跳到正文

#語音

RSS
今日 0 則
11月21日週六
  1. MarkTechPost79

    OpenAI 推出 GPT-Live-1.1,語音連線待機每分鐘 $0.02

    語音服務在使用者沉默時仍會產生費用,OpenAI 推出的 GPT-Live-1.1 加入了較便宜的待機狀態。這款語音模型能一邊聽、一邊說,支援多語言對話;待機時會暫停推論,但保持 WebRTC 連線,使用者開口後可以接著對話。待機費用是每分鐘 $0.02,啟用時則是 $0.05。OpenAI 表示,新版在口音、轉錄和完成任務方面有所改善,但沒有公佈評測分數;後端模型與工具的費用則另外計算。

    推薦理由:GPT-Live-1.1 把語音模型的待機費用降到每分鐘 $0.02,但語音品質提升目前只有 OpenAI 的說法,沒有公開評測分數可供比較。

11月20日週五
  1. Dev.to Top Tech62

    ja-reading-tagger-v1 用上下文判斷日文漢字讀音

    日文有些漢字要看前後文才知道怎麼念,字典通常只能挑一個預設讀音。Japan Open Data Lab 發布 ja-reading-tagger-v1,會按句子判斷每段文字的讀法,並分別提供假名標註和語音合成用的發音。在以易混讀音詞句組成的測試中,它的句子讀音正確率是 0.7230,高於 Sudachi 的 0.5570;但一般文章中,它是 0.9360,略低於 Sudachi 的 0.9432。模型不處理人名讀音,因此是否適用,要看文字裡這類詞句多不多。

11月19日週四
  1. The Decoder75

    Microsoft 一次推出 7 款 AI 模型,想用較低成本取代自家產品中的外部模型

    長時間使用 AI 助理會花掉大量 token,Microsoft 因此一次推出 7 款模型,涵蓋寫程式、資安、圖片、語音、搜尋和工作流程判斷,主打用較低成本完成工作。Microsoft 表示,MAI Code 2 在多項測試中接近 GPT-6.1 Sol 和 Claude Opus 5.5,價格則低得多;MAI Image 2.7 可修改圖片中的個別物件,MAI Realtime 1 則能處理語音對話中的插話和背景噪音。各模型的開放方式不同,有些已能使用,有些仍在預覽或只提供特定客戶。文中的效能與價格比較主要來自 Microsoft 的測試和說法。

11月18日週三
  1. Rohan Paul70

    網路不穩或背景很吵時,語音辨識常會聽錯。Amsterdam 新創公司 Reson8 推出 Rumble-2-Flash,這款語音轉文字模型有 0.5B 個引數、大小為 1GB,可辨識 45 種語言,並主打處理濃重口音、多人同時說話、電話線路不佳和街道噪音。它能在手機上執行,讓通話和語音備忘錄不必連上網路也能轉成文字。原文表示,它的表現勝過體積大 20 倍的模型,並以 Apache 2.0 授權免費提供。

    推薦理由:Rumble-2-Flash 主打在手機上處理口音、多人重疊說話和街道噪音,可看出小型開放模型在語音辨識上的應用方向。

  2. AssemblyAI69

    即時對話、語音 AI 助理和錄音的轉錄需求不同,說話者標記、速度和辨識準確度也各有重點。AssemblyAI 推出 STT-3.7 系列的三款模型:Realtime 在對話回合結束時提供定稿的說話者標記;Realtime-Agent 面向語音 AI 助理,標榜能在 86 毫秒內提供定稿文字;STT-3.7 則用於錄音,支援 32 種語言。官方表示,三款模型今天都已推出,並提供基準測試與同業錄音比較。

    推薦理由:三款模型分別面向即時對話、語音 AI 助理和錄音,並提供各自的錯誤率比較,可據此挑選符合音訊情境的轉錄服務。

  3. Hugging Face Blog64

    Hugging Face 開源 0.5B 語音辨識模型 Rumble-2-Flash

    語音辨識模型常要用很大的模型,才能處理多種語言和吵雜的電話錄音。Hugging Face 開源了 Rumble-2-Flash,這個 0.5B 模型支援 40 多種語言,也能自動判斷語言;它還能設定數字要寫成數字或文字,以及是否保留填充詞和重複內容。在一項 302 小時、涵蓋 14 種英語口音的客服電話測試中,它的錯誤率是 7.86%,接近 30B 的 Nemotron 3.5 Transcribe。模型可透過 Transformers、vLLM 和 Hugging Face API 使用。

    推薦理由:Rumble-2-Flash 在多語言辨識與電話語音測試中,和大上許多的模型比較成績,呈現小型語音模型的實用範圍。

  4. iThome (臺灣)85

    Microsoft 推出 7 款 AI 模型,主打接近頂尖效能與更低成本

    企業使用 AI 模型的費用正快速增加,Microsoft 推出 7 款自研模型,涵蓋程式開發、網路安全、影像生成、語音和模型選擇。以程式開發模型 MAI Code 2 為例,Microsoft 表示,它的效能接近 GPT-6.1 Sol,完成任務的成本約為對方的 40%;網路安全模型 MAI Cyber 2 Flash 則主打持續監控、漏洞掃描和修補。Microsoft 也推出模型權重授權服務,讓企業在自己的 Azure 環境部署模型並用內部資料客製化,減少對代管 API 的依賴。

    推薦理由:七款模型涵蓋程式開發、資安、影像與語音等工作,文中也列出和其他模型的效能及費用比較,可看出微軟主打的成本差異。

  5. Dev.to Top Tech69

    Microsoft 發布 MAI Realtime 1 預覽版,每分鐘音訊 $0.01 起

    企業想用 AI 助理接聽電話或提供語音客服,除了對話品質,也得考量反應速度、串接方式和費用。Microsoft 推出 MAI Realtime 1,讓模型直接聽懂語音並用語音回覆;目前透過 MAI Labs 開放有限預覽,每分鐘音訊 $0.01 起,推理用量則另按 token 計費。Microsoft 表示它在多項評測中勝過 GPT Realtime 2.1,但提供的資料沒有獨立驗證或完整測試方法。它也相容於 OpenAI Realtime API,方便開發者評估串接;實際表現和總費用仍要在自己的工作流程中測試。

  6. Thurrott82

    Microsoft AI 在 Ignite 2026 發表七款新模型

    企業挑選 AI 模型時,常要在效果、價格和不同用途之間取捨。Microsoft AI 在 Ignite 2026 發表七款模型,涵蓋資安、寫程式、圖片編輯、即時語音、轉錄和決策;文中列出多項與其他模型的價格和效能比較,例如 MAI Code 2 對照 GPT-6.1 Sol,約以四成價格提供 98% 的寫程式品質。Microsoft 也表示,部分模型已在自家資料中心使用 Maia 200 晶片,並開始為客戶製作客製版本;組織之後也可透過 MAI Licensed Weights,在自己的 Azure 環境部署與調整模型。

    推薦理由:七款模型的發布資訊同時列出多項價格與效能比較,可看出 Microsoft 如何把不同用途的模型定位在成本與能力之間。

  7. Dev.to Top Tech63

    Microsoft 在 Ignite 發表六款 MAI 模型,涵蓋程式、資安、影像與語音

    Microsoft 在 Ignite 發表六款 MAI 模型,分別面向程式開發、資安、影像編輯、語音轉錄和即時語音,並提到可透過 GitHub Copilot、Microsoft Foundry 和 Azure AI services 使用。已知名稱包括 MAI Code 2、MAI Code 2 Flash、MAI Cyber 2 Flash 和 MAI Image 2.7;另外兩款轉錄與即時語音模型的名稱沒有提供。Microsoft 主打這些模型能以較低成本達到前沿表現,但材料沒有列出價格,也未確認各模型在哪些服務或地區供應。企業評估時,仍需確認供應情況、費用和工作流程是否合適。

  8. aihot77

    Microsoft 推出語音模型 MAI Realtime 1,每分鐘音訊 $0.01 起

    語音 AI 要能自然對話,也得聽懂請求並即時回應。Microsoft 推出 MAI Realtime 1,這是該公司的首個語音轉語音模型;官方表示,它能處理打斷、背景噪音和較複雜的請求,也能連線企業系統與工具。語音用量每分鐘 $0.01 起,推論費用另計;模型相容 OpenAI Realtime API。Microsoft 表示,它在指定基準與產品評估中勝過 GPT Realtime 2.1,但也提醒,結果會隨評估設定和使用情境改變。

    推薦理由:文章列出 MAI Realtime 1 與 GPT Realtime 2.1 的評測比較、語音用量價格及 API 相容性,可用來初步衡量語音服務的成本與遷移條件。

11月17日週二
  1. ModelScope68

    一般 AI 多半是等人提問後才回答,Duo 則想讓 AI 和人一起參與即時互動。它會持續聽對方說話、觀察對方的動作,再判斷何時該接話或等待,並同步產生語音和影片。這讓雙方能一起看物品、改變場景、接受引導或玩影音遊戲。inclusionAI 也釋出多種模型版本,並提供研究用流程和即時部署方式。

    推薦理由:Duo 把即時影音互動中的理解、發言時機與影音生成串在一起,呈現模型如何參與雙向交流的研究方向。

  2. ModelScope66

    讓 AI 角色跟著語音說話時,嘴型、表情和身體動作有時不夠自然,影片變長後也可能逐漸失去一致性。LongCat-Video-Avatar 1.6 改善語音和嘴型同步、臉部與身體動作,也降低說話時嘴巴動作過大的情況,並讓影片延續到超過 10 分鐘時更能維持角色樣貌和畫面連貫。它支援單人與多人角色影片,也能從音訊、文字、圖片或既有影片開始生成。在 33,051 張投票、共 6 個系統的評比中,它排名第二。

    推薦理由:LongCat-Video-Avatar 1.6 在 33,051 張投票的偏好評比中排名第二,也主打改善長影片延續時的角色一致性,提供了比較表現與長片能力的參考。

  3. Dev.to Top Tech76

    Qwen4-Max 開放使用,Windows 即時語音工具仍得先顧好音訊擷取

    大型模型回覆再快,通話工具也可能先卡在聲音進電腦的路上。Alibaba Cloud 在 11 月 16 日推出 Qwen4-Max,模型有 2.4T 個引數,但每個 token 只啟用 71B;它支援圖片,並提供 1 million token 的上下文視窗。文章也指出,Windows 共用音訊模式可能多出 10–40+ ms 延遲,而專用模式在裝置支援時可降到十多毫秒。Talkaside 的雙軌 WASAPI 做法會分開收錄對方聲音和本機麥克風,讓即時語音辨識與處理更順。

    推薦理由:文章把 Qwen4-Max 的雲端推論成本與 Windows 即時音訊流程放在一起看,說明錄音擷取延遲也會左右通話工具的反應速度。

11月16日週一
  1. Rohan Paul55

    在吵雜房間用筆電麥克風口述,辨識結果常得花時間修改,等文字出現也可能不夠快。WisprFlow 自行訓練的第一個模型 Canto 1,針對真實環境中的口述內容訓練,也會適應使用者常用的詞和人名。在超過 2,300 位使用者約 10 小時的 Flow 口述錄音測試中,Canto 1 的字詞錯誤率是 3.4%,低於 WisprFlow 測試的其他模型;產品推出後,等待超過 1 秒才出現的口述文字減少了 54%。經使用者同意分享的更正資料也會用於訓練,但單純改寫整句的修改不會採用。

11月15日週日
  1. MarkTechPost56

    Bland 推出 Tofu-1,讓 AI 助理直接聽音訊並回應通話

    一般語音 AI 會先把通話轉成文字,再交給語言模型處理,容易忽略語氣、停頓和背景聲音。Bland 推出 Tofu-1,讓模型直接聽取並用語音回應,也能在說話時繼續處理請求,讓來電者插話或更正。它主打分辨說話者、降低背景噪音幹擾,以及聽出猶豫或急迫等語氣。產品目前只開放給少數企業試用;Bland 尚未公佈模型規模、延遲或價格。

11月14日週六
  1. Artificial Analysis47

    Speechify 推出語音模型 Simba 3.5,在 Artificial Analysis 的 Controlled Voice Arena 排名第一,成績與 HeyGen Voice 統計上不分高下,也領先 Qwen-Audio-3.1-TTS-Plus。其他測試中,Simba 3.5 的 Provider Voice 排名第五,發音穩定度排名第七。它每秒能生成 139.6 個字元,每 100 萬個字元收費 $6.58;Eleven v4 Turbo 則是每秒 105.3 個字元、收費 $40。Simba 3.5 是價格圖表中最便宜的模型,代表它在這項比較裡兼具較快速度與較低價格。

11月13日週五
  1. Dev.to Top Tech46

    Underdog AI 的 Woof 語音模型縮到約 32MB,可在瀏覽器離線念出文字

    雲端語音服務雖然方便,卻得先把文字傳到網路上;遇到訊號不好或內容敏感時,就不太方便。Underdog AI 的 Woof 把文字轉語音模型做得很小,單一聲音版本約 32MB,可直接在瀏覽器離線產生語音,不必把文字送到遠端 API;另一個雙聲音版本是 40.6MB。不過,實測發現它念簡單句子還可以,遇到一串數字、人名、分數或長篇內容就容易出錯,而且授權只供非商業用途。它讓開發者更容易試做離線語音功能,但要用在實際產品,仍得留意唸錯內容和授權限制。

  2. aihot72

    騰訊混元發布 Hy Realtime,新增即時工具呼叫和唱歌能力

    語音模型除了聽懂和回答問題,也可能需要幫忙呼叫工具或唱歌。騰訊混元發布 Hy Realtime,新增工具呼叫與唱歌能力,並已用在元寶語音通話和騰訊客服;近期也將透過騰訊雲提供 API 服務。這則訊息交代了模型的新用途,以及目前已上線的服務。

    推薦理由:這次發布同時加入工具呼叫與唱歌能力,也列出已上線的服務,能看出模型新增能力如何進入實際語音產品。

11月12日週四
11月11日週三
  1. MarkTechPost76

    Zyphra 發布開源語音合成模型 ZONOS3-Mini,啟用引數約 100M

    Zyphra 發布開源文字轉語音模型 ZONOS3-Mini,採用總計 800M、每個 token 約 100M 啟用引數的 MoE 架構,支援即時本機執行、零樣本聲音複製與逐詞語氣控制。

    推薦理由:ZONOS3-Mini以較少的啟用引數支援多種本機部署;評測由 Zyphra 自行執行,且參考音訊複製模式的分數明顯較低。

11月10日週二
11月9日週一
11月8日週日
11月6日週五