跳到正文
11月15日週日
  1. DEV Community48

    Outloud Reader 朗讀畫面的構建:短語高亮、可點按文字與可移動手指的長按手勢

    Outloud Reader 的朗讀畫面以短語而非逐字高亮,並把每個詞設為獨立可點按的 SwiftUI 視圖,讓用戶點選詞語跳轉音訊。日文、中文及泰文透過 Foundation 的 ICU 詞界識別處理;「只聆聽」模式則在捲動視圖上方設置長按手勢,讓用戶按住時即使手指移動,文字仍會顯示。

  2. DEV Community45

    Slyber SFU Server:用於通話、網絡研討會及 AI 機械人的 WebRTC 媒體路由器

    Slyber SFU Server 是以 Go 和 Pion WebRTC v4 開發的即時媒體路由伺服器,可轉送音訊、影片及數據,支援羣組視像會議、一對一通話、直播及 AI 智能體語音對話。伺服器以單一 4443 端口承載 UDP 和 TCP 媒體流量,並內置 /ai/ws WebSocket 閘道;單一伺服器節點最多可同時處理 5,000 個活躍房間。

  3. DEV Community28

    ElevenLabs + React:構建語音功能介面

    文章示範如何將 ElevenLabs 接入 React 前端,建立文字轉語音介面,並涵蓋語音複製及結合 OpenAI GPT‑4 或其他 LLM 生成語音回應。範例使用 Vite 和 TypeScript,讓用戶輸入文字後合成並播放音訊。作者提醒,正式環境應透過後端代理處理 API 呼叫,語音複製資料亦須妥善保護。

  4. DEV Community34

    使用文字轉語音 API 時常見的 7 個錯誤

    使用文字轉語音 API 時,常見錯誤包括忽略聲線與風格設定、超出請求配額、未妥善編碼文字、選錯音訊格式,以及沒有使用 SSML。文章以 ElevenLabs 為例,説明如何保護 API 金鑰、監察延遲與錯誤,並透過快取、背景佇列和明確指定格式等做法提升整合的可靠性。

  5. DEV Community25

    ElevenLabs 與 Murf.ai(2026)比較:生成式語音 AI 突破與錄音室旁白製作

    ElevenLabs 與 Murf.ai 面向不同語音製作需求:前者以生成式語音合成及即時 API 為主,後者則以時間軸編輯器支援工作室式旁白製作。文章指出,ElevenLabs 的 WebSocket 串流延遲低於 300ms,克隆語音可用於超過 29 種語言。Murf.ai 提供多軌時間軸編輯及商用授權語音,適合企業影片配音、在地化教學內容和簡報製作。

  6. DEV Community46

    內容創作者如何用 ElevenLabs 擴大影片製作規模

    內容創作者可用 ElevenLabs 的 TTS API 和語音複製自動化旁白製作,再將音訊合併至影片,以擴大影片製作規模。文章提供以 Python 和 ffmpeg 串接流程的方法,指出每段影片的製作時間可由傳統流程常見的 2–4 小時縮短至 30–90 分鐘。ElevenLabs 每次請求最多支援 10 k 個字元,亦可透過快取、批次請求及平行處理擴展流程。

  7. DEV Community67

    語音 AI 智能體如何為高風險操作設計確認流程

    作者提出語音 AI 智能體處理高風險操作的確認設計,建議按工具風險分級,並讓破壞性操作必須通過程式確認閘。音訊清理可減少背景語音幹擾,但不應單靠它保障破壞性操作;確認時可要求來電者覆述指定數字或按電話鍵盤。程式閘應在伺服器端核對待處理操作、有效時間、回答開始時間、STT 信心度及説話者資訊,並以第二個聲音插入 yes 的測試檢查破壞性工具是否執行。

  8. DEV Community62

    如何在瀏覽器中用 Whisper 將音訊轉成 SRT 字幕,無須上傳或伺服器

    這篇教學示範如何用 Transformers.js 在瀏覽器內執行 Whisper,將音訊轉成 SRT/VTT 字幕;音訊不會離開訪客電腦,無須伺服器或 API key。實作以 Web Worker 執行辨識,優先使用 WebGPU、回退至 WASM,並以 90 秒區塊處理長音訊。作者提醒須指定語言,模型首次下載需時;瀏覽器方案亦受訪客硬件限制,不適合批次工作或後端流程。

11月14日週六
  1. DEV Community49

    影片翻譯:三種重要輸出

    影片翻譯應以同一份轉錄稿產生字幕、配音音訊和加字幕影片,避免不同流程造成內容不一致。文章建議只執行一次 ASR 和翻譯,再輸出 SRT、MP3 配音及 MP4 加字幕影片。LinguaReel 支援 12+ 種語言,免費試用涵蓋 60 秒及 100 MB,無需帳戶。

  2. 阿里雲開發者社區 AI78

    DeepSeek 開放全套應用 API,涵蓋搜尋、文件、OCR 與語音功能

    DeepSeek 開放全套應用 API,新增對話內置聯網工具、文件輸入、OCR、語音及安全審核,並可接入搜尋和閲讀連結能力。作者實測中,搜尋及網頁抓取各收費 5 元/1,000 次;與 Firecrawl 比較,DeepSeek 搜尋速度約快 10 倍,但網頁抓取不支援 JS 渲染。

    推薦理由:作者實測 DeepSeek 的搜尋、文件與語音 API,並以 Firecrawl 比較搜尋和抓取,呈現整合成本與功能限制,方便按使用場景作取捨。

  3. 新浪科技48

    微信公眾號留言語音功能大面積覆蓋

    微信在公眾號文章留言區新增語音功能,用戶可按住説話,將語音轉成文字或直接發送原語音。該功能此前在 iOS 灰度測試,目前應該已大面積覆蓋,安卓版微信也支持;語音留言可供其他讀者收聽,也可以轉成文字。

  4. DEV Community35

    2026 年語音 AI 開發入門

    文章整理語音 AI 應用的核心組件與開發流程,涵蓋語音轉文字、文字轉語音、語音複製、後端邏輯及語音介面。示例以 Whisper 和 Google Cloud Speech-to-Text 辨識語音,再用 ElevenLabs 合成語音,並示範錄製 5 秒音訊的迷你語音助理。ElevenLabs 可用 30 秒錄音建立新聲音。

  5. DEV Community35

    讓 AI 語音輸出聽起來自然的 10 個技巧

    這份指南整理 10 項讓 AI 語音輸出更自然的技巧,涵蓋選擇語音模型、整理文字標點、使用 SSML、調整語速和音高,以及加入停頓和輕微音效。指南亦建議在不同裝置測試、留意串流延遲,並根據用戶回饋調整;文中附有 ElevenLabs API 的 Python 範例。

  6. DEV Community56

    VoiceDash 保留通話紀錄,智能體設定多數仍由供應商掌握

    VoiceDash 作者審查自家語音智能體入口的可攜性,發現通話紀錄及正規化文字稿可保留,但智能體大部分設定與工具仍由供應商掌握。審查發現同步路由未檢查供應商錯誤回應,可能令本地提示詞與線上配置不一致;目前只有 Retell webhook 會觸發通話分析。作者建議保存工具定義、正規化結束原因並把錄音複製至自有儲存空間,以減少遷移時對原供應商的依賴。

  7. DEV Community40

    新聞機構如何運用 AI 語音報道突發新聞

    新聞機構運用 AI 語音,將突發新聞文字更新轉成音訊,並可自動發佈至文章、Podcast 或流動應用程式,縮短音訊製作時間。文章介紹神經 TTS、聲音複製及即時串流 API,並以 ElevenLabs API 示範生成新聞音訊。新聞室應披露音訊由 AI 生成、保護複製聲音資料,並在合成前核實內容。

  8. DEV Community36

    如何測試及 QA AI 生成語音內容

    這份指南提供測試及 QA AI 生成語音內容的實用流程,涵蓋測試框架、功能與非功能測試、自動化檢查及人工評估。指南以 ElevenLabs 示範語音合成和音訊檢查,並建議在 CI/CD 中執行測試;人工評分低於 MOS 3.5 的樣本可重新生成或微調模型。

  9. AWS Machine Learning Blog57

    AssemblyAI 如何利用 Amazon EC2 Spot 降低語音轉文字推理成本

    AssemblyAI 以 Amazon EC2 Spot Instances 執行語音轉文字推理,運算成本較 On-Demand 定價節省 70%。架構混合 Spot 與 On-Demand 執行個體,分散使用 g4dn、g5、g6 GPU 機型,並以 Amazon SQS 重試處理中斷,以維持 SLA。平台運算需求按年增長近 4 倍,該架構仍維持可持續的單位經濟效益。

  10. 科技日報24

    《青海鳥類聲紋識別圖冊》發布

    《青海鳥類聲紋識別圖冊》在青海省自然教育發展大會上正式發布,是青海首部「聽聲識鳥」科普手冊。青海省國家公園科研監測評估中心與中國科學院西北高原生物研究所於5月啟動生物多樣性監測項目,採用全天候自動聲紋採集技術,為動物建立「聲音身份證」。

11月13日週五
  1. 新浪科技76

    DeepSeek 開放全套應用 API,開發者可 1:1 複刻 DeepSeek App

    DeepSeek 正式開放全套應用 API,開發者可透過原有 API 接入深度思考搜尋、文件輸入及閲讀連結等對話功能,並單獨或組合調用語音及底層能力。

    推薦理由:此次更新把 DeepSeek App 的搜尋、文件輸入及連結閲讀等互動能力接入既有 API,並列出獨立介面與工具收費,便於評估自有應用的接入範圍和成本。

  2. Engadget49

    Apple HomeView 為何如此依賴 iPhone

    Apple HomeView 透過鏡像 iPhone 或 iPad 上已安裝的兼容 App 提供功能,並把個人資料留在配對裝置上,以兼顧個人化與私隱。要在 HomeView 顯示訊息或日曆等個人內容,用戶須通過面容識別,並讓最近解鎖的 iPhone 或 iPad 留在附近;未獲識別的用戶只能執行基本操作。HomeView 採用語音優先、觸控其次的設計,沒有實體按鈕。