跳到正文
11月18日週三
  1. Codex:GitHub Releases45

    Codex 0.170.0 發佈

    Codex 0.170.0 為 TUI 即時語音通話加入 WebRTC 協商,並支援在不同環境中使用同名 MCP 伺服器。此版本亦修正 WebSocket 請求、MCP OAuth、Cloud 對話重新連線、Windows 沙盒權限及檔案搜尋等問題,並更新沙盒文件。

  2. DEV Community32

    如何在正式環境降低 Voice AI 成本

    在正式環境使用 Voice AI 時,TTS 請求的運算、儲存及按字元計費會增加營運成本,文章以 ElevenLabs 為例,整理降低成本的做法。建議按內容需要選擇語音模型、合併請求、快取重複音訊,並監察用量及調整音訊設定。原文指出,靜態內容的快取可減少 30-50% 的 TTS 開支。

  3. ElevenLabs:Blog61

    ElevenLabs 宣佈收購日本語音 AI 研究室 Kotoba

    ElevenLabs 宣佈收購日本語音 AI 研究室 Kotoba,旨在結合雙方研究,加快 AI 智能體和語音介面在日本的發展與採用。交易預計於 2026 年第四季稍後完成,仍須取得慣常監管批准並符合交割條件。Kotoba 的語音模型 Koto 擅長日語文字轉語音、語音轉文字及用於即時傳譯的語音轉語音,Salesforce 已用它支援 Agentforce Voice 的日語對話。

  4. DoNews62

    微軟發布自研醫療語音模型 MAI-Transcribe-2

    微軟在 Ignite 2026 宣佈,Dragon Copilot Transcribe 全面啟用自研語音識別模型 MAI-Transcribe-2。模型支援 60 種語言及中英、印地語-英語混説,詞錯誤率為 5.2%,處理速度達競品的 10 倍。它目前承擔 100% 醫患對話轉寫任務,每月處理約 1000 萬次就診錄音,覆蓋全美約三分之一醫師,並提供説話人區分、詞級時間戳及多模式輸出。

  5. DEV Community40

    四篇新 AI 論文推進推理、TTS 與解碼效率

    1 月 31 日發表的四篇 AI 論文分別提出 RAPO 視覺保留方法、VoxMel 無 tokenizer 的 TTS 框架、LoopFill 推測解碼算法,以及 DominoBench 物理推理基準。RAPO 在貪婪解碼下的平均評分由 GRPO 的 27.87 提升至 31.41;VoxMel 的 0.6B 配置在 LibriSpeech 上達到 WER 1.98、SIM 0.721。

11月17日週二
  1. LiveKit 產品與工程博客56

    LiveKit Cloud API 教學:三種改善語音智能體的方法

    LiveKit 説明如何透過 LiveKit Cloud API 改善語音智能體,包括找出影響最多通話的問題、逐回合排查故障,以及發掘來電者尚未能完成的需求。API 讓編碼智能體讀取通話逐字稿、日誌、追蹤資料和錄音;LiveKit 在自家的文件助理上分析過去一週 4,321 個工作階段,整理出 8 項排序問題。

  2. CNET35

    Apple TV 4K(第 4 代,2026)評測:最適合 Apple 用戶的媒體串流播放器,其他用戶未必適合

    Apple TV 4K(第 4 代,2026)是功能強大的無廣告串流播放器,但主要適合 Apple 用戶,其他用戶未必覺得值得購買。A19 處理器據稱帶來 50% 速度提升,機身內置三個咪高峯,方便搜尋影片,但仍須用遙控器播放內容。設定及使用 Siri AI 等功能需要相容的 iPhone,售價則為 $300。

  3. SiliconANGLE45

    SuperDial 改造醫療語音智能體平台,減少 AI 智能體互相通話浪費時間

    SuperDial 改造醫療語音智能體平台,推出 Agent-to-Agent RCM 架構,減少醫療機構與保險付款方的 AI 智能體互相通話及浪費計算資源。新架構先搜尋電子數據交換資料流、API 及付款方網上入口,只有數碼渠道無法取得資料時才致電,並以解決請求而非完成通話衡量成效。

  4. CNET35

    Apple TV 4K(第 4 代,2026)評測:最適合 Apple 用戶的媒體串流播放器,其他用戶未必適合

    Apple TV 4K(第 4 代,2026)是功能強大的無廣告串流播放器,但主要適合 Apple 用戶,其他用戶未必覺得值得購買。A19 處理器據稱帶來 50% 速度提升,機身內置三個咪高峯,方便搜尋影片,但仍須用遙控器播放內容。設定及使用 Siri AI 等功能需要相容的 iPhone,售價則為 $300。

  5. UNWIRE.PRO · 人工智能46

    腦機介面、精準醫療與 AI 倫理

    Neuroscience 2026 聚焦腦機介面、精準醫療與 AI 倫理,多項研究探索把技術推向臨牀應用。加州大學戴維斯分校團隊以植入電極讀取漸凍症病人的神經訊號,再由 AI 即時轉化為語音,讓失語病人傳達語調與情感。會議亦探討腦數據私隱、性別差異、腦退化疾病早期診斷,以及 AI 研究的透明度、誠信與問責。

  6. DEV Community51

    MFCC 解説:機器如何描述人聲音色(附 Python 範例)

    文章解説 MFCC 如何把短音訊片段的頻譜包絡轉成特徵,保留音色與元音資訊,同時大致淡化音高細節。計算流程包括分幀加窗、FFT、mel 濾波器組、取對數及 DCT。在合成元音示範中,同一元音改變音高的 MFCC 距離為 59.9,改變元音則為 166.7;文章亦指出 MFCC 並非完全不受音高影響。

  7. DoNews49

    谷歌為 Gemini Live 新增 66 種地區語音

    谷歌在手機版 Gemini 應用推出 66 種地區語音,涵蓋美式英語、英式英語、印度英語、印地語、巴西葡萄牙語、印尼語和韓語等 7 類語言。英國用戶可選擇超過 10 種口音;語音適用於 Gemini Live 對話及文字轉語音播放,用戶可在設定或對話中的三點選單切換。

  8. IT之家56

    Garlic LLM 讓越獄 PS4 執行 9B 參數本地 AI 模型,程式碼生成最高每秒 43 個 token

    開源項目 Garlic LLM 讓越獄版 PlayStation 4 離線執行 9B 參數本地大語言模型,程式碼生成速度最高每秒 43 個 token。項目以千問(Qwen3.5-9B)為基礎,將模型權重壓縮為 3 位或 4 位量化格式,連同加速資料控制在約 4.5 GiB;普通文字生成速度約每秒 31 至 39 個 token。

  9. DEV Community52

    如何免用咪高峯,在 5 分鐘內把稿件轉成自然語音

    作者分享一套用瀏覽器文字轉語音將稿件製成語音的流程,一段 60 秒稿件約需 5 分鐘完成。他以 TextToSpeechLab 示範,工具提供 20 種語言、40+ 種聲線,並可即時試聽及下載。流程包括試聽兩至三種聲線、在適當位置加入停頓、朗讀校稿,以及用手機檢查匯出的音訊。

  10. DEV Community28

    構建由 AWS 驅動的自主車輛:自我學習 AI、語音智能體與預測式駕駛

    文章提出以 AWS 構建自主移動智能平台,結合車端感知與本地安全控制,以及雲端數據分析、模型訓練和受控更新。語音智能體方案採用 Amazon Bedrock、Amazon Nova 2.5 Sonic 和 Strands Agents SDK。雲端 AI 智能體不可不受限制地控制轉向、制動或加速,安全關鍵駕駛決策須由經獨立驗證的車載系統負責。

  11. DEV Community35

    出版商如何使用 AI 語音製作有聲書

    出版商使用 AI 語音製作有聲書,並透過 TTS API 將文字合成音訊,以降低傳統配音製作的成本和時間。文章以 ElevenLabs 示範 Python 合成流程,並介紹語音複製、並行請求、音訊後期處理及自動化品質檢查。ElevenLabs 語音複製可用 30 分鐘錄音建立自訂語音,價格為每 1,000 個字元 $0.02。