併購盡職調查通話的 AI 轉錄:應留意甚麼(2026)
併購盡職調查通話選用 AI 轉錄方案,應核實錄音是否獲準、音訊和文字的存放及刪除方式、説話者標記是否準確,以及能否搜尋所有通話並定位原句。Otter 表示會在訓練自家模型前自動去識別用戶數據;Fireflies 則表示預設不會用數據訓練模型,兩者説法均值得向供應商書面確認。
併購盡職調查通話選用 AI 轉錄方案,應核實錄音是否獲準、音訊和文字的存放及刪除方式、説話者標記是否準確,以及能否搜尋所有通話並定位原句。Otter 表示會在訓練自家模型前自動去識別用戶數據;Fireflies 則表示預設不會用數據訓練模型,兩者説法均值得向供應商書面確認。
Wispr Flow 於 2026 年 11 月 18 日在 iPhone 推出免費 Notetaker,可透過手機咪高峯錄下實體客戶會談,並生成逐字稿及決策、日期和責任事項摘要。
網易有道公佈2026年第三季度業績,經營利潤為0.3億元,同比增長19.2%;AI訂閲服務銷售額超過1億元,同比增長20%以上。經營利潤已連續九個季度為正;前三季度經營性現金流累計淨流入1.5億元。
海信空調深睡寶 X5 主打卧室新風與睡眠空氣管理,配備 CO₂ 感應器,可在室內二氧化碳濃度超標、空氣質素變差時自動聯動新風系統。產品可使用標準空調孔安裝,提供 65m³/h 新風量,運行噪音低至 16 分貝,並配備雙路微孔柔風技術及 DeepSeek 語音智控。
三星電子與 Google、Gentle Monster 聯合推出的 AI 眼鏡 Intelligent Eyewear,核心款式在韓國、美國及其他市場開啟預售數小時內售罄。眼鏡重約 41 克,內置相機、揚聲器和麥克風,支援即時外語翻譯、目的地導航及複雜會議材料摘要等語音 AI 功能。三星計劃於 12 月 10 日在韓國和美國正式推出,售價按款式配置為 65 萬至 70 萬韓元。
InfoTalk於11月18日推出免費廣東話語音助手熱線 CantoTalk,香港固網或流動電話用戶可直撥2668-7000查詢日常資訊。服務可查詢天氣、飲食、旅遊及生活資訊,毋須下載 App、連接互聯網或登記帳戶。每次通話設有發問次數上限,通話亦會被錄音並可能用於技術研發及優化。
面對雲端 API 帶來的架構負擔、成本及私隱風險,文章主張把適合的 AI 任務改在用戶裝置上處理,減少資料傳輸和伺服器開支。SolveMyMedia 的語音轉文字引擎在用戶裝置上處理敏感音訊,模型完成初次下載後,無須連接互聯網即可運作。文章提及 Transformers.js、WebAssembly 和 WebGPU 等技術。
火山引擎上線豆包 SeedRealtime 1.0 API,支援連續多模態資訊流中的即時音訊及影片互動。火山引擎稱,相較傳統級聯模型,其音訊及影片對話節奏問題減少一半,完整順暢交流的概率亦有提升。開發者可將 API 接入語音助手、智能硬件、即時客服及學習輔助等場景。
微軟在 Ignite 2026 公佈 6 款 AI 模型與服務,涵蓋軟件開發、網絡安全、影像生成、即時語音、醫療轉錄及自動化決策。其中 Code 2 和 Code 2 Flash 主攻程式編碼,Cyber 2 Flash 用於漏洞分析,另有 Realtime 1 即時語音模型及 Image 2.7 Flash 影像模型。
火山引擎全面上線豆包 SeedRealtime 1.0 API,模型以端到端方式整合聲音、畫面、時序與表達,支援邊看、邊聽、邊説的即時互動。相較級聯模型,SeedRealtime 1.0 的音影片對話節奏問題減少一半,並可按畫面變化或任務節點主動提醒和回應。
華為 Mate X8 預熱影片展示升級版小藝慧記及全新虛擬觸控板,分別針對會議記錄和大屏幕單手操作。小藝慧記可透過聲紋識別區分發言人,並具備超遠距離拾音能力;虛擬觸控板則把遠端操作區域映射至手指容易觸及的位置。華為 Mate X8 將於 11月24日發布,更多配置和功能仍待官方公佈。
Qwen-Audio-3.1-Realtime 是端到端全雙工語音大模型,支援文本與音訊輸入輸出、可打斷對話、Function Calling 及聯網搜尋,提供 Flash 和 Plus 兩個版本。
阿里雲對話分析方案以百煉大模型、OSS 和函數計算 FC 串起錄音轉寫、意圖識別、情感分析及質量評估,輸出結構化分析結果。方案支援説話人分離,並以全量分析取代人工抽聽,質檢覆蓋率可達 100%。
通話錄音 API 的合規流程須涵蓋同意、敏感資料遮蓋、存取記錄及按期刪除,而不只是啟停錄音和下載檔案。指南建議使用立體聲分開各方聲道,並按用途設定保留期限,同時顧及行業最低保存期與用途結束後的刪除要求。在可查詢的音訊中,卡片驗證碼不得在授權後保存,即使已加密亦不可。
深圳 APEC 領導人會議週期間,機械人在新聞中心提供飲水和咖啡,AI 耳機協助應對採訪中的語言障礙。11 月 18 日至 19 日,亞太經合組織第三十三次領導人非正式會議在深圳舉行;會場外有機械人演奏揚琴,無人配送車在街區穿行。
CJDARKLORD 開發的 Stream-Subs 是一款在本機運行的 RU→EN 即時字幕工具,透過 VAD、faster-whisper、本機翻譯和 WebSocket 將字幕送至 OBS 疊加層,無需帳戶、雲端服務或按分鐘付費。
作者根據實際使用,整理消費級硬件上本地語音識別、翻譯、TTS 和 LLM 的可行情況與限制,並比較本地部署和 API 的成本及私隱取捨。
海信比較深睡寶X5與智慧風E5系列,分析兩者的卧室空氣管理、風感、能效及智能功能,並按不同使用場景説明產品定位。深睡寶X5主打不擴孔新風與CO₂監測;智慧風E5L側重滑蓋面板及分區控風,E5 Pro的APF值為6.2。文章指出,各款產品適合不同需求,並建議透過官方渠道購買。
吉利銀河公佈首款旗艦大五座 SUV 銀河 M8 的更多車型資訊,新車提供五款車色,將於 2026 年第四季度上市。銀河 M8 長 5205mm、軸距 3030mm,配備全場景 AI Agent 智能體,並搭載 1.5T 發動機與電機組成的插電式混能系統,純電續航 231km/251km。
文章以 Python 建立雙聲道通話錄音與離線分析流程,量度來電者插話後語音智能體持續發聲的時間。在 70 次腳本通話中,50 次應中止的插話均令智能體停止;停車問題的停止時間中位數為 0.78 s,而「mm-hmm」在 10 次通話中均未觸發停止。附近電視新聞聲則在 10 次通話中均被誤認為來電者並中止回覆。
作者把 Pi、Claude Code 等編碼智能體的語音功能整合到單一本地 daemon,統一管理揚聲器、麥克風和 FIFO queue。測試中,兩個程序同時發出通知時,語音會依序播放,第一段由 1.1 s 播至 9.0 s,第二段由 9.0 s 播至 15.8 s。目前僅支援 Windows,專案仍在作者的工作空間內,尚未公開。
香港中文大學(深圳)與微軟研究院提出多模態建模架構 ConvexLLM,以 C-Gate 將音頻表示映射至語言模型凍結文字詞向量的凸包中。ConvexLLM 在 VoiceBench 11 項任務綜合評測中取得 75.36 分,領先同量級開源權重模型。模型在 BBH 得分為 80.40%,較最強基線高 8.80 個百分點。
教學示範如何使用 ElevenLabs API,將文字轉換成語音並串接 MP3,製作有聲書。流程包括把文字分成約 2 000 個字符的段落、呼叫 TTS 端點生成音訊,再用 ffmpeg 合併檔案。ElevenLabs 亦可複製聲音,所需參考音訊最短為 30 秒。
文章概述深度學習文字轉語音(TTS)模型的訓練流程,涵蓋資料集整理、模型架構選擇、訓練、語音克隆、品質評估及部署。文中比較 Tacotron-2、FastSpeech/FastSpeech-2 和 VITS,並指出 VITS 是兼顧品質與速度的選擇之一。語音克隆可透過微調預訓練多説話者模型,使用少量特定説話者語音。
Stretto 與 AWS Generative AI Innovation Center 及 CI&T 合作,使用 Amazon Nova 2 Sonic 在 Amazon Bedrock 上建置 Tara,透過電話進行破產申請資料訪談。
作者兩度調查 AI 旁白與音樂工具後,修正兩項結論:Stable Audio 3 Medium 可在 CPU 上生成音樂,Qwen3-TTS 1.7B 則成為作者的中文本地旁白首選。
濤聲(TaoSheng)是一款開源 Android AI 記憶助手,會在人聲出現時錄音、轉寫及辨識聲紋,再由 AI 整理成待辦、會議紀要和記憶。文章依據 v0.2.17(2026-11-07 發佈)的官方文件與更新日誌,介紹本機 SenseVoice 和雲端轉寫選項、技能卡片及每日回顧;應用要求 Android 10 及以上、arm64。
Rumble-2-Flash 以 Apache 2.0 授權開源,是支援 40+ 種語言的 0.5B 語音辨識模型。在 Open ASR Leaderboard 多語言賽道,它跨 9 種語言的平均錯誤率為 6.96%,優於 Meta 的 omniASR-LLM 7B 和 Whisper large-v3。
推薦理由:文章以多語言辨識榜單及真實客服通話基準比較 Rumble-2-Flash,呈現小型模型在不同語音條件下的錯誤率表現。
AI 語音智能體要在預約前提供準確回答,須先辨認來電者、從企業自有知識庫取得設備資訊,並連接排程系統完成預約。Aura 是內置於 SIPSTACK 的 AI 語音智能體,可透過 HTTP 操作企業工具,並由電話平台處理轉接及通話記錄。
這份指南提出在同一部裝置比較 MOSS-TTS、Piper、Kokoro 和 Qwen3-TTS 的流程,主張按實際測試條件選擇模型,而非套用通用排名。流程要求記錄硬件、軟件、模型版本、精度和輸入,並把載入與生成時間分開;也要檢查發音、漏字、音質和重複生成穩定性。作者建議公開原始計時、測試文本、環境和程式碼;單一裝置及少量句子無法確立適用於所有語言、硬件或工作負載的通用勝者。
Disney Imagineering 與 AWS 合作打造三個 AI 驅動的《星球大戰》Anzellan 音響動畫原型,可按現場情況與訪客互動。它們會按現場人數、訪客年齡等因素調整回應,並可評論生日襟章或特定《星球大戰》T 恤。
Reson8 免費開放下載語音轉錄模型 Rumble-2-Flash 的權重;模型有 500 million parameters,支援超過 40 種語言。據 Reson8 自行測試,模型在涵蓋德語、法語和荷蘭語等 7 種語言的多語測試中,平均詞錯誤率為 7.09%;在 10 種低資源語言測試中為 17.6%,而 Whisper Large V3 在同一測試為 39.82%。
Checkers & Rally’s 將與 Hi Auto 的 AI 免下車點餐合作延長至 2030 年,並計劃在 2027 年第一季末前將部署範圍由 267 個據點擴至逾 360 個。
作者整理 Voicedex 收錄的 297 個文字轉語音(TTS)模型及 126 家供應商公開價格,發現不同語言的最低標價差距明顯。西班牙語、法語、德語、印地語、阿拉伯語、日語和中文的最低價為每 1 million 個字符 $4,斯瓦希里語為 $15,約魯巴語為 $40;這些均是供應商公佈的最低級別價格。
文章指出,流傳的 ZONOS3-Mini 13.7ms 首段音訊延遲數字不見於技術報告;報告記錄的是 H100 單次請求 85ms,8 路並發時 p50 為 80ms。
方案以「流式分段+增量推理」架構構建多語言 AI 同傳翻譯系統,整合 VAD、增量 ASR、流式 NMT 與 TTS,將端到端延遲壓至 300ms 內。各微服務透過 gRPC 雙向流連接,並配合 Kafka 控制背壓與削峯;部署採用雲邊協同及彈性擴縮容。
Skat 遊戲將教學旁白改用 ElevenLabs 配音,重新錄製波蘭語、德語和英語的 108 段教學片段,並為法語牌型新增 39 段錄音。檢查腳本以 Gemini 為 147 段錄音轉錄,再比對文字和語速;修正後沒有標記出異常片段。
文章整理一套以官方免費額度和標準 SDK 組成的 $0 AI 媒體原型流程,涵蓋圖像生成、語音轉文字、影片及音訊。
ASR(自動語音識別)是以機器學習模型把電話語音轉成文字,供軟件搜尋、分析或採取行動。文章比較即時串流與通話後批次轉錄,並説明 WER、8 kHz 音訊及語言混用對評估的影響。作者建議以實際通話按語言組合測試,另評估金額、日期、姓名等關鍵內容,並列出 Vobiz 的相關文件入口。
文章整理 Voice AI 應用程式在 TTS 和語音複製流程中的常見問題與除錯方法,涵蓋音訊格式、延遲、SSML、語音複製一致性及播放錯誤。建議逐階段記錄延遲,並在播放前檢查音訊格式;TTS 請求延遲 200 ms 也可能令對話介面反應遲緩。