ElevenLabs vs OpenAI TTS: Which Should You Choose?
ElevenLabs 與 OpenAI TTS 的比較指出,前者在聲音複製、聲線風格控制及免費額度方面較適合有相關需求的開發者,OpenAI 則適合快速製作原型。
ElevenLabs 與 OpenAI TTS 的比較指出,前者在聲音複製、聲線風格控制及免費額度方面較適合有相關需求的開發者,OpenAI 則適合快速製作原型。
LiveKit 的指南整理了打造可投入生產環境的 AI 語音智能體的方法,涵蓋對話品質、生產觀測,以及可靠且具成本效益的擴展。指南建議獨立量度首輪回應延遲、妥善處理輪替與打斷,並測試背景噪音、語言及口音等情境。上線前亦應釐清錄音與個人資料要求、訂定可量度的成效指標,並為模型及後端準備備援和容量設定。
d3kOS 是船隻的伴隨系統,可整合現有航海電子設備,提供引擎監測、語音控制及天氣記錄。系統透過 NMEA2000 連接設備,AI 可在離線時於本機運行,並每 30 分鐘自動記錄天氣狀況。
OpenAI 提供兩種 WebSocket API 模式:Responses API 用於工具呼叫密集的智能體工作流程,Realtime API 用於低延遲語音應用。Responses API 在 20+ 次工具呼叫時,端到端速度最高比 HTTP 快 40%。Realtime API 支援音訊串流和用戶打斷,延遲低於 500ms。
Otter.ai 透過 OtterPilot 根據連結日曆中的會議資訊,自動加入 Zoom、Google Meet 或 Microsoft Teams,並即時轉錄對話、生成摘要和待辦事項。
SpaceX 宣佈新 Grok Voice 模型,並表示 Starlink 客服中心每日以 AI 接聽 20,000 通來電。約 70% 的來電無需人工即可解決;智能體可核實客戶身份、排查 Starlink 硬件問題、發放額度及寄送替換設備,並支援多種語言。
ElevenLabs 聯合創辦人 Mateusz “Mati” Staniszewski 認為,企業應準備迎接客戶愈來愈多以語音而非文字與 AI 智能體互動的情況。
天翼智屏完成多維度升級,螢幕升級至10英寸,並優化長者使用體驗。新屏支援18種方言,配備護眼模式及供電轉接口;健康智能體提供症狀自查、線上問醫、體檢報告解讀和一拍識藥。智能血壓計數據同步至智屏,異常時可即時預警並分享給家人。
教程示範使用 ElevenLabs 和 Node.js 建立 AI 語音助理:Express 接收文字,並將生成的 MP3 音訊串流回傳。用戶亦可上傳約 30 秒錄音建立克隆聲線;語音克隆屬付費功能,API key 應保留在伺服器端。
上汽榮威家越 07 預售小訂突破 40000 台,並將於 10 月 23 日正式上市。車款共推出三個版本,預售價由 13.78 萬元起,搭載豆包座艙助手,以及由 Momenta R7 世界模型和新芯航圖 XHEART X7 大模型專用芯片組成的軟硬一體方案。其 CLTC 純電續航為 320km,綜合續航為 1480km,並支援 30%-80% 最快 15 分鐘快充。
作者先後創辦美國的 RamTech Solutions LLC 和印度的 TenTwo Technologies,從口吃研究延伸至跨國創業。其 FluentLoop 項目把論文研究帶到瀏覽器,讓口吃者練習真實對話、獲取 AI 回饋並追蹤進度,毋須特別硬件。研究成果曾發表於 IEEE SeGAH 並獲最佳海報獎,也曾兩度提交至 ASHA。
10月15日,亞馬遜旗下 Bee 在海外推出 Bee Frontier 和 Bee Eclipse 兩款 AI 錄音硬件,售價分別為 74.99 美元和 99.99 美元。
亞馬遜旗下 Bee 推出兩款 AI 錄音產品 Bee Frontier 和 Bee Eclipse,售價分別為 74.99 美元及 99.99 美元起。Frontier 可佩戴或夾在衣物上,續航 7 天;Eclipse 以磁吸方式貼在手機背面,續航超過 21 天。
教學示範如何把語音 AI 整合到 Shopify 商店,串接語音輸入與合成語音播放。流程涵蓋 ElevenLabs API 的文字轉語音(TTS)和聲音複製、語音轉文字(STT),並透過 Shopify API 取得商品資料。教學亦示範把 GPT-4、Claude 或 Rasa 等對話式 AI 平台接入語音聊天機械人。
TTS 應用程式可透過長篇文字分段、清理特殊字元及處理 ElevenLabs API 的 429 錯誤,應對常見邊緣情況。重試範例最多執行 5 次,每次將等待時間加倍;測試樣本涵蓋多語言、表情符號和複雜標點。語音複製可用 SSML 發音指引、以小型數據集微調,或讓問題片段改用通用語音。
GhostRunner 是一款開源、以本機運作為先的生成式音訊引擎,會沿真實街道規劃路線、辨認 OpenStreetMap 地標,並預先編寫及配音,讓跑步或步行時的驚悚故事配合所在位置播放。它在運行期間不進行模型推理,並可在配備 4 GB GPU 的手提電腦上運作。作者尚未進行付費試點或驗證定價;目前已儲存的任務只能在作者自己的機器上重播。
Granite Switch 4.1 發佈 8B 和 30B 模型,讓對話、通用及專項決策與語音轉文字可透過同一個託管端點處理。兩款模型整合 Decision aLoRA、Guardian aLoRA 和 Granite-Speech-5.0-Turbo-CTC,合併後佔用的 GPU VRAM 約與基礎模型單獨運行相若,且可重用基礎模型生成的 KV cache。
推薦理由:文章呈現以 aLoRA 組合通用及專項決策與語音辨識的方法,並交代共用 KV cache 如何使多項能力維持接近基礎模型的 GPU VRAM 佔用。
IBM 發佈 Granite Switch 4.1 的 8B 和 30B 模型,把基礎模型、通用決策適配器、安全適配器及嵌入式語音轉文字編碼器整合至單一託管端點。IBM 稱這些組件與基礎模型合用時,GPU 記憶體用量約與單獨使用基礎模型相同。兩款模型採 Apache 2.0 授權,模型卡列出 Hugging Face Transformers 和 vLLM 後端,以及 128K 上下文窗口。
Simon Willison 用 Claude Opus 5.5 Extra in Claude Code 製作 Chirp Pong,測試兩部手機能否透過麥克風收發聲訊傳送遊戲狀態。這個以靜態 HTML 運行的 Pong 類雙人遊戲實驗可行,並加入圖像及玩法變化。
Suno Speech beta 於 2026 年 10 月 1 日推出,可將文字生成為同一音軌中的語音與原創配樂,但專屬點數成本及語言支援等資料尚未公佈。OpenAI tts-1 的價格為 $15 per 1M characters;ElevenLabs Pro 為 $99 per month,含 600,000 credits。
Bland 首席資訊總監 Juan E. Riojas 在訪談中解釋,公司選擇自行託管語音 AI 技術堆疊,以控制延遲、資料私隱及可靠性。平台涵蓋 ASR、LLM 推理和 TTS,並透過統一運行環境減少第三方 API 依賴。此方案需投入 GPU 基建,並自行處理模型訓練、評估和維護,以及即時串流同步和高併發 GPU 調度。
文章比較多款面向多語言應用程式的 AI 語音 API,並重點介紹 ElevenLabs。ElevenLabs 支援 30+ 種語言,提供每月 60 分鐘免費合成額度,付費方案由 $10/月(10 小時)起。
Inception Labs 宣佈 Mercury Voice 已向企業客戶開放;這款採用擴散模型的大語言模型(dLLM)面向語音智能體,能推理及調用工具,在真實客服提示詞測試中產生首個答案 token 的中位延遲低於 320 毫秒。
Lovable 將 GPT-Live、Claude 模型、Gemini 4 Argon、Gemini Omni、Lyria、Perplexity、Firecrawl、Parallel 及 Jev 等模型與工具接入平台,讓用戶在 Lovable 內建立 AI 應用。
雷蛇推出梭魚 V2 專業版(Barracuda V2 Pro)無線遊戲耳機,美國售價 199.99 美元。耳機重 285g,可摺疊平放;ANC 關閉時續航可達 70 小時,開啟後約 50 小時。產品支援 2.4GHz 及藍牙 6.0 雙模連接,配備可拆卸吊桿與內置波束成形麥克風;中國內地版本預計近期公佈。
Amazon 重推 Bee,推出 Bee Frontier 腕帶及 Bee Eclipse 手機配件,兩者可錄音並整理每日內容;Bee Pro 月費為 $11.99。
Canonical 正式發佈 Ubuntu 26.10,搭載 GNOME 51 和 Linux 7.3,並完成 Rust 核心工具遷移。預設命令列工具已 100% 使用基於 Rust 的 uutils 實作,cp、mv 和 rm 亦完成切換。此版本支援 9 個月,至 2027 年 7 月。
OPPO 上架 Enco Air4s 真無線降噪耳機,首發到手價 179 元,支援 32dB ANC 主動降噪,續航最長 43 小時。耳機配備 12.4mm 動圈單元、IP55 防塵防水及雙麥 AI 通話降噪,充電 10 分鐘可聽歌 4 小時。產品亦支援通透模式及同時連接兩台設備。
Canonical於2026年10月15日正式發布Ubuntu 26.10,將全部核心命令列工具遷移至Rust版uutils。這個非LTS過渡版本支援9個月,至2027年7月,並採用GNOME 51及Linux 7.3-rc6核心。版本亦新增RISC-V桌面映像及Snap/DEB統一應用管理,並加入OpenSSL 4和本地語音轉寫工具Myna預覽版。
華為智慧生活官方微博公佈,華為 WATCH Ultimate 系列及 WATCH 系列智能手錶升級 HarmonyOS 7 後支援「抬腕控家」。用戶可快速查看及控制家中智能設備、一鍵執行預設場景,並以小藝語音一句直達。功能適用於 HarmonyOS 7.X 及以上版本。
Amazon 旗下 Bee 推出 Frontier 和 Eclipse 兩款 AI 穿戴裝置,售價分別為 $74.99 和 $99.99,並推出 Bee Pro 訂閲。
Apple TV 4K (2026) 相較 Apple TV 4K (2022) 升級晶片、圖像效能、Siri 語音控制及遙控器,但售價是未有改善之處。A19 比 A15 快 50%,圖像效能提升至前代的兩倍,並配備 128GB 儲存空間及 Wi-Fi 7。新款售價為 $299;文章認為,只想串流影片的用戶不值得購買。
ICE 有意使用 AI 監察被拘留者的通話及行動。一名近期發布 ASR 模型的留言者表示,其自訂授權禁止將模型用於監察在押人士。他認為這項限制未必能改變整體情況,但隨着相關能力發展,仍值得考慮模型的用途。
文章比較自行部署 Whisper 與按量付費的託管服務,估算處理約 85–250 小時音訊後,節省的服務費才可抵銷設定時間成本。估算以託管費 €0.02/分鐘、設定需 2–6 小時並按 €50/小時計價,且未計後續維護;低用量下託管服務較省,數百小時以上自行部署較有利。
SayAgain 的評估顯示,在乾淨文字上,正則表達式已能達到預設標準,無須使用 LLM。89 組測試中,正則表達式標記了全部 41 個預設錯誤,並未對 48 個正確讀回造成誤報;Gemma-4-31B-IT 則有 2 次誤報。改用合成語音後,正則表達式和 Gemma 的誤報分別升至 16/48 和 17/48,兩者均超出誤報預算。
L-Acoustics 的音訊平台運用機器學習,協助 Céline Dion 等歌手在現場演唱會中分離人聲並穿透噪音。
SpaceXAI 發佈 Grok Voice 3.0,該語音對語音模型以 86.9 分登上 Artificial Analysis Speech-to-Speech Index 榜首。
EarDub 為無字幕錄影影片採用緩衝音訊配音,趁播放器載入進度領先播放位置時辨識語音,拼成完整句子再翻譯及合成,令配音可與説話者同步開始。有字幕時則按字幕時間配音;此方法不適用於直播,嘈雜音樂、多人重疊説話及口音仍會造成語音辨識錯誤。
這份指南評估並排名 10 款 AI 轉錄軟件及服務,涵蓋會議記錄、媒體製作、口述輸入和企業字幕等用途。比較考慮語言支援、編輯與協作工具、整合、安全性及適用場景;Notta 排名第一,支援 58 種轉錄語言。
L-Acoustics推出Source Intelligence AI軟件平台,於席琳·迪翁巴黎駐場演出中即時分離人聲及降噪,提升清晰度。平台最多可削減40分貝的非人聲訊號,並僅適配L-Acoustics自研硬件。演出使用L1線陣列音箱及L-ISA二代處理器,覆蓋3.5萬名觀眾。