跳到正文

#語音

RSS
今日 0 則
11月22日週日
  1. Dev.to Top Tech51

    OpenAI 語音模型聽得懂歌詞,卻難以辨認哼唱旋律

    用語音和 AI 助理聊天時,聽起來像是它聽懂了整段聲音,但它可能主要靠歌詞回答。作者用歌曲哼唱和唱出歌詞的錄音,比較 OpenAI 的三種開發者語音模型:有歌詞時,模型大多能認出歌曲;沒有歌詞時,幾乎都答不出來,甚至會把不同哼唱猜成同一首歌。模型仍能辨認部分情緒和音高變化,顯示聲音線索有傳進去,只是旋律資訊不足以穩定認歌。這些測試不代表所有公司的模型,ChatGPT 語音功能也只做了少量手動測試。

11月21日週六
  1. MIT News · AI42

    MIT-IBM 研究團隊如何讓多模態 AI 更懂聲音、影像和語言

    人聽到鳥叫、看到畫面時,常能把聲音、影像和語言連在一起;多模態 AI 看起來也會,但有時其實沒聽懂,只是在猜答案。MIT-IBM 研究團隊用少量標註資料訓練模型,並設計測試方法找出這些問題。例如,選擇題問音訊裡是哪種動物在吼,有些模型就算只聽到隨機雜音也答得不錯,表示它可能只看選項猜,沒有仔細聽。團隊正設法讓模型更注意聲音,也研究讓 AI 助理能一邊聽、一邊說話,讓對話不必僵硬地輪流發言。

11月20日週五
  1. Dev.to Top Tech56

    ElevenLabs 和 Cartesia 每分鐘語音費用差多少?用同一單位比較方案

    語音工具用「點數」標價,乍看很難知道做一分鐘語音到底要花多少錢。作者把 ElevenLabs 和 Cartesia 的月費除以方案包含的語音分鐘數,讓價格能直接比較:ElevenLabs 付費方案每分鐘約 0.165 到 0.200 美元,Cartesia 約 0.028 到 0.038 美元。作者也提醒,便宜不代表適合所有工作:ElevenLabs 提供配音和有聲書製作功能,Cartesia 主打低延遲語音,適合需要快速回應的對話式 AI 助理。文中的價格來自作者於 2026 年 11 月 20 日查閱的方案資訊。

  2. hackernews10069

    Pete Warden 談本機 AI、語音介面與 AI 硬體的未來

    AI 越來越常靠雲端運作,但這會帶來費用、網路連線和資料隱私等考量。Pete Warden 在訪談中談到,本機模型已能處理不少日常工作,放在自己的電腦或企業掌控的伺服器上,也能減少對外部服務的依賴。他還認為,語音介面要讓人用得自然,回應速度很重要;如果等待太久,使用者會不確定系統有沒有聽見。至於 AI 硬體,他談到記憶體頻寬和不同型別的加速器,認為執行模型的需求和訓練模型並不一樣。

11月18日週三
  1. Dev.to Top Tech49

    越少人用的語言,文字轉語音可能越貴

    做語音產品時,非英語語音的費用可能高出不少。作者整理多家廠商公開的文字轉語音價格,發現西班牙語、日語和中文等語言,最低每 100 萬字元約 $4;斯瓦希里語約 $15,約魯巴語則要 $40,而且只有 2 個模型公佈價格。相較之下,斯瓦希里語的語音轉文字最低每小時 $0.10,和印地語、阿拉伯語、泰米爾語相同。這可能是因為語音辨識模型常能一次處理多種語言,但語音合成較依賴各語言個別製作的聲音。價格只是公開的最低方案,聲音品質也有差異;如果要做非英語市場的語音產品,先比價才能看清實際選擇。

  2. Dev.to Top Tech73

    Dishant Sharma 拆解小型 TTS 模型的速度數字與實際限制

    小型文字轉語音模型變得又快又省,但不同文章和宣傳頁面的速度數字不一定是在相同條件下測出的。作者查閱 ZONOS3-Mini 技術報告,發現單次請求在 H100 上要 85 毫秒才有第一段音訊;流傳的 13.7 毫秒找不到來源,而 80 毫秒是 8 個請求同時執行時的中位數。文章也比較多款小型模型,指出它們已能清楚念出英文,甚至可在裝置上運作,但常只有少數固定聲音,念法較缺乏變化,遇到人名、數字和外語也可能出錯。選模型時,速度和錯字率要連同測試裝置、使用方式一起看。

11月13日週五
  1. aihot58

    MOSS-Live 評測解讀:全雙工語音互動與 GPT-Live-1、豆包的比較

    語音助理在多人交談或背景有其他聲音時,可能太早接話,或把不相關的聲音當成問題。這篇文章整理 MOSS-Live 官網公佈的評測圖表,與 GPT-Live-1、豆包及其他模型比較:MOSS-Live 的無關語音誤接話率是 2%,停頓搶話率是 1.44%,六項全雙工指標都在圖表參評模型中居首。文章也指出,它的工具呼叫成功率與豆包並列最高;但多輪任務成功率落後 GPT-Live-1,語音理解準確率則低於豆包。這些數字來自產品方公佈的評測,文章提醒不同基準不能混成單一總分。

11月12日週四
11月11日週三
11月10日週二
  1. Vercel Blog78

    Vercel AI Gateway 2026 年 11 月報告:決策模型佔 26% 請求,Anthropic 新團隊首選近乎領先兩倍

    Vercel 發布 2026 年 11 月 AI Gateway Production Index,指出決策模型已佔 10 月全部請求的 26%,而新付費團隊首選 Anthropic 的數量近乎是 OpenAI 的兩倍。

    推薦理由:Vercel 以匿名彙總流量呈現模型採用與更替速度,並列出各項統計口徑,便於理解企業團隊的實際使用變化。

11月7日週六
11月3日週二
10月11日週日
10月9日週五