AI 語音每分鐘成本:ElevenLabs、Murf API 與 Speechify Premium 三款工具三種計費方式
summary_zh: ElevenLabs Creator、Murf API 與 Speechify Premium 三款 AI 語音工具的每分鐘成本差異被比較。
summary_zh: ElevenLabs Creator、Murf API 與 Speechify Premium 三款 AI 語音工具的每分鐘成本差異被比較。
summary_zh: ElevenLabs 的免費計畫每月提供 10,000 點數,約等於 10 分鐘的完成語音。 - 免費計畫:每月 10,000 點數,約 10 分鐘完成語音;包含 Studio 3 專案,無商業授權。
Grok Bot 的官方人員 Lauren Tan 以 7 個實用建議,教你如何打造一支高效的 Agent 團隊。\n- 核心建議:只養少數幾個高品質 Bot,並將流程存成技能,保持對話一致。
語音轉錄的行話往往被誤譯,本文示範如何以簡短術語表達清晰,提升準確度。 - 關鍵技巧:在 prompt 前加入短列表,將術語放在最後,能將正確率從 14% 提升至 90%。
summary_zh: PiVo-1.4M 以 1.4M 引數提供英語 TTS,能在 CPU 上離線執行,使用 NumPy 與 ONNX Runtime。 - 引數量:1.4M,包含聲碼器。
本文示範如何使用 ffmpeg 的 loudnorm 濾鏡以兩次通過的方式,精準調整旁白音量,確保影片播放時音量一致。 - 兩次通過:第一次測量音訊,第二次以測得的引數線性調整,避免音量波動。
summary_zh: Grok Voice 3.0 上線,宣稱能獨立解決 70% 的 Starlink 客服電話,並探討其完整成本與人力節省。 - 自主解決率:報告稱 70% 的客服通話可由 Grok Voice 3.0 自動處理。
Slack 機器人現在能夠使用 ElevenLabs 的 TTS 產生自然語音回覆,提升遠端團隊的互動體驗。 - Slack App:使用 Bolt for Python 建立 bot,設定必要的 OAuth 範圍與事件訂閱。
Hex 是一款支援 Mac、Windows 與 Linux 的本機語音輸入工具,透過按住快捷鍵即可將語音即時轉譯並貼上。 - 架構:使用 Rust 開發,確保高效與安全;首次執行會下載語音模型,之後不需網路。
本文以 H3 與 TaoMate 的兩份 JSON 工作流程為例,說明檔名並不代表實際執行步驟,並提供正確閱讀排程與節點設定的實務指引。 - 工作流程規模:武術圖有 113 節點,TaoMate 239 節點,總共 396 個明確連結。
此教學示範如何以 ElevenLabs 生成自然語音,並以 Flask 服務埠實現即時播放,適合想快速打造 AI 引導冥想應用的開發者。 - 核心流程:接收文字指令碼 → 呼叫 ElevenLabs TTS → 以 WAV 形式回傳。
ElevenLabs API 讓你能以 JSON 輸入撰寫個性化語音訊息,並產出 MP3 可直接上傳至語音平臺。 - 技術架構:前端 POST /voicemail → Flask/Express 轉換指令碼 → ElevenLabs TTS → MP3 檔案。
Quietscribe 是一個完全在瀏覽器執行的 Whisper 轉錄站點,無需上傳檔案且免費。以下列出實作時遇到的五大挑戰與對應解決方案,供想要類似功能的開發者參考。
Openspline 是一款開源工具,能將人像照片與音訊合成同步說話人影像,支援即時實作。 - 輸入需求:人像照片 + 音訊(PCM、WAV、MP3),可自訂音訊來源。
導語:本週三款 AI 代理工具相繼推出,涵蓋 DeepSeek 的自動化程式碼輔助、Cartesia 的語音代理平臺以及 Herdr 的桌面代理管理應用,為開發者與團隊提供多樣化的實作選擇。
Nemotron 3.5 Transcribe:單 GPU 提示式離線 STT,支援多語呼叫管線 - 模型規格:30B-A4B checkpoint。
Code Assassin 是一款完全在終端執行、以本地 AI 為核心的語音驅動程式碼助手。它結合了 Qwen 2.5 Coder 3B(4 GB VRAM 目標)與 Piper TTS(en_GB-alan-medium),所有模型與音訊均在機器上執行,資料永不離開本機。
summary_zh: xAI 的 Grok TTS API 允許使用 28 種內建聲音、20 種語言,並支援多種語音標籤;服務價格為 $15/百萬字元。
導語:本文以實際產品為例,說明如何在 Flutter 中即時實現語音回饋,對語音互動開發者提供可直接套用的設計模式與效能最佳化技巧。 - 關鍵技術:使用 speech_to_text 套件,啟用 partialResults: true 以即時獲取假設,避免 1–3 秒 延遲。
Resona 是一個以按位元組付費為核心的語音克隆平臺,作者以實務經驗說明其定價模式如何影響錄音品質與指令碼寫作。 - 定價模式:每 1,000 個 UTF-8 位元組生成語音需 1,500 點數,相當於每段文字幾分之一元;克隆一個聲音需 100 點數,點數不會過期。
summary_zh: 作者開發了一個基於 Google Voice、Python、Groq 與 FastAPI 的 AI 外呼代理機器人,能夠自動撥打電話、辨識語音、生成回覆並以 Edge TTS 播放。
summary_zh: 我推出了 Transcribe Audio,一款可按分鐘付費、無限期使用的線上音訊轉錄工具,並在設計中加入了無帳號試用、以小時為單位計費、批次處理及自動郵件通知等功能。
summary_zh: Edge0 釋出 Audio8‑TTS‑Realistic,一款 0.6B 引數的零‑shot 語音克隆 TTS 模型,支援 23 語言並以 4.86% 的 CV3 平均誤差領先多數同類模型。
核心功能:從一個字幕檔案生成多種畫面比例(如 16:9、9:16)切割的字幕,並可輸出 WebVTT、SRT 等標準格式。 - 技術亮點:結合多個語音引擎(Whisper、OpenAI、Azure Speech、ElevenLabs)與 LLM 進行文字校正與說話者標記,支援離線執行。
Granola 推出全新語音輸入功能,讓使用者能在任何應用程式中即時轉錄並編輯文字,並且免費無字數限制。 - 功能範圍:在 macOS 上按下「Fn」鍵即可開始語音輸入,支援跨應用文字輸入。
推薦理由:此開源硬體結合 MiniCPM5-2B 與 VoxCPM2,展示了端側 AI 與語音互動的實際應用,並提供完整韌體與程式碼供開發者探索
AnySpeechRecognizer:Swift 套件,支援 Apple Speech API、NVIDIA Parakeet、Alibaba Qwen3-ASR 等多引擎,並提供說話人分離功能。
推薦理由:AnySpeechRecognizer 與 AnyDecisionModel 讓開發者能在 Apple 平臺快速接入多引擎語音辨識與決策模型,支援多語言、即時會話與說話人分離,並可本地化執行,顯著提升效能與成本效益。
AssemblyAI‑TTS‑1 是 AssemblyAI 首款文字轉語音模型,定位於即時電話會話。 - 價格:$15/1M 字元,無合約、無併發上限。
Nemotron 3.5 Transcribe 是 NVIDIA 推出的開源 30B MoE 語音 LLM,支援 40 種語言、1 小時錄音、65,536‑token 上下文。
想替遊戲做旁白時,現成的 AI 聲音可能不夠有特色。Armin Ronacher 用自己的演講錄音測試 Qwen3-TTS,示範把錄音和文字描述產生的聲音混合,也試著替克隆出的聲音加上悲傷等語氣指示。他發現,混合聲音向量能做出不同音色,克隆聲音也能配合指示改變語氣,但效果不如內建聲音穩定。文章也提醒,普通錄音就可能做出相當像本人的聲音,低音質通話情境下尤其可能讓人誤認。
推薦理由:作者以自己的錄音示範如何混合 Qwen3-TTS 的聲音向量,也測試克隆聲音加上情緒指示的效果,提供製作旁白的實作參考。
Nemotron 3.5 Transcribe 是 Nvidia 最新開源語音模型,能一次完成文字、翻譯、說話者辨識,並可回覆錄音內容。 - 多語言支援:文字 40 語言、翻譯 31 語言、說話者辨識 13 語言,錄音長度可達 1 小時,最多 8 位說話者。
NVIDIA Nemotron 3.5 Transcribe 是一款開放權重的多語言轉錄模型,支援 40 種語言的轉錄、31 種語言的翻譯,以及 13 種語言的說話人歸屬。
Nvidia 於 2026 年 10 月 28 日推出 Nemotron 3.5 Transcribe,這是一款免費、開放權重的語音轉錄模型,支援多達 40 語言。
Nemotron 3.5 Transcribe 是 Nvidia 最新的多語言語音轉錄模型,公開權重並以 5.33% 的平均單詞錯誤率(WER)排名 Hugging Face Open ASR 榜首。
ElevenLabs 宣佈與西班牙肌萎縮性側索硬化症協會 adELA 建立合作夥伴關係,為西班牙的 ALS 患者免費提供語音還原與儲存技術,成為 ElevenLabs Impact Program 在西班牙的首個倡議專案。
ElevenLabs 發布了 Cue 強制對齊模型,能在多達 29 種語言中以毫秒級精度對音訊進行對齊。 - 精度:平均時間誤差僅 179 ms,英語背景噪音環境下 57 ms,遠低於其他開源工具。
ADK 與 Gemini 3.8 Live 讓語音代理能在後端執行 13 秒查詢時,仍保持對話流暢,首次回應時間從 14.4 秒降至 1.2 秒。
推薦理由:此指南說明如何使用 ADK 及 Gemini 3.8 Live 透過非阻塞工具實現流暢語音代理,對想打造即時語音助手的開發者極具參考價值。
ESP32-P4 上即時語音辨識,無需雲端,開源實作。\n- 模型:Kroko 65.7 M 引數 Zipformer2 transducer,2/4-bit 量化,權重 26.65 MB。
Hugging Face Transformers v5.21.0 釋出,新增多款模型與功能,為開發者帶來更豐富的多模態與語音處理選擇。
推薦理由:新版本提供多種文件與語音模型,涵蓋 OCR、視覺檢索與 TTS,讓開發者能快速整合多模態功能,並享受最新的量化與 FP8 加速最佳化。