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。
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。
騰訊混元發佈實時語音模型 Hy Realtime,具備語音理解、指令遵循、擬人化表達、Agentic 工具調用及唱歌能力。模型已在元寶語音通話和騰訊客服上線,近期將登陸騰訊雲並提供 API;用戶亦可透過最新版元寶 App 選用「初語」音色,或在網頁 Demo 體驗部分能力。
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。
Load Bearing Empire 以 Supabase 和 VAPI 構建 QHV 多智能體語音指揮中心,可同時處理 8 個 AI 智能體,涵蓋代客泊車、拆卸、資本及信用修復業務。
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。
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。
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。
Meta 為 Muse 推出外撥通話功能,供美國付費訂戶使用。Gemini 和初創公司 Instinct 亦提供類似選項。
ElevenLabs 在 11 月 11 日的紐約峯會公佈 13 項新產品及更新,作者認為其中 3 項已上線或開放早期體驗,值得語音智能體開發者優先留意。
Google 於 2026 年 11 月 12 日開源 XSE(XLA Serving Engine),支援 Search、Ads 和 YouTube Shorts 生產環境每秒 600 萬次查詢。
miragea-audiobook 透過 Miragea API,將 EPUB、Markdown 或文字檔轉成以克隆聲線朗讀、附有章節標記的 M4B 有聲書,無需 GPU。
比亞迪第三代唐正式開啟預售,預售價為22.5萬元至26萬元,定位大五座旗艦SUV。車型搭載第二代刀片電池與閃充技術,後驅版CLTC純電續航最高850km,四驅版為770km。全系採用五座佈局,並標配11個安全氣囊及天神之眼 B 輔助駕駛激光版。
這篇教學示範如何使用 ElevenLabs 的 TTS API 建立 Podcast 開場白生成器,將節目名稱、單集標題及主題等資料套入腳本,生成語音檔。流程亦涵蓋以 Python 建立腳本、加入 0.5 秒淡入淡出效果,以及整合成 CLI 工具。
Microsoft 發佈七款自研 MAI 模型,涵蓋推理、編碼、圖像生成、語音轉錄及語音生成。MAI-Code-1-Flash 已整合 GitHub Copilot 和 Visual Studio Code。
Liquid AI 發佈 LiquidCodec,這是一款約 74M 參數的串流語音 codec,可將 24 kHz 語音編碼為語言模型可預測的 token,再解碼還原音訊。
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。
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。
Fish Audio S2 Pro 可透過 Murmur 的 MLX 版本在 macOS 15 或更新版本的 Apple Silicon 與 Intel Mac 本機執行;Fish Speech 官方安裝文件的目標環境則是 Linux 或 WSL。
文章整理在 Mac 上用 Python 實現文字轉語音的四種做法:使用 macOS say、pyttsx3、本地神經網絡模型,或透過 subprocess 呼叫 Murmur CLI。
Aqib指出,語音智能體即使整體 WER 約為 1%,仍可能辨錯密碼等關鍵欄位,因此應另行評分其實際採用的數字、姓名、日期和代碼。
Quiq 宣佈其 Voice AI agent 已在 Zoom App Marketplace 上架,並整合至 Zoom Contact Center,讓企業自動處理例行服務電話,並可在需要時轉交由人工客服跟進。
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。
Google 與 Samsung 合作的 Intelligent Eyewear 將於 12 月 10 日推出,Warby Parker 和 Gentle Monster 款式起價分別為 $395 和 $449。
ElevenLabs 推出 Scribe v3 和 Scribe v3 Live,後者結合對話語境與音訊訊號判斷説話者是否已完成發言,以免語音智能體在來電者短暫停頓時打斷對方。
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。
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。
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。
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。
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。
CD Projekt Red 團隊在《The Witcher 3》新擴充內容《Songs of the Past》中使用 AI,找回 Geralt 原有的波蘭語聲線。配音員 Jacek Rozenek 的聲音在 2019 年中風後有所改變,他已同意這項做法。
任天堂宣佈《皮克敏 4:Switch 2 版》正式上市,港服 eShop 定價 379 港幣。遊戲新增「大家來挑戰 當多慮學院」模式,玩家可用語音指令與歐奇對話及指揮牠行動,並在限時內完成尋寶任務。模式設有三種難度,逢星期五、六、日開放周挑戰。
教學説明如何以 Whisper 或 Whisper.cpp,在本地 GPU 工作站架設自託管語音轉文字伺服器,處理即時音訊串流。伺服器可達低於一秒的轉錄延遲,音訊不會離開本地網絡,亦不設使用速率限制。Windows、macOS、iOS 及 Android 裝置均可連接同一後端。
Chariot 發佈 Chariot-1-TTS-Multilingual,支援 11 種印度語言及英語,提供超過 50 種聲線、句內兩種支援語言混讀,以及用數秒參考音訊複製聲線。
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。
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。
阿里雲「一鍵創作 AI 有聲繪本」方案以 CAP、百煉和 OSS 串連文案、插畫、配音、字幕及影片合成,輸入故事即可生成完整的有聲繪本影片。方案支援定製插畫風格與配音音色、單頁重新生成及批量產出,並可消耗試用點體驗。
阿里雲 AI 即時互動方案將語音識別、多模態大模型、語音合成及 ARTC 即時通訊整合為工作流,讓用戶透過音影片通話與 AI 智能體即時互動。方案支援拖曳編排工作流及一鍵部署 Web 應用,平均通話成本約 0.1 元/分鐘;完整跑一次教程不到 1 元。
文章提出以阿里雲 AI 服務構建基層衞生語音隨訪系統,透過自動外呼、即時語音互動及生成結構化隨訪記錄,協助提升隨訪效率與規範性。方案採用 DashScope 的 Paraformer、qwen-plus 和 CosyVoice,並以函數計算、RDS 及 OSS 處理對話邏輯和資料儲存。
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。
Fish Audio 於 2026 年 11 月 10 日推出面向智能體的全雙工語音模型 Live 3,稱模型最短可在 186 ms 內決定輸出簡短反應;模型發佈時只支援英文,可透過其智能體平台、API 及企業本地部署使用。