儲存。插卡後可啟用 32-bit 浮點內錄;單枚發射器續航 13 小時,搭配充電盒可達 34 小時。
影石推出輕旗艦級無線麥克風 Insta360 Mic,以可插拔 microSD 卡槽取代 Mic Pro 的內置儲存。單枚發射器售價 499 元起,插入 microSD 卡後才會啟用 32-bit 浮點內錄。單枚發射器續航 13 小時,配合充電盒可達 34 小時。
AI 語音智能體透過 STT、LLM 和 TTS 三個系統傳遞資料完成通話,品質問題往往來自三者的連接方式。把各階段重疊處理,可在 LLM 生成後續內容時,先將已完成的句子轉成語音播放。設計時還須處理發言輪次判斷、用戶插話、工具呼叫、故障備援及各階段耗時記錄。
環境式病歷記錄工具會錄下診症過程並撰寫臨牀紀錄,文章提出工程師在信任這類工具前應查問三件事:錄音儲存在哪裏、哪些人可存取,以及紀錄在入檔前由誰核對。作者建議讓臨牀人員對照逐字稿與紀錄,並在簽署前不提交紀錄;他未找到紀錄錯誤率的獨立數據。
sunerpy 開發開源語音輸入工具 Voltip,支援在本機辨識語音,亦可全程離線運行。作者以 Qwen3-ASR 0.6B 處理 16 s 中文,L40S Vulkan 用時 0.16 s,同機 8 個 CPU 執行緒用時 2.87 s;首次 GPU 執行較慢。AI 服務只接收字典處理後的辨識文字、預設指示及正確拼寫資料,不會收到音訊。
科大訊飛在全球 1024 開發者節宣佈首發星火語音基座大模型 SparkAudio 1.0,整合機器翻譯、語音識別及語義理解等能力。模型已在訊飛輸入法 16.0、訊飛聽見、訊飛辦公本及訊飛翻譯機上線,支援中英文切換及説話人即時識別。
索尼宣佈新款 PlayStation Pulse 無線耳機將於 11 月 19 日在美國、英國、日本等多地上市,並於 10 月 29 日開放預購。耳機售價 99.99 美元,提供黑白兩色,採用平面磁驅動單元,支援 PlayStation Link 與藍牙雙模連接,並配備 AI 降噪麥克風。相較高端款 Pulse Edge,這款耳機的磁體數量減半,定位較入門。
科大訊飛首發星火語音基座大模型 SparkAudio 1.0,並已在訊飛輸入法 16.0、訊飛聽見、訊飛辦公本及訊飛翻譯機全面上線。模型集成機器翻譯、語音識別及語義理解,支援中英文任意切換和説話人即時識別。
索尼公佈 PlayStation Pulse 無線耳機將於 11 月 19 日上市,預購於當地時間 10 月 29 日上午 10 點開始。耳機定價 99.99 美元,採用尺寸更大的平面磁驅動單元,並支援藍牙和 PlayStation Link。麥克風具備 AI 增強型噪聲抑制功能,可降低背景噪音對語音通話的幹擾。
IBM 發佈 2B 參數的 Granite Speech 5.0 2B 開放語音語言模型,支援 6 種語言的語音轉錄與翻譯,採用 Apache 2.0 授權。該模型在 Open ASR Leaderboard 排名開放權重模型第 2,平均英文 WER 為 5.68%;Qwen3-ASR-1.7B 以 5.40% 領先。
這套整合以 Next.js API route 在伺服器端呼叫 ElevenLabs 文字轉語音服務,將 MP3 音訊串流回瀏覽器,並避免在用戶端暴露 API key。前端元件讓用戶輸入文字並播放合成語音;教學亦涵蓋 Vercel 部署及自訂聲音複製。
Fonix.AI 的語音購物車挽回指南建議,在聯絡顧客前重新核對最新結帳及訂單狀態,抑制已完成購買或不再符合政策資格的外呼。指南亦指出,送出結帳連結不等於完成訂單,應分開記錄連結狀態與已核實訂單,並在試行前訂明歸因窗口。
Agora 的 Conversational AI Extension 已作為插件上架 Dify Marketplace,讓開發者可在 Dify 建立即時互動語音 AI 體驗。
Dify 與 Open Audio 合作,將 Fish Audio 插件上架 Dify Marketplace,讓用戶為 AI 應用加入文字轉語音(TTS)及聲音克隆功能。Fish Audio 支援 WebSocket API 串流音訊輸出,並可用 30-45 秒語音樣本快速克隆聲音。用戶可在 Dify 工作流程中將 LLM 生成的文字轉成指定聲音及格式的音訊。
Sana Hassan 以 CPU 實測 Cactus Compute 的 16.9 MB 語音轉文字模型 Whistle,並與 Whisper tiny 和 base 比較詞錯誤率及速度,亦測試串流、時間戳和關鍵詞等功能。
語音對語音 AI 透過神經音訊編解碼器,將輸入聲音編碼成一連串音訊碼,再由模型處理並生成回應音訊,未必需要先把語音轉成文字。以每秒 24,000 個取樣、每秒 12.5 個影格及每個影格 8 個音訊碼計算,表示值可由 24,000 個降至約 100 個,約減少 240 倍。模型亦須處理語義和語音特徵,但不同架構對這些資訊的表示方式並不相同。
多家企業正把個人智能體的競爭延伸至 AI 眼鏡、耳機和錄音設備,圍繞現實場景資訊的採集、管理及後續任務服務展開競爭。千問整合模型、App、硬件和第三方技能;韶音藉助外部 AI 能力,viaim 嘗試管理上下文並調度其他智能體,亞馬遜旗下 Bee 則連接硬件採集資訊與助手及購物服務。各家訂閲服務對應資訊處理、上下文管理和任務服務等不同環節,公開數據尚不足以説明用戶實際調用頻率和付費意願。
GM 計劃在 2027 Cadillac Lyriq 首度推出 OnStar AI 車載助手。用戶可透過語音指令執行車輛功能及進行診斷。
RubatoCodec 是基於 X-Codec-2 的可變影格率語音編碼器,以固定的長句事件預算和自適應事件編碼,支援串流解碼。受控實驗顯示,在低事件率下,其重建保真度和清晰度優於固定速率編碼;與其他編碼器相比,它在英語和日語基準測試中保留清晰度的表現最佳。用於文字轉語音時,該表示法取得較低 WER、較高 UTMOS 和 UTMOSv2,説話者相似度則相若。
通用汽車推出全新 OnStar AI 助手,將 OnStar 升級為面向智能駕駛時代的互聯智能平台。助手將率先透過 OTA 升級搭載於 2027 款凱迪拉克 Lyriq,可解釋車輛警告、回答續航問題,並以語音控制部分車載功能。通用汽車計劃於 2027 年推出與車載軟件同步的統一 OnStar 手機應用,取代現有相關品牌應用。
文章提出 10 個改善 AI 語音自然度的技巧,包括使用乾淨且多樣的語音數據、調整韻律、以 SSML 控制停頓和發音,以及合成後處理音訊。ElevenLabs 提供 API、語音模型功能及免費方案,可用於語音克隆原型開發。