跳到正文
11月12日週四
  1. DEV Community40

    如何建立互動式音訊故事生成器

    這篇教學示範如何用 Python、FastAPI 和 ElevenLabs 的 TTS API 建立互動式音訊故事生成器,將故事文字合成語音並傳回瀏覽器播放。前端以 JavaScript 根據用戶選擇切換故事分支,也可選用 ElevenLabs 的語音克隆功能,為角色建立自訂聲線。

  2. TechPowerUp67

    CD Projekt Red 用 AI 還原《The Witcher 3: Songs of the Past》波蘭語版傑洛特聲線

    CD Projekt Red 將以 Respeecher 的 AI 聲音模型處理 Jacek Rozenek 為《The Witcher 3: Songs of the Past》錄製的新台詞,令波蘭語傑洛特的聲線貼近舊作演出。Rozenek 親自演繹每句新台詞,模型以他為《The Witcher 3》錄製的原始語音訓練,並經他同意使用。這款付費擴充內容預定於 2027 年推出。

  3. DEV Community55

    分塊大小左右 33 分鐘有聲書能否交付

    作者將一份 1,023,437-byte 網頁轉成有聲書稿件,發現一次送入 34,806 字元及按 2,400 字元分塊均出現問題,按句切成少於 1,100 字元的方案則產生 35 段音訊。交付前,作者以分段檔案大小、ffprobe 時長和尾段 RMS 檢查完整性,最後選用 Edge neural 的 Andrew 聲線版本,總長 2,209.85 秒,而非 Phonon S 本地版本。

  4. IT之家70

    Apple CarPlay 接入 Google Gemini,支援車內語音對話

    Google 宣佈 Gemini 即日起逐步接入 Apple CarPlay,全球 iOS 用戶可在車載螢幕透過 Gemini Live 進行免提語音對話。功能覆蓋 Gemini Live 已支援的全部語言,對話記錄會同步至 iPhone 上的 Gemini 應用。Gemini 亦可連接 Gmail、Google 日曆,協助查看行程、整理未讀電郵及摘要冗長的電郵討論。

  5. DEV Community37

    如何建構語音控制的技術文件閲讀器

    教學示範如何用 Python、Flask、JavaScript 和 ElevenLabs TTS 建構語音控制的技術文件閲讀器,支援解析 Markdown/HTML 文件、語音播放及以語音指令切換章節。讀者亦可用 1-minute 錄音建立克隆聲音,並將原型擴展至多語言支援、離線 TTS 和 IDE 擴充功能。

  6. 字節 Seed:Research Feed73

    SeedRealtime 發佈音影片全雙工大模型,邁向全模態自然互動

    字節 Seed 正式推出 SeedRealtime 原生音影片全雙工大模型,將音訊、影片與文字整合於統一架構,並支援連續多模態資訊流即時互動。它可進行音影片聯合理解、主動介入及對話節奏判斷;端到端人工評測顯示,相較級聯模型,音影片對話節奏問題減少一半。SeedRealtime 已在豆包 App 全量上線,更新至最新版本後,可在對話框選擇「打電話」進入影片通話體驗。

  7. TNW59

    ElevenLabs 宣佈協助企業微調模型,並開放 ElevenAI 早期使用

    ElevenLabs 宣佈將協助企業以客戶對話資料微調 AI 模型,並開放會議記錄應用程式 ElevenAI 早期使用。公司預告 ElevenAgents 平台的 Memory 和 Routines 功能,分別可記住回訪客戶偏好及處理後續工作。ElevenLabs 亦推出合作夥伴計劃及應用市場,並擴大與 Nvidia 的合作,新增 15 MW 運算能力;合作夥伴開發的應用程式將於明年起供企業購買。

  8. Unite.AI48

    Helix 為裝置端語音驗證籌得 620 萬美元種子前融資

    Helix 籌得 $6.2 million 種子前融資,並推出裝置端語音驗證平台。平台可透過四個口述數字,在不到四秒內確認真人、估算年齡及進行生物特徵驗證;原始音訊會即時丟棄,年齡估算在裝置上完成。Helix 稱其 18+ 年齡門檻準確率為 96.8%,合成語音偵測可識別最新語音引擎生成的 99.6% AI 語音。

  9. Unite.AI49

    Decagon 推出 Alto,掌控語音智能體對話

    Decagon 推出 Decagon Labs 模型 Alto,負責控制雙向語音智能體的對話層,決定何時發言及説甚麼。Decagon 表示,Alto 在實際客戶通話中令問題解決率提升超過五個百分點,平均回應時間約 700 毫秒。模型推出前曾以超過 90 million 次模擬通話進行測試,並在實際流量中以影子模式評估。

11月11日週三
  1. DEV Community60

    如何把筆記改寫成雙主持人腳本,再用 Murmur 製作 Podcast

    教程示範如何把筆記改寫成雙主持人對話,再用 Murmur Projects 為兩位主持人分配語音、生成並匯出 Podcast;腳本須由用戶撰寫,Murmur 不會摘要筆記或代寫。語音在 macOS 15 或更新版本的 Mac 上本地生成,可匯出 WAV、M4A、文字逐字稿及標記時間 CSV。Projects 是 Pro 功能,完整授權為 $49 一次性付款,並設有 7 天退款政策。

  2. The Decoder64

    DeepL 的 Aure 模型讓即時翻譯保留語氣與情緒變化

    DeepL 推出 Aure 語音模型,讓 DeepL Voice 即時翻譯把原説話者的語氣、情緒、強調方式和語速帶入目標語言。Aure 會在對話進行時持續分析譯文和原始音訊。模型推出時支援英語、德語、西班牙語、法語、意大利語、日語、葡萄牙語和韓語,並自動用於 DeepL Voice for Online Meetings、In-Person Conversations 及 DeepL API。

  3. IT之家53

    DeepL 推出語音 AI 翻譯模型 Aure,實時重現説話者的語氣與情緒變化

    DeepL 推出語音 AI 翻譯模型 Aure,稱其是迄今最具動態感、表現最逼真的語音 AI 模型,能在即時翻譯中重現説話者的語氣、情緒、重音及語速變化。Aure 已支援 DeepL Voice 網頁會議版、DeepL Voice 面對面交談版及 DeepL 語音 API,首發支援英語、德語、西班牙語、法語、意大利語、日語、葡萄牙語及韓語。

  4. DEV Community49

    頻譜圖詳解:如何閲讀及自行製作(附 Python 範例)

    頻譜圖以時間、頻率和能量呈現聲音,文章解釋其座標含義、短時傅裏葉變換(STFT)的計算方式,以及時間細節與頻率細節之間的取捨。文中提供 Python 範例,使用 SciPy 分析先後為 440 Hz 和 880 Hz 的訊號,並介紹如何從實際錄音的頻譜圖辨認電流聲、噪音、齒音和混響。

  5. DEV Community40

    有用的人聲分離音軌,不是卡拉 OK 伴奏

    人聲分離的初步用途,是判斷歌手錶現、音準和節奏是否合適,而不是製作乾淨無殘響、無呼吸聲的卡拉 OK 式人聲。實際處理時,先將混音檔調整至平穩峯值,分離後與原檔對比;如結果可用,再以較温和的方式處理,保留更多伴奏和空間感,並檢查單聲道效果。

  6. 阿里雲開發者社區 AI32

    合規前提下的智能外呼產品推薦與線路資源搭配方案

    瓴羊Quick Service提供智能外呼的對話、風控與結果迴流能力,但不直接提供通信線路,需接入客戶自備或合作渠道的合規線路。文章比較回撥、AXB、SIP虛擬號、運營商直連和電銷卡,建議高頻篩選以回撥為主、通知回訪以直連為輔,區域及預算敏感場景可採用AXB。合規設計還須涵蓋呼叫頻次、話術、退訂及名單管理。

  7. DEV Community61

    WebRTC 是甚麼?含義、運作方式及適用場景

    WebRTC 指南説明瀏覽器和應用程式如何在無需外掛程式下傳送即時音訊、影片和數據,並整理連線流程及適用場景。訊號交換由應用自行處理,ICE 會嘗試可用網絡路徑,無法直連時則可經 TURN 中繼;接駁電話號碼則需要媒體閘道及電訊商。文中引述的中繼通話估算約為 8% 至 25%,並指出印度無線上網普及、不同營運商的 IPv6 能力差異很大,建議按實際網絡測試。

  8. IT之家52

    LA4O 宣佈全球首次以無線電語音指令啟動 OPS-SAT PRETTY 衞星上的《毀滅戰士》

    挪威奧斯陸業餘無線電小組 LA4O 透過無線電語音指令,成功啟動在軌 OPS-SAT PRETTY 衞星上的《毀滅戰士》。團隊稱,這是全球首次透過無線電鏈路讓衞星自主識別並執行口頭指令;衞星使用約 27MB 的 AI 語音辨識模型,將接收的聲音轉成文字,再按「PRETTY」和「DOOM」等關鍵詞啟動程序。實驗於 2026 年 7 月 27 日完成,項目由構想到完成共用時 59 天。

  9. HuggingFace Daily Papers(社區熱門論文)42

    WaveGen:透過內部頻譜軌跡學習實現真正端到端的波形生成

    WaveGen 提出以 Spectral Forcing 為基礎的端到端擴散式文字轉波形框架,在單一模型內共同學習頻譜與波形軌跡,無需外部音訊編解碼器、聲碼器、潛在模型或對齊模組。在 Seed-en benchmark 上,WaveGen 的 WER 為 1.47、SIM 為 0.75,並在 Emilia 訓練數據集上達到最先進的文字轉語音表現;模型規模由 0.1B 擴展至 0.6B 參數。

  10. 阿里雲開發者社區 AI21

    人工智能在英語教培行業的應用

    AI在英語教培行業的應用已由拍照搜題和機器跟讀,發展至涵蓋學員學習、教師授課、測評服務及機構營運的全流程方案。虛擬外教、自適應學習、智能備課與作業批改等應用,支援個人化教學及學習追蹤。AI負責高頻基礎訓練與標準化回饋,教師則專注高階引導和情感激勵。

  11. DEV Community60

    ElevenLabs 有聲書配音的實際成本拆解

    作者依據 2026 年 11 月 8 日核對的 ElevenLabs 官方定價,換算不同篇幅有聲書的成本,並把重錄用量納入估算。90,000 字小説約需 540,000 個字符、成品約 9 小時;Pro 每月 $99,計入 30–50% 重錄用量後,約可完成 75,000 字。

  12. DEV Community28

    Podcast 主持人如何利用 AI 製作多語言單集

    Podcast 主持人可利用 AI 語音方案製作多語言單集,流程涵蓋腳本整理、語言選擇、語音克隆、文字轉語音、後期製作和發佈。文章以 ElevenLabs 示範語音克隆與 TTS,並介紹以 API 生成各語言音訊及使用 FFmpeg 合併音軌。文中案例列出西班牙語聽眾增長 40%,以及後期製作時間減少 25%。

  13. 虎嗅62

    即時互動研究背後,一批年輕研究者走到台前

    即時互動研究正匯合全雙工語音、全模態建模與持續推理等路線,一批年輕研究者也透過高校、開源社羣及企業合作推進技術落地。文中以 Seeduplex、SeedRealtime、MiniCPM-o 4.5、Interaction Models 和 GPT-Live 等為例,指出全雙工的核心是模型在輸出時仍處理新輸入並調整回應,而非單純降低延遲。

  14. IEEE Spectrum47

    語音處理先驅 Bishnu Saroop Atal 逝世,享年 93 歲

    語音編碼先驅 Bishnu Saroop Atal 逝世,享年 93 歲;他曾於 Bell Labs 及 AT&T Shannon Laboratory 從事聲學與訊號處理研究。他參與開發線性預測編碼及 code-excited linear prediction,後者成為現代語音編碼的基礎技術,有助數碼通訊以較低頻寬傳送語音。