跳到正文

#語音

RSS
今日 4 則
11月2日週一
11月1日週日
  1. Dev.to Top Tech62

    Flutter 語音 AI:即時語音回饋實作

    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。

10月31日週六
10月30日週五
10月29日週四
  1. Hugging Face Blog75

    推出 AnySpeechRecognizer 與 AnyDecisionModel:Apple 平臺開放式語音與決策模型

    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。

  2. Armin Ronacher (lucumr)65

    Armin Ronacher 示範用 Qwen3-TTS 混合聲音與調整語氣

    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。

10月28日週三
10月27日週二
  1. Google Developers Blog74

    逐步指南:使用 ADK 建置永不沉默的語音代理

    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。

  2. Hugging Face Transformers Releases80

    Hugging Face Transformers v5.21.0 發布新模型與功能

    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。