Fish Audio Live 3 宣稱 186 ms 全雙工反應,Windows 實際延遲仍取決於雙軌 WASAPI 收音鏈路
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。
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。
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。
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。
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。
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。
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。
字節 Seed 發布 Seed Audio 1.0 音訊創作模型,在統一框架下聯合建模人聲、音效及環境聲,以生成完整聲音場景。模型支援 100ms 間隔精度的時間控制、單次約 2 分鐘音訊生成及 20+ 語種,並已在火山方舟體驗中心上線。
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。
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。
Kezek 將雙人單聲道錄音拆分為兩條對應説話者的音軌,供全雙工語音模型使用;音軌保持原錄音的長度和時間位置,重疊發言及短回覆留在相應説話者音軌,兩條音軌相加後與輸入完全一致。
ElevenLabs 於 2026 年 11 月 11 日的紐約峯會宣佈自訂模型、工作場所應用 ElevenAI 及合作夥伴計劃,並介紹 ElevenAgents 的 Memory、Routines 和 Interaction Engine 預覽。
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。
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。
這篇指南整理了在 Apple Silicon Mac 上安裝 CosyVoice 2 或 3 的官方步驟,並指出官方 README 以 Linux 為目標,未提供受支援的 macOS GPU 路徑。
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。
AWS 宣佈 Amazon SageMaker AI 雙向串流推理新增按用量計量,讓模型供應商可向 AWS Marketplace 回報即時串流的實際用量,以計算軟件費用。
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。
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。
SolveMyMedia 推出 Transcribe,示範在瀏覽器本機執行量化 Whisper 模型,處理音訊時無須上傳至伺服器。文章比較指出,雲端語音 API 收費 $0.006 per minute,本地方案則為 $0.00,並可離線使用。
奇瑞捷途環遊者 EV 將於 11 月 16 日開啟預售,全系搭載 67.2kWh 磷酸鐵鋰犀牛電池。新車提供兩驅及四驅版本,CLTC 續航里程為 550km,電耗為 13.5kWh/100km。四驅版綜合功率為 275kW,0-100km/h 加速進入 5 秒區間。
National Health Authority(NHA)選定 Bengaluru 醫療 AI 初創公司 EkaCare,為公立醫療設施的環境式 AI Voice Scribe 方案提供技術支援,將醫患對話轉成結構化臨牀紀錄。
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。
OpenAI 宣佈於 2026 年 12 月 11 日停用 ChatGPT 的 Advanced Voice Mode 和 Standard Voice Mode,並把開發資源集中於 GPT-Live。
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。
OpenAI 宣佈於 2026 年 12 月 11 日從 ChatGPT 移除 Advanced Voice Mode 和 Standard Voice Mode,原用戶將自動切換至 GPT-Live。
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。
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。
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。
挪威奧斯陸業餘無線電小組 LA4O 聯同 Tanagra Space 等團隊,透過地面無線電語音指令,成功令在軌 OPS-SAT PRETTY 衞星啟動《毀滅戰士》。
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。
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。
Anthropic 於 2026 年 11 月 10 日推出 Claude Meetings,讓 Claude 以可見參與者身份加入 Google Meet,目前以 beta 形式供 Team 和 Enterprise 使用。
Ricky 建立 Readaria,一款採用 AGPLv3 授權的自託管 RSS 閲讀器,支援文章朗讀及 AI Podcast。
Fish Audio 發佈 Live 3,這款面向即時語音智能體的全雙工語音模型可同時聆聽和説話,並在語音模型內處理對話輪次時機。短促回應的決策最快可在 186 ms 內完成,這不是完整回答的首段音訊延遲;Fish Audio 尚未公佈基準分數。
ElevenLabs 示範如何在 React 前端整合文字轉語音,透過 `/v1/text-to-speech/{voice_id}` 端點傳送文字並接收音訊,再於瀏覽器播放。文章亦説明如何建立自訂語音並在 TTS 請求中使用,以及如何選擇以串流方式提早播放音訊。
SongUp AI 的「送給爸爸的歌曲」表單顯示,生成內容要具體,表單應逐項詢問真實細節,而非要求用戶形容對方。名字應設獨立欄位並提供發音提示;歌詞超過約 1,700 個字元時,讓用戶選擇分段、縮短或繼續。用戶可先聽自己歌詞製成的 30 秒試聽,再以 $2.99 購買完整歌曲。
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。
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%。
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。
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。