跳到正文
11月13日週五
  1. DEV Community52

    CutVoke 為何不讓本地 Whisper 字幕直接寫入專案

    CutVoke 以本地 faster-whisper 產生字幕草稿,不直接修改專案;人工或 Agent 校對確認後,字幕才會作為一個可撤銷批次提交。草稿會綁定來源簽名,片段或來源檔案有變更時便拒絕提交,避免舊時間戳寫入時間軸。任務和校對草稿存於與專案共用的 SQLite 資料庫,關閉應用程式後仍會保留;辨識結果仍需人工核對,尤其是人名、方言及音樂較多的音訊。

  2. 新浪科技53

    騰訊混元發布即時語音模型 Hy Realtime

    騰訊混元於11月13日發布即時語音模型 Hy Realtime,提升語音理解、指令遵循和擬人化表達能力,並新增智能體工具調用與唱歌能力。模型目前已在元寶語音通話、騰訊客服上線,近期將登陸騰訊雲並對外提供 API 服務。下一階段將重點提升雙工互動、長期個人化記憶及前後台 Agent 互動能力。

  3. 新浪科技61

    騰訊混元發佈 Hy Realtime 即時語音模型,新增智能體工具調用和唱歌能力

    騰訊混元正式發佈即時語音模型 Hy Realtime,提升語音理解、指令遵循及擬人化表達能力,並新增智能體工具調用和唱歌能力。模型已在騰訊元寶語音通話及騰訊客服上線,近期將登陸騰訊雲,向開發者和企業客戶提供 API。下一階段將重點提升雙工互動、長期個性化記憶及前後台 Agent 互動能力。

  4. IT之家65

    騰訊混元發佈即時語音模型 Hy Realtime,新增工具調用與唱歌能力並已在元寶語音通話、騰訊客服上線

    騰訊混元發佈即時語音模型 Hy Realtime,新增智能體工具調用和唱歌能力,並已在元寶語音通話、騰訊客服等產品上線。模型可結合上下文理解不完整或經修改的語音意圖,並判斷是否調用網絡搜尋;近期也將上線騰訊雲並提供 API 服務。

  5. 第一財經53

    騰訊混元發佈全新即時語音模型 Hy Realtime

    騰訊混元於11月13日發佈全新即時語音模型 Hy Realtime,新增 Agentic 工具調用與唱歌能力。模型在語音理解、指令遵循及擬人化表達等基礎對話能力上表現優異。Hy Realtime 已在元寶語音通話、騰訊客服等產品上線,近期亦將上線騰訊雲並提供 API 服務。

  6. HuggingFace Daily Papers(社區熱門論文)47

    eDIAR:透過 e-means 實現免訓練的開放説話者串流分段,適用於長會議和大型檔案庫

    eDIAR 以 e-means 在所有説話者槽位用盡後再聚類嵌入向量,無需重新訓練即可解除串流説話者分段的固定人數上限。在長達一小時的會議中,它比 Streaming Sortformer 更準確,而且每次更新的成本不隨會議長度增加;e-means 亦以快數倍的速度達到 Lloyd's k-means 的聚類品質。

  7. DEV Community39

    AvatarSay:一次性付費 AI 説話角色生成器的構建與基準測試(不設訂閲,僅限虛構角色)

    AvatarSay 開發者構建文字生成虛構角色的説話角色工具,並對多款可免費試用或一次性付費的瀏覽器工具進行並排測試。AvatarSay 一次性付費點數包由 $9.90 起且永不過期;測試中的 3 秒影片需時 3 分 32 秒,6 秒影片則需時 12 分 23 秒。工具不接受照片上載,並將免費片段文字上限設為 75 個字符。

11月12日週四
  1. 新浪科技42

    iOS 微信再更新,低調上線全新介面

    iOS 微信消息列表頂部的搜尋框新增按住找人發訊息功能,用戶説出好友及訊息內容後,微信會跳轉至該好友的對話框,並以文字形式發送訊息。此功能仍在灰度測試中,只有部分用戶可以體驗。

  2. Unite.AI60

    NiCE 發佈 Cognigy 新一代平台,加入企業 AI 智能體開發與治理功能

    NiCE 宣佈推出 Cognigy 平台新一代版本,新增 AI 輔助開發、可重用技能、決策追蹤及原生語音對語音互動。平台可透過 MCP 和 A2A 連接外部智能體及企業系統,並結合自主智能體、結構化工作流程與確定性邏輯,提供模擬評估、執行追蹤和審計記錄。預設 AI 模型費用已包括在對話價格中,客戶可按用量加入高級第三方模型或沿用自有模型合約;現有生產部署維持不變,客戶可按準備情況採用新功能。

  3. DEV Community39

    RecToText:免費瀏覽器音訊及影片轉錄工具

    RecToText 是免費的線上工具,可在瀏覽器內將 MP3、MP4、WAV、M4A 或 MOV 錄音轉為文字稿或字幕檔,無需安裝或帳戶。工具支援 99+ 種語言的自動語音識別,並為文字稿加入時間戳記,可匯出 TXT 或 SRT。免費方案每天可轉錄 2 次,檔案上限為 25MB 或 10 分鐘。

  4. IT之家61

    科大訊飛星火語音基座大模型 SparkAudio 1.0 上線 API 服務,支援 99 種語言、202 種方言

    科大訊飛已在訊飛開放平台為星火語音基座大模型 SparkAudio 1.0 上線 API 服務,開發者可直接接入調用。模型支援文字及語音輸入、文字輸出,涵蓋語音轉寫、多語言翻譯、多方言識別、環境音理解、説話人分離、情感分析及音訊問答,並支援 99 種語言和 202 種方言。

  5. CNET47

    Hasbro以AI讓角色栩栩如生,但設有界限

    Hasbro旗下AI業務 Sixth Wall 正以 Character.OS 讓授權角色參與AI互動,並按角色的世界觀、個性及安全要求設定限制。平台現以純音訊互動為起點,語音演員會為角色錄製專屬表演,並因錄音及持續使用其權利獲得報酬;Sixth Wall亦希望擴展角色授權名單,並加入視覺化身。

  6. DEV Community51

    由提示詞到説唱段落:AI 説唱生成器實際涉及哪些環節

    RapVid AI 根據數週測試 prompt-to-rap 工具的經驗整理生成方法,指出應先設定速度、節拍感和每小節音節數,再處理歌詞。提示詞可指定曲風、節奏密度、押韻格式及 Hook 的行數和重複詞等限制。文章建議依次檢查節奏貼合度、換氣、子音清晰度和即興襯句,並以同一速度生成三段短版本,再拼合各段最佳四小節。

  7. 阿里雲開發者社區 AI41

    電銷與回訪利器:高轉化率智能外呼產品的選型邏輯與 AI 語音機械人落地要點

    2026年中國智能外呼市場規模已突破186億元,規模以上企業的系統滲透率達63.5%,選型重點由撥號並發能力轉向意圖理解、執行閉環、人機銜接與合規。瓴羊 Quick Service 的 AI Agent 可對接 ERP、WMS、CRM 等系統;汽車場景的線索處理時間縮短50%、轉化率提升約20%。電銷與回訪可共用平台和知識庫,但對話流程、意向判定及人工介入策略須分開配置。

  8. 阿里雲開發者社區 AI39

    雲邊協同智能呼叫中心架構設計:解決傳統 PBX 與雲原生系統的整合難題

    該智能呼叫中心架構透過邊緣網關轉換協議、本地離線 ASR 推理及雲端大模型編排,銜接傳統 PBX 與雲原生系統。本地流式 ASR 的首字延遲可控制在 200ms 內,並只傳輸文本,以降低延遲及合規風險。某公共服務企業的案例中,AI 自助服務率提升至 80% 以上。

  9. DEV Community66

    自建語音轉文字伺服器:比打字快,音訊留在本地網絡

    作者以辦公室桌面 PC 的 GPU、whisper.cpp、n8n 和 nginx,自建供多部裝置使用的語音轉文字 API。四部裝置可透過認證入口共用服務,音訊不離開其網絡;短句轉錄通常不到一秒,完整請求約需 2 秒。文章亦整理 CUDA 工具鏈、網絡綁定位址、n8n 音訊保留及 nginx 設定等部署陷阱。