跳到正文
10月22日週四
  1. DEV Community30

    2026 年語音 AI 發展現況:趨勢與預測

    2026 年語音 AI 的發展趨勢包括低延遲 TTS、聲音複製、多模態助理及邊緣部署。文章指出,擴散模型與神經聲碼器令語音合成延遲低於 100 ms,並預測 2027 年年中將出現媲美商用品質的開源擴散式 TTS 模型。ElevenLabs 提供聲音複製及語音合成 API,文章並示範以 Python 建立自訂聲音。

  2. DoNews36

    通用汽車升級安吉星服務,推出 AI 語音助理

    通用汽車宣佈全面升級安吉星車聯網服務,加入可讀取車輛狀態、以語音調控空調等功能的 AI 語音助理,並可為電動車規劃充電路線。功能將透過 OTA 升級,首批搭載於海外市場的 2027 款凱迪拉克鋭歌,之後擴展至雪佛蘭、別克及 GMC 多款車型。2027 年還會推出整合式新版安吉星 App,統一品牌服務並加強私隱控制。

  3. 新浪科技42

    通用汽車全面升級安吉星服務,引入 AI 助手支援控車及故障排查

    通用汽車將全面升級安吉星車聯網服務,引入可讀取車輛資訊、語音控制部分功能及協助排查故障的 AI 助手。助手未來幾個月透過 OTA 登陸 2027 款凱迪拉克鋭歌,其後逐步擴展至旗下更多車款。通用汽車亦計劃在 2027 年推出整合車聯網服務的新版安吉星手機應用,並支援連網攝影機及更靈活的私隱設定。

  4. Sierra:Blog54

    τ-i18n 評估跨語言語音代理,並衡量任務完成以外的表現

    Sierra 推出 τ-i18n,將 τ-Voice 擴展至西班牙語、巴西葡萄牙語、印地語、韓語和普通話五種語言。評測涵蓋航空、零售和電訊任務中的三個語音代理及 2,700 次主要通話,分別衡量任務完成率、互動表現和生成品質;韓語任務完成率平均較英語低 22.6 個百分點。Sierra 開源程式碼庫及 LanguageFactory,供母語人士、研究人員和語言社羣擴展至更多語言和地區設定。

  5. DEV Community30

    ElevenLabs 語音 AI 開發入門

    ElevenLabs 提供雲端 API,讓開發者整合文字轉語音和語音克隆功能,無需自行訓練整套模型。文章以 Python、JavaScript 和 cURL 範例説明如何選擇聲音、串流輸出音訊及建立自訂聲音,並涵蓋延遲、成本、安全、速率限制與語音克隆同意要求。

  6. DEV Community66

    語音智能體聽起來自然仍可能失敗:輪流發言驗收框架

    作者提出一套語音智能體輪流發言驗收框架,建議在接入真實客戶流程前重播代表性通話,核實中斷處理、取消語音的播放狀態及人工轉接。框架交叉組合四種來電行為與五種環境或任務條件,設計出 20 個測試情境,並附事件紀錄欄位、Python 3 評分工具和發佈決策規則。這些均為設計方案,並非供應商表現的實測結果;若無法確認語音是否已播放,框架建議將播放狀態標記為未知,並確認來電者是否收到關鍵資訊。

  7. Business Insider Tech46

    GM 為 OnStar 引入 AI,安全氣囊彈出時仍由真人接聽緊急電話

    GM 正為 OnStar 引入 AI,但確認緊急電話仍由真人接聽,並聯絡急救人員。OnStar AI 是可瞭解車輛及駕駛者情況的語音助手,能回答車輛警示問題、控制部分功能、按惡劣天氣規劃路線,並提供情境化建議。服務將於未來數月透過無線更新率先登陸 2027 Cadillac Lyriq,其他車款之後跟進。

  8. LiveKit 產品與工程博客48

    Acuity Health 如何透過 LiveKit 語音智能體改善患者服務可及性

    Acuity Health 以 LiveKit 建構語音智能體,自動處理醫療機構的預約及保險資格分流等患者服務流程。其智能體完整處理 80% 的來電,大部分預約在 1 分鐘內完成,81% 的預約來電以「謝謝」結束。智能體通常採用 LiveKit Inference 上經最佳化的 Gemma 3 27B,團隊亦在每次更新前使用 LiveKit Simulations 測試智能體表現。

10月21日週三
  1. DEV Community40

    PodSnippet Studio:以 Gemma 2 和 ElevenLabs 將技術文章改編成音訊預告及 Podcast

    PodSnippet Studio 是一款開源音訊改編工具,使用 Gemma 2 9B 和 ElevenLabs,將技術文章轉為 60 秒音訊預告或雙主持對談 Podcast。雙主持內容長 2.5–3.5 分鐘,並支援逐字字幕、音訊波形互動及 MP3 匯出。訂閲方案為 $19 / month(30 episodes),文章列出的毛利率為 88.4%。

  2. DEV Community49

    Bolo 如何在轉錄變化時更新遊標處文字,而不必重新輸入全文

    Bolo 的 Windows 配套程式透過比對連續兩次的部分轉錄,只刪除變動部分並輸入新文字,避免每次更新都重打全文。程式改用常駐 PowerShell 程序,令每次更新毋須重新啟動程序或編譯 SendInput 輔助程式;遇到 Remote Desktop 則逐字輸入並加入 2 ms 延遲,以維持字元順序。

  3. DEV Community39

    Dograh AI 轉錄管道構建指南

    Dograh 是一個開源、可自行託管的語音 AI 平台,文章説明如何以它作為語音 AI 編排層,構建 AI 轉錄管道。管道涵蓋音訊驗證、語音活動檢測(VAD)、語音轉文字、説話者及時間戳處理、語言處理和逐字稿整理,並可將結構化逐字稿用於摘要和行動項目。

  4. DEV Community47

    2026 年最佳線上喚醒詞訓練平台:實用比較

    文章從開發者角度比較 2026 年建立自訂喚醒詞模型的不同訓練途徑,指出沒有一個平台適合所有語言和裝置。openWakeWord 提供自行管理的開源訓練流程,openwakeword.com 提供託管訓練,microWakeWord 專注 ESP32 和 ESPHome,Voicute 則涵蓋訓練、測試及模型交付。選擇平台時須考慮目標硬件、模型格式和部署限制,並在實際裝置及聲學環境中測試模型。

  5. Vapi 產品與 Agent 方法28

    Vapi Fleet Week 活動回顧

    Vapi於10月8日在三藩市灣包租遊艇,與30多名語音 AI 開發者交流並觀看 Blue Angels 練習。討論指出,GPT Live 的語音對語音方案省去傳統轉錄與合成,可降低延遲、令對話更流暢,但會犧牲對關鍵詞和腳本的細緻控制。企業團隊亦探討平台與自建語音技術堆疊的取捨,以及自然度、感知延遲和多供應商故障切換帶來的維護負擔。

  6. DEV Community31

    如何測試及確保 AI 生成語音內容的品質

    測試 AI 生成語音內容時,應涵蓋正確性、自然度、效能和穩健性,檢查文字吻合度、語調、延遲及邊界輸入。示例以 ElevenLabs TTS API 生成音訊,再用 Whisper 轉錄並比對文字,並以 fuzz testing 測試隨機輸入。GitHub Actions 流程可在每個 PR 執行正確性及延遲檢查。

  7. DEV Community32

    新聞機構如何在突發新聞中使用 AI 語音

    新聞機構以 AI 生成語音發布突發新聞,透過文字轉語音(TTS)和聲線複製,更快把文字稿轉為音訊並提升無障礙程度。應用包括即時更新、音訊摘要和多語言報道,ElevenLabs API 可將文字合成指定聲線的音訊。使用合成聲音時,應標示內容並取得被複製聲音者的同意。

  8. DEV Community32

    廣告中的語音 AI:製作動態音訊廣告

    語音 AI 可透過 ElevenLabs API,按受眾情境即時生成可替換產品名稱、價格及促銷內容的動態音訊廣告。流程包括程式化撰寫文案、選擇或克隆聲線、TTS 合成及接入廣告伺服器或播放平台;文中並提供按客羣生成個人化音檔的 Python 範例。為減少即時合成延遲,文章建議預先生成常見版本並以 CDN 快取。

  9. DEV Community50

    Pocket TTS 卡斯蒂利亞西班牙語微調:在 step 600 停止訓練,並以聽感判斷口音

    團隊以約 2,000 段卡斯蒂利亞語音微調 Kyutai 的 Pocket TTS 西班牙語 24 層模型,並確認 step 600 是較佳檢查點。驗證損失由 step 600 的 0.4951 升至 step 1500 的 0.5095,完整句測試由 6 of 6 降至 3 of 6,輸出亦開始漏詞和增詞。Qwen3-ASR 可檢查文字錯漏,但無法判斷 seseo 是否已修正,因此仍須聆聽口音。

  10. The Decoder70

    Mistral AI 推出 Voxtral 3 即時語音智能體技術堆疊

    Mistral AI 推出 Voxtral 3,即時語音智能體語言模型系列,將語音轉文字、文字轉語音、推理及工具調用整合至單一串流流程。系統包括 Voxtral Small Transcribe 3、Voxtral Mini TTS 3 和基於 LiveKit 的語音智能體 SDK;轉錄支援超過 50 種語言,語音合成支援超過 35 種語言及 50 種方言,並可作情緒調節。

  11. DEV Community41

    GentleBrief:以開放權重 AI 製作每日音訊摘要,減少無止境刷屏

    GentleBrief 是一款以開放權重模型整理指定新聞來源、生成每日音訊簡報的 Next.js 應用程式。它透過 Browserbase 雲端瀏覽器擷取文章,交由 Groq 上的 Llama 3 或 Gemma 提煉重點,再以 ElevenLabs 合成語音。每段音訊長 60 至 90 秒,概括三個要點;作者估計每天可減少約 25 分鐘的螢幕疲勞。

  12. Hacker News:AI 熱帖19

    Voxtral 3

    Hacker News 的 AI 熱帖收錄 Voxtral 3,連結指向 mistral.ai;貼文由 ilreb 提交,獲 11 分。

10月20日週二