Google 將 Rambler 語音輸入功能帶到 Pixel 10 系列
Google 在 11 月 Pixel Drop 中將 Gemini 驅動的 Rambler 語音輸入功能擴展至 Pixel 10 系列,讓用戶可把自然語音轉成通順文字。
Google 在 11 月 Pixel Drop 中將 Gemini 驅動的 Rambler 語音輸入功能擴展至 Pixel 10 系列,讓用戶可把自然語音轉成通順文字。
Juno 團隊分享以 GPT-Live 建構慢性病患者語音健康助手,利用背景處理記錄與記憶及引導智能體減少對話停頓。團隊表示,交接至文字智能體的次數減少 40%,測試通話中的最長沉默由 9.3 秒降至 3.2 秒。他們先讓 290 名患有慢性病的美國成年人測試聲線,再讓 171 名新參與者比較兩款新聲線與現有聲線;勝出的新聲線獲更多人選為最喜歡,但疲憊日情境下現有聲線略佔優。
Sierra 一名設計師運用 AI,僅用兩週便將一個項目從構思推進至正式製作。項目過程亦帶來了一些經驗。
Google 在 Google AI Edge Gallery 加入可完全離線運行的端側語音辨識與文字轉語音能力,並提供 Android 及跨平台開發方案。Android 端的 ML Kit 語音辨識支援 100+ 種語言,速度達即時語音的 10x;文字轉語音約 100 ms 開始播音,速度最高達 50x。
OpenRouter 的教程示範如何用 Python 搭建餐廳訂位語音智能體,串接語音轉文字、LLM 工具調用與文字轉語音。12 個測試回合的伺服器端首段音訊時間中位數為 1.9 秒;按 2026 年 10 月 8 日測試時的促銷價格估算,四回合對話每分鐘處理語音約 $0.013,TTS 約佔模型成本 90%。
Spotify 為 AI DJ 新增英語和西班牙語聲線選項,並加入關閉歌曲間評論的設定。Premium 用戶可在 DJ 已推出的 75+ 個市場使用新聲線;新增選項包括七種英語聲線和兩種西班牙語聲線。翻譯和評論設定可在 Spotify 手機應用程式的三點選單中選擇。
WellSaid 於 2026 年 11 月 10 日推出 Producer,讓配音製作工具可透過 MCP 接入 Claude、ChatGPT、Copilot 等工作流程。
Zyphra 發佈 ZONOS3-Mini,一款採用 MoE 架構、總參數量 800M、每個 token 約有 100M 活躍參數的開源即時文字轉語音模型。模型支援零樣本聲音克隆及逐詞表達控制,權重採 Apache 2.0,並提供 WebGPU、MLX、ggml 和 SGLang-Omni 等部署路徑。
上海言通提出五層協同智能交互引擎評估框架,從感知、理解、決策、生成及通信支撐五層,量化評估智能外呼方案。框架涵蓋噪聲魯棒性、多輪一致性、跨層協同與成本效益,並建議以對抗測試及通信資質核驗評估方案。
Garon 分享打造聽寫及會議應用 Glimpse 的經驗:先加入用戶期待的功能,再從實際使用中找出值得改進之處。他受課堂筆記需求啟發,打造能配合即時逐字稿更新筆記的功能,並指出持續使用自己的產品有助及早發現問題。
Spotify 為 AI DJ 功能新增九種主持聲線,並加入可關閉主持旁白的開關。新增聲線包括七種英語聲線,涵蓋英國、美國、愛爾蘭、澳洲和印度口音,以及兩種墨西哥口音的西班牙語聲線;更新由週二起在現有 DJ 市場推出。關閉旁白後,啟動 DJ 或按 DJ 按鈕切換模式時仍會聽到簡短提示。
Spotify 為 AI DJ 加入聲線個性選擇及關閉旁白的選項。用戶可在英語聲線中選擇七種個性,或在西班牙語聲線中選擇兩種;關閉旁白後,AI 聲音只會在播放時段開始或用戶要求更換音樂時説話。兩項新功能正向所有提供 DJ 服務地區的 Premium 訂戶推出。
Modulate 宣佈獲 Twilio Ventures 和 Kayak 聯合創辦人 Paul English 投資,並提升 Velma 平台的 AI 語音偵測速度。公司稱,最新模型識別 AI 生成語音的中位時間由 2.25 秒降至 1.6 秒,在真實通話評測中的準確率仍高於 99.1%。Velma 亦新增十多種音訊訊號,用於分析來電者及 AI 語音代理的對話表現。
Spotify 為 AI DJ 加入新聲線與個性選項,並新增減少歌曲間解説的設定,功能由 11 月 10 日起向 DJ 已支援市場的 Premium 用戶推出。新增聲線包括 7 種英文選項及 2 種西班牙文選項;西班牙文聲線取代原有的 Livi,原有聲線 X 則保留。用戶可將歌曲間解説減至只在啟動和關閉 DJ 時提供簡短提示。
DJI Mic Mini 2 迷你無線麥克風在京東 11.11 大促期間疊加 10% 國補後售 220.5 元,低於 599 元起售價。產品支援三檔音色預設、兩級智能降噪及 32-bit 浮點內錄,搭配充電盒綜合續航 48 小時。
Otter.ai 宣佈擴展多語言轉錄,新增功能將可在同一場會議中跟隨講者切換語言;完成推出後,平台將支援 31 種語言。新增語言中有 13 種現已提供,另有 14 種即將推出。
ClinicLog 的治療紀錄工具由程式碼把關模型輸出,限定標點流程不得改字,並以規則限制修復流程對逐字稿的修改。修復時不得刪除否定詞,通過的修改會標記供治療師審閲,未通過的行則還原為辨識原文。真實錄音測試顯示,在 4 段希伯來語錄音中,單語模型有 3 段錯誤率較高、1 段打和;作者因此按診所申報語言選擇單語或多語辨識模型。
文章以阿里雲智能語音交互服務的 RESTful API,示範如何用 Python 建立 AI 語音呼叫系統核心流程,串接 ASR 語音識別、關鍵詞意圖匹配與 TTS 語音合成。示例使用 16kHz wav 音訊,並説明 Token 管理、音訊格式及並發處理等注意事項。此方案適合快速驗證及中小型業務場景。
InferenceKey 在單張 32 GB RTX PRO 4500 Blackwell 上實測 NVIDIA Nemotron 3.5 Transcribe,評估提示詞如何選擇逐字稿、清理稿或附逐字時間戳的説話者輸出。
pyannote.audio 在 MacBook Air M3 上改用 Apple GPU(MPS)後,180 秒音訊的説話者分離由 1 分 33 秒縮至 21 秒,整體流程估算由 1 分 59 秒縮至 48 秒。
雷鳥創新為 iO AI 眼鏡推出多項功能更新,接入高德導航,並新增航班動態、聲紋識別及離線翻譯。導航會以 HUD 顯示轉向方向、距離等資訊,偏離路線時自動重新規劃;智能推薦看板則提供實時航班動態和高德打車行程資訊。全天智記新增聲紋註冊、文字選取與複製功能,並在事件總結及日記完成後發送通知提醒查看。
本文説明如何用阿里雲 CMS 2.0 RUM 記錄 AI 語音應用的 WebSocket 握手結果與耗時,排查建連失敗;具備端雲追蹤條件時,亦可透過 Trace 關聯服務端處理。方法以一次連線嘗試為採集單位,記錄至首個終態並避免重複上報,再結合用戶會話、App 版本、裝置及網絡環境分析。文中亦提醒,單憑 403 無法判斷具體拒絕原因,需進一步核查診斷證據。
作者構建並開源 4 個面向真實環境壓力測試、離線使用及數學確定性的生產級系統。HardCall 的語音中斷 SLA 為 52ms;Zhishu Agent 透過沙盒測試循環修復程式;StatementFlow AI 以 TypeScript 確定性驗算財務資料;TERRA 支援離線運作及 60FPS 3DGS。4 個專案均以寬鬆授權開源。
林肯官方宣佈全新林肯 Z 正式上市,提供燃油版與強混版,限時權益價 16.99 萬起,截至 11 月 30 日。強混版綜合功率 234 kW,0-100km/h 加速 6 秒級,綜合工況油耗低至 5.99L/100km,續航 885 公里。veg
新款林肯Z今日上市,共推出五款配置,官方指導價為23.58‑29.98萬元,11月30日前限時入手門檻低至16.99萬元。新車提供燃油及強混版本,強混版綜合功率234千瓦,綜合油耗5.99L/100km,續航可達885公里。搭載的全新VA4.0語音助手接入大模型,支援連續對話及主副駕分區識別。
林肯全新林肯 Z 正式上市,定位中大型豪華旗艦轎車,提供燃油及強混版本,限時優惠價 16.99 萬元起,有效至 11 月 30 日。車款搭載支持 AI 大模型的 VA4.0 語音助手;強混版綜合功率 234 kW,續航 885 公里。
Otter.ai 宣佈會議轉錄服務新增 13 種即時可用語言,另有 14 種即將推出,完成後支援語言總數將達 31 種。公司亦預覽多語言模式,讓系統在同一場會議中隨參與者轉換支援語言而轉錄;該功能尚未推出,現時仍須手動選擇語言。新增語言適用於桌面、手機及瀏覽器上的各 Otter 方案,毋須額外付費。
雷鳥為雷鳥 iO AI 智能眼鏡加入高德導航,用戶可語音喚醒 RayNeo AI 並選擇步行或騎行模式,HUD 會顯示轉向方向、距離及剩餘里程與時間。導航支持自動重新規劃路線,並可與手機同步刷新;眼鏡還新增智能推薦看板和“技能庫”。
AVONIC 發佈 CamDirector® Voice Tracker 4.0,升級包括重新設計的用戶介面、可互動的 Room Canvas、簡化的攝像機配置,以及新增支援 Nureva HDL310 和 HDL410。系統最多可控制 10 台攝像機,並根據陣列麥克風提供的聲源定位資料,自動選擇攝像機追蹤發言人。
作者提供一套不足 70 行 Python 的影片配音流程,結合 Whisper 轉錄、Claude 逐句翻譯及 Chatterbox Multilingual 以克隆聲線生成語音。
雷鳥 iO AI 眼鏡加入高德導航、航班動態及高德打車行程資訊,並為全天智記新增聲紋註冊、文本選擇與複製功能。眼鏡亦新增離線翻譯,並優化語音助手、字幕、錄音、提詞器與通知等功能。文章提到,雷鳥 iO 日均佩戴時長為 5.3 小時,20% 的用戶每天佩戴超過 8 小時。
Mozilla 發佈 Firefox 160.0 穩定版,新增可在裝置端運行的語音轉文字功能,並加入 MKV 檔案播放支援。Web Speech API 語音轉文字支援 40 種語言,MKV 播放相容 FLAC、MP3 和 PCM 音訊編碼。畫中畫播放器新增語音播放速度設定,可在 0.25 倍至 2.0 倍速之間調節;地址欄域名與其餘部分的對比度亦有所提高。
Mozilla 推出 Firefox 160.0 穩定版,新增可在裝置端本地運行的語音轉文字功能,支援 40 種語言。更新亦加入 MKV 檔案播放支援,兼容 FLAC、MP3 和 PCM 音訊編碼,並為畫中畫播放器新增 0.25 倍至 2.0 倍速的語音播放速度設定。
作者提出三步檢查流程,協助語音智能體團隊在 11 月 17 日前找出即將停用或自動轉路由的模型 ID,並追蹤每通電話實際使用的模型。
HUAWEI 暢享100系列按通話需求分為暢享100 Pro Max、暢享100 Pro和暢享100三款,涵蓋雙向通話降噪、弱網快回及不同定位的續航與防護配置。Pro Max配備85dB+雙揚聲器和8800mAh電池;Pro主打雙向降噪與弱網通話,暢享100則提供關懷模式。
HUAWEI 暢享100系列按聽音需求分為三款,Pro Max主打對稱立體雙揚聲器及星閃2.0無損音頻傳輸,Pro兼顧通話人聲、屏幕與續航,暢享100則面向預算有限及習慣使用耳機的用戶。星閃2.0支持96kHz/24bit音質,傳輸碼率為4.6Mbps;Pro Max國補後約1699元起,Pro國補後約1529元起。
Streaming TTS 會將生成的音訊分成小段即時傳送,讓用戶無須等待整段語音完成便可開始播放。流程包括文字預處理、聲學模型生成 mel-spectrogram、vocoder 轉換音訊,以及透過 HTTP/2 或 WebSocket 傳送音訊片段。ElevenLabs 提供支援語音克隆和 SSML 的低延遲串流 API。
ClapClip AI 的 Windows 本機 Whisper 轉錄指南,説明如何確認 GPU 是否參與運算,並以五分鐘音訊片段測試硬件和轉錄品質。大型模型需要更多 RAM 和顯示記憶體;比較中型與大型模型時,除計算 WER 外,還要另核對人名、數字和否定詞。指南亦建議停用網絡後重跑片段,並在 Resource Monitor 查看轉錄期間的網絡流量,以檢查離線運作。
OpenRing 是 MIT 授權的開源替代方案,可在自有伺服器運行並兼容 Vapi API,讓用戶遷移 Vapi 帳戶,免付託管平台的每分鐘費用。用戶可透過一個請求匯入助理、squad、工具和 Twilio 號碼;匯入用的 API key 只使用一次,不會儲存。
Voice AI API 的速率限制可能導致語音生成延遲或失敗,快取音訊可減少 API 呼叫。文章以 ElevenLabs 為例,示範使用 Python、Redis 和 JavaScript 設置快取,並建議收到 429 時按 Retry-After 等待及採用指數退避。常見提示詞亦可預先生成音訊,以減少重複生成的成本與呼叫量。