Bland 推出面向通話的全雙工語音轉語音模型 Tofu-1
Bland 推出面向電話通話的全雙工語音轉語音模型 Tofu-1,目前以研究預覽版形式提供。模型直接聆聽音訊,並可在説話時聆聽及推理,無須經過文字轉錄;用戶可在通話中打斷或更正它。研究預覽版只向有限數量的企業開放。
Bland 推出面向電話通話的全雙工語音轉語音模型 Tofu-1,目前以研究預覽版形式提供。模型直接聆聽音訊,並可在説話時聆聽及推理,無須經過文字轉錄;用戶可在通話中打斷或更正它。研究預覽版只向有限數量的企業開放。
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。
Apple 推出 HomePod mini 2,外觀延續上代設計,價格由第一代首發的 749 元升至 1099 元。新款採用 S10 芯片,低頻表現令人驚喜,並支援 Wi-Fi 6E、藍牙 6.0 和 Mac 預設音訊輸出,但後者目前有連線問題。它可作為 Apple 智能家居的家庭中樞,較適合深度使用 Apple 生態的用戶。
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。
鄭州日產 27 款鋒坦 Frontier Pro PHEV 於珠海全球首秀,搭載 2.0T 插混專用發動機及採埃孚第四代 8HP 混動變速箱。新車系統綜合功率 300kW、峯值扭矩 800N·m,CLTC 純電續航 135km,並配備智能四驅、前後橋差速鎖及 13 種全地形模式。
Whisper-Diarization 結合 OpenAI 的 Whisper Large v3 Turbo 與 Pyannote 3.3.1,可轉錄音訊並標示各説話者及詞語、句子時間戳。
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。
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。
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。
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。
VoxMel 提出一種無 tokenizer 的自回歸 TTS 框架,透過可逆的雙軸 Haar 變換拆分 mel 頻譜圖,生成 Coarse-Mel 及殘差層。
利用 ElevenLabs 的 API 調整音高、語速、韻律及停頓,可令 TTS 語音更自然。文章亦示範以 5-10 秒語音樣本建立克隆語音,並提出按內容調整語音設定及在目標裝置測試。
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。
作者在 Apple Watch Series 12 和 Apple Watch Ultra 4 的 WatchOS 27.3 公開測試版上實測 Audio Intelligence 兩週,發現 Siri Recap 在會議中可提供摘要,但可能記錯內容或合併無關對話;Live Rewind 只轉錄最近 15 秒的音訊,容易因反應不及而錯過內容。
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。
HUAWEI WATCH Ultimate 2 支援北斗衞星語音訊息,單次最長 10 秒,讓用戶在沒有地面網絡時傳送語音。功能只適用於中國大陸銷售版本及中國大陸地區,須在空曠無遮蔽處使用;首次使用前需在有地面網絡的環境下透過手錶暢連應用啟動。
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。
STIR/SHAKEN 是 IP 電話網絡的來電顯示認證框架:始發電訊商以數碼憑證為來電號碼簽署,接收方再驗證簽名。A、B、C 級代表電訊商對客戶及號碼的瞭解程度,不代表來電安全,也不會阻截電話。美國一項大型樣本顯示,2026 年 9 月約 54.5% 的來電帶有簽名。
極狐貝塔 T1 換電版在國內上市,終端零售價由 5.20 萬元起,530 Pro 換電版售 5.20 萬元,530 MAX 換電版售 6.00 萬元。新車搭載寧德時代 54 度巧克力換電電池,CLTC 續航 530km,支援 99 秒換電。電池月租有 399 元和 599 元兩檔,分別提供每月 5000 公里額度和不限月里程額度。
CDPR 確認,《巫師 3:狂獵》新劇情擴展包《Songs of the Past》中,傑洛特的波蘭語配音將經 Respeecher 的 AI 語音轉換,調整至接近早期作品的聲線。
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。
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。
ElevenLabs 在開發者 TTS 比較中更適合快速原型,主打較自然的語音、即時語音克隆及簡潔 API。兩者均支援 30+ 種語言;ElevenLabs 提供 300+ 種聲音,Amazon Polly 則有 200+ 種,並較適合需要 AWS 整合、大規模生成或合規認證的應用。
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。
Apple 已推送 tvOS 27.2.1,為第二代及第三代 Apple TV 4K 加入 Siri AI 支援,用戶無須更換新款硬件即可獲得語音助理升級。HomePod Software 27.2.1 僅提供錯誤修復,沒有加入 Siri AI。
DeepSeek 發佈全套應用 API,向開發者開放 DeepSeek App 的搜尋、檔案處理、連結閲讀及語音等互動能力。V4.1-Flash(deepseek-flash)已在 Messages、Responses 與 Chat Completions 介面支援多項功能,Search、Fetch、OCR、ASR、TTS 等底層能力亦可獨立呼叫。
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。
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。
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。
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。
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。
《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」。
Baseten 推出 Baseten Voice Agent Stack,並推出建基於該平台的 Baseten Realtime Voice,供團隊部署及管理可自訂的生產級語音智能體。
ElevenLabs 本週推出實驗性應用程式 ElevenAI,結合會議記錄、聽寫及智能體整合,定位為團隊使用的工具。ElevenAI 目前仍處於預覽階段,需申請搶先體驗;聽寫功能支援超過 90 種語言,可在任何應用程式中將語音轉成整理後的文字。
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。
DeepSeek 開放全家桶應用 API,讓開發者可接入深度思考搜尋、文件輸入及語音等能力,實現與 DeepSeek App 基本一致的功能。
DeepSeek 開放全套應用 API,將 DeepSeek App 的多項互動功能整合至原有 API,開發者可在自家應用中復刻完整 App。
推薦理由:本次更新把搜尋、文件處理、網頁擷取及語音能力接入既有 API,並列出獨立介面和調用費用,方便開發者評估功能組合與成本。
DeepSeek 向開發者開放應用 API 能力,現有 API 啟用相應參數後即可提供網頁搜尋、檔案輸入及網址讀取等對話功能,工具調用和上下文組裝由服務處理。deepseek-flash 支援 Messages、Responses 和 Chat Completions API,另有 Search and Fetch、OCR、ASR 和 TTS 獨立 API。
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。
Bridget Carey 實測 Apple Watch 上 Siri Recap 的早期測試版,探討這項 Audio Intelligence 工具如何聆聽周遭對話並整理成重點。測試涵蓋排程、私隱、耳機、視像通話及日常對話等情境,並分享實際使用感受。