Apple 透過逆向收購 Huxe 團隊與技術進軍個人化音訊
Apple 透過逆向收購 Huxe 團隊與技術進軍個人化音訊 - 交易內容:Apple 向歐盟委員會披露,將向 Huxe AI 的部分員工提供就業機會,並取得其非排他性智慧財產權授權。
Apple 透過逆向收購 Huxe 團隊與技術進軍個人化音訊 - 交易內容:Apple 向歐盟委員會披露,將向 Huxe AI 的部分員工提供就業機會,並取得其非排他性智慧財產權授權。
Alexa Plus 在家居控制上已大幅提升,但在成為個人助理方面仍有缺陷。 - 功能提升 - 自 2025 年 7 月進入早期訪問後,Alexa Plus 能以更自然的語音指令控制燈光、溫控、Ring 相機等多種裝置,並支援多步驟流程。
Simon Willison 用 ChatGPT 語音模式在廚房烹飪時完成了 Django 新功能的開發。 - 開發方式:幾乎全程使用語音與 Codex 互動,配合本地開發環境完成模型、遷移、檢視、模板及匯入功能。
Whistle 是一款 16.9 MB 的語音辨識模型,能在單一 CPU 引擎上即時處理七種語言,首詞延遲僅 11 ms。 - 體積與執行:16.9 MB,無需額外依賴,直接載入同一 C++ 引擎,支援 Android、iOS、Windows ARM、RISC‑V、MIPS、瀏覽器及 WASI。
ElevenLabs Scribe v2 提供兩種會議轉錄方式:即時與批次。即時模式透過 WebSocket,輸入音訊即時回傳文字,延遲約 150 ms;批次模式則以 REST API 上傳錄音檔,完成後透過 Webhook 取得結果。
SpaceX 宣佈將為任何任務選擇最佳後端模型,涵蓋 Claude Opus 5.5、MidJourney、Suno 等領先 API。
ElevenLabs 現已在 OpenRouter 上提供九款文字轉語音模型與兩款語音轉文字模型,讓已使用 OpenRouter 的應用可直接加入語音功能。
Falcon-ASR 於 2026 年正式發布,為 1.6B 引數的阿拉伯語語音辨識模型,專注於阿聯酋方言,並支援英、法、西、葡四語。- 評測成效:在六套阿拉伯語測試集上平均 WER 20.92%,低於最佳公佈 23.17%。
EmbeddingGemma 2 是 DeepMind 推出的全新多模態嵌入模型,支援文字、影像、音訊、影片與程式碼。 - 引數量:740 M,適合本地推理。
推薦理由:EmbeddingGemma 2 以 740M 引數實現跨模態嵌入,兼顧效能與隱私,適合本地 RAG 與離線搜尋,並提供 8K token 上下文視窗與 6 倍儲存壓縮。
summary_zh: Apple 與 Google 正在開發不儲存影片或音訊的智慧硬體,透過 AI 產生文字摘要,以保護隱私。 - Apple:推出不儲存影片的智慧家居攝影機,AI 以文字片段描述家庭活動,支援臉部辨識;相似技術亦預期出現在未來 AirPods 的攝影機。
Amazon Bedrock AgentCore、Nova Sonic 與 Managed Knowledge Base 共同打造的語音旅遊管家,可讓旅客透過語音改簽、查延遲、查詢政策並連線真人客服。
推薦理由:示範如何利用 Bedrock AgentCore、Nova Sonic 與 Knowledge Bases 建構可擴充的語音旅遊管家,並提供完整部署指令碼。
對話智慧 是將客戶通話錄音轉錄並透過 AI 解析,產生可追蹤洞察的技術。 - Scribe v2 與 Scribe v2 Realtime 提供批次與即時轉錄,支援 90+ 語言、32 位說話者辨識與實體偵測。
summary_zh: Amazon Alexa Plus 的錯誤使 Echo 智慧音箱在對話中不斷重複播放「lalala」數分鐘。 - 錯誤範圍:影響少數 Alexa Plus 使用者。
summary_zh: **Google 正在將 Gemini Call for Me 從商務電話擴充套件至個人訊息,讓使用者可用 AI 直接呼叫親友並傳送簡短訊息。
summary_zh: Suno 推出名為 Speech 的新功能,能同時產生語音與相配背景音樂,成為單一音訊檔案。 - 核心功能:使用者輸入文字、指定語音與音樂風格,Speech 生成合成語音與背景音樂,適用於詩歌、冥想或睡前故事。
Eleven v4 透過 Audio Tags 讓指令碼中加入停頓變得簡單,提升語音合成的自然度與情感表現。 - Audio Tags:以 [pause]、[long pause]、[whispers] 等文字指令取代 SSML,直接寫入指令碼即可。
推薦理由:本文說明 Eleven v4 透過 Audio Tags 精準控制停頓,提升語音合成自然度,對音訊製作人極具參考價值,亦可應用於廣告與配音領域。
Microsoft AI 推出 MAI‑Transcribe‑2‑Streaming 與 MAI‑Voice‑2.1,提供即時轉錄與多語言語音合成。 - MAI‑Transcribe‑2‑Streaming:首次 partial results 100 ms,支援 60 語言,成本 0.54 USD/小時。
summary_zh: Suno 推出一項新功能,能根據指令碼或提示生成語音,並可同時加入背景音樂。 - 核心功能:Speech 允許同時產生語音與背景音樂,兩者可作為一條完整音軌。
Hugging Face Transformers v5.17.0 正式發布,本次更新擴充多項全新模型架構與重大功能改進,涵蓋多模態、語音識別及混合專家模型支援: - 新模型與架構新增: - HYV4:780B 引數的混合專家(MoE)模型,每 Token 啟動 49B 引數,具備 1M tokens 上下文視窗。
推薦理由:此版本擴充多項新模型架構與語音多模態支援,開發者可藉此評估最新開源模型的整合與升級選項。
ElevenLabs 口語模型在 GPU 缺乏時提升使用者吞吐的工程實踐 - 批次化:連續批次化可將 GPU 佔用率提升至 95%,每個 GPU 可同時處理多個請求,減少等待時間。
推薦理由:文章以 ElevenLabs 口語模型實測為基礎,闡述批次化、量化、KV 壓縮等技術在 GPU 資源稀缺時提升使用者吞吐的方案,對語音服務成本與效能提供參考。
語音生成要先處理參考音訊,再逐步產生語音,最後解碼成聲音;把這些工作塞進同一個模型流程,容易遇到速度和記憶體管理問題。MOSI、OpenMOSS Team 與 SGLang-Omni Team 把 MOSS-TTS Local Transformer v1.5 拆成音訊前處理、文字轉語音生成和聲音解碼三個階段,支援邊生成邊輸出音訊。作者也測試了重用參考音訊、加快短音訊解碼等做法;在 SeedTTS 英文測試中,非串流平均每秒處理 5.976 個請求,串流則為 2.909 個,兩種模式的 WER 分別是 1.75% 和 2.14%。這些數字來自特定測試設定,文章也說不同最佳化測試的結果不能直接相加。
推薦理由:文章拆解語音生成服務的三個階段,並以快取、CUDA Graph 與記憶體配置的測試結果,呈現各項調整如何影響速度與串流表現。
語音 AI 助理得在文字還沒說完時就開始回話,還要維持聲音和說話情緒一致。Boson AI 與 SGLang-Omni 團隊宣佈,Higgs Audio v3 TTS 已能透過 SGLang-Omni 即時生成語音;文字一邊送進來,系統就能一邊合成音訊,使用者也能用文字標籤調整情緒、語氣、速度、音高和音效。模型支援 100 種語言,並可用一小段參考錄音跨語言模仿聲音。文章也分享服務速度測試,以及 SGLang-Omni 如何把語音生成拆成多個階段來排程和傳遞資料。
推薦理由:文章比較多階段語音生成與一般模型服務的差異,並說明 SGLang-Omni 如何分段排程、串流傳音訊及管理 GPU 記憶體。
Together AI 透過 TensorRT 多型別引擎、CUDA Graph 以及共享記憶體等技術,打造出全球最快的語音辨識堆疊,能在 10 秒內完成約 20 小時的語音轉錄。
Diffusers 0.38.0 釋出多項新功能,擴充影像、音訊與文本生成管線,並最佳化核心庫效能。
推薦理由:Diffusers 0.38.0 釋出多樣化的影像、音訊生成管線與核心效能最佳化,開發者可直接整合至現有工作流程。
Together AI 推出全新的統一即時語音代理解決方案,將 STT、LLM 與 TTS 整合於同一雲端叢集,實現低於 500 毫秒的端到端延遲。 - 低延遲:整合後端到端延遲 < 500 ms,支援自然對話。
summary_zh: Steve Moraco 利用 Replit 建立了 DATA,一款以 ChatGPT 取代 Siri 的個人化 AI 助手。 - 成長指標:DATA 以 Replit Deployments 快速擴張,達到 $18k MRR、800 付費訂閱者與 100k+ 觀察次數,最終實現 $216k ARR。