跳到正文
11月19日週四
  1. DEV Community44

    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。

  2. 新浪科技51

    三星 AI 眼鏡 Intelligent Eyewear 核心款式預售數小時售罄,12 月 10 日上市

    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。

  3. ezone · IT Times AI 應用58

    InfoTalk推出免費廣東話 AI 熱線 CantoTalk,直撥 2668-7000 查詢日常資訊

    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。

  4. DEV Community43

    從「AI 熱潮」到「雲端 API 後悔」:為何應採用用戶端運算

    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。

  5. 雷鋒網27

    華為 Mate X8 官宣小藝慧記與虛擬觸控板兩大功能,生產力再進階

    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。

  6. DEV Community57

    通話錄音 API 實作指南:立體聲、同意、資料遮蓋與保留期限

    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。

  7. 新浪科技21

    海信深睡寶X5與智慧風E5系列卧室空調深度評測

    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。

  8. DEV Community70

    Python 教學:從立體聲通話錄音量度語音智能體的插話停止時間

    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。

  9. DEV Community45

    為所有編碼智能體共用一個語音服務

    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。

  10. 新浪科技48

    香港中文大學(深圳)與微軟研究院提出 ConvexLLM,讓聲音接入大語言模型的知識與推理能力

    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。

  11. DEV Community49

    如何使用 ElevenLabs API 建立有聲書生成器

    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。

  12. DEV Community31

    AI 語音模型如何訓練:技術概覽

    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。

11月18日週三
  1. 阿里雲開發者社區 AI59

    濤聲 TaoSheng 實測:開源 Android 應用由人聲觸發錄音,並轉寫、辨識聲紋及整理待辦

    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。

  2. Hugging Face Blog67

    Rumble-2-Flash 開源,支援 40+ 種語言的 0.5B 語音辨識模型

    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。

  3. DEV Community32

    AI 語音智能體在預約前需要回答甚麼

    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。

  4. DEV Community54

    如何在同一部裝置上比較並選擇開源 TTS 模型

    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。

  5. DEV Community65

    離開英語後,文字轉語音的價格如何變化

    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。

  6. DEV Community66

    ASR 是甚麼?語音 AI 電話的自動語音識別指南

    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。

  7. DEV Community35

    Voice AI 應用程式的主要除錯技巧

    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。