跳到正文

#語音

RSS
今日 4 則
11月19日週四
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. Dev.to Top Tech57

    如何在同一臺電腦上公平比較開源語音合成模型

    挑選開源語音合成模型,沒有一款能在每臺電腦、每種語言和每種需求下都最好。這篇指南示範如何在同一臺裝置上比較 MOSS-TTS、Piper、Kokoro 和 Qwen3-TTS:固定句子與測試條件,記錄硬體、模型版本和設定,並把載入模型的時間與生成語音的時間分開。比較時也要聽語音是否念錯、漏字或有雜音,並檢視記憶體用量。單一裝置和少量句子無法選出通用冠軍;保留測試文字、環境和結果,之後模型更新時才能重做比較。

  5. Dev.to Top Tech39

    影片翻譯工具可把 TikTok、Reels、Facebook 和 YouTube 影片轉成烏克蘭語字幕

    想替沒有字幕的短影片加上外語字幕,常常得先找出影片文字,再翻譯、對時間,做完好幾步。這款架在 Apify 上的工具只要一次呼叫,就能抓取影片、辨識語音、翻譯,並產生保留原字幕時間的 SRT 和 VTT 檔。像一段 45 秒的 TikTok,沒有原字幕也能做出烏克蘭語字幕,直接和影片對上,不必再手動調整。工具支援 TikTok、Reels、Facebook、YouTube 等平臺,也能翻成烏克蘭語和另外 20 種語言;付費方案處理這段影片的費用是 $0.013。

  6. Dev.to Top Tech52

    Moda 讓 Ray-Ban Meta 眼鏡依情境決定何時協助、何時安靜

    AI 眼鏡如果只會等人下指令,使用起來不夠順手;如果一直主動說話,也可能打擾人。作者做了 Moda,讓眼鏡依照工作、料理或開會等情境調整協助方式。工作時,它會留意分心或姿勢不佳等持續訊號;料理時能看食材推薦食譜並用語音帶著做;開會時則先詢問是否同意錄音,過程中保持安靜,會後整理決定和待辦事項。影像預設在手機上處理,雲端處理需使用者選擇開啟,設定和使用資料留在本機。

  7. 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。

  8. 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。

  9. Dev.to Top Tech51

    Skat 教學改用 ElevenLabs 配音,並加入法語語音檢查

    合成語音照著文字朗讀時,符號和數字可能聽起來不自然,也容易和原稿不一致。作者替 Skat 遊戲的教學換上 ElevenLabs 配音,重新錄製波蘭文、德文和英文的 108 段語音,另為法語牌型錄製 39 段。為了讓朗讀順口,教學文字會把數字改寫成適合唸出的形式,也會把等號唸出來或改成停頓;接著用 Gemini 把每段語音轉成文字,和原稿比對內容與速度,修正後 147 段都沒有被標記為異常。這套做法提醒製作者,合成語音最好逐段轉寫檢查,別只靠自己聽。

  10. Dev.to Top Tech54

    如何用免費服務搭建 AI 圖片、語音與影片原型流程

    做圖片、語音和影片原型時,開發者常得訂閱好幾種服務。作者整理了免費額度的使用方式:用 Hugging Face Spaces 預覽 FLUX.1-schnell,或透過 SiliconFlow 呼叫圖片模型;Cloudflare Workers AI 每天重設 10,000 個免費 Neurons,可用於輕量語音轉文字等工作;Hailuo AI 和 Suno AI 則提供每日免費額度,供影片和音樂原型使用。免費額度、是否需要信用卡和試用限制可能變動,作者也分享了追蹤相關優惠的清單與網站。

  11. Dev.to Top Tech56

    ASR 是什麼?電話語音辨識如何把通話變成文字

    電話錄音轉成文字後,看起來準確不代表金額、姓名或日期也沒有錯。這篇教學說明 ASR 如何把通話音訊轉成文字,並比較通話進行中即時辨識與錄音後批次處理的差別。文章提醒,8 kHz 音訊不一定就無法辨識,壓縮、雜音和語言切換也會影響結果;把音訊升頻則無法找回原本沒有記錄的細節。實際使用前,應用自己的通話測試不同語言和說話方式,並另外檢查金額、姓名等重要內容。

  12. Dev.to Top Tech37

    Voice AI 應用程式除錯技巧:讓 AI 說話更順、更清楚

    做會說話的 AI 應用程式時,程式寫對了,聲音還是可能卡住、沒聲音或念錯,讓使用者覺得不好用。文章建議先確認音訊格式和播放設定合不合,再分段記錄文書處理、語音生成和音訊傳送花了多久;如果 SSML 標記寫錯,可以先檢查格式,並準備純文字備用。像是自己做的語音複製忽然變得很生硬,也要檢查使用的語音 ID 和訓練錄音品質。 播放時發生錯誤,也要留下紀錄;還可以在每次建置時產生一小段語音,和先前的結果比對,提早發現聲音變差。這些做法能幫忙找出問題出在哪一段,避免修好程式後,送到使用者耳中的聲音仍然不對。

  13. 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。

  14. llama.cpp Releases42

    llama.cpp b12494 新增 Kokoro 文字轉語音支援

    llama.cpp 的 b12494 加入 Kokoro 文字轉語音支援,並補上把文字轉成語音時需要的文字整理與發音處理,也調整了聊天功能和批次處理的程式。這次更新也列出多種作業系統與硬體的版本,例如 macOS、Linux、Android 和 Windows,可搭配 CPU、CUDA 或 Vulkan 等環境使用。

  15. Dev.to Top Tech58

    Lovacall 分享打造希臘語 AI 電話接待員的實作心得

    小型商家忙著服務客人時,常常接不到電話,客人可能就改打給別家。Lovacall 團隊分享他們打造希臘語 AI 電話接待員的經驗:它能用希臘語或英語接聽、回答問題,並在通話中查詢空檔、預約行程和寫入行事曆。團隊也會實際測試希臘姓名、街道名稱、日期和電話號碼的唸法,確認接待員聽得懂日常說法;遇到緊急狀況、客訴或有人要求真人時,則會轉接給店主。商家還能保留原本的電話號碼,設定來電轉接方式。

  16. Dev.to Top Tech48

    如何用 Python 檢查線上課程旁白,並在送進 Murf 前估算費用

    做線上課程旁白時,句子太長會讓人聽得累,縮寫也可能還沒解釋就先被念出來;反覆重做旁白,還會用掉方案裡的語音時間。這篇文章示範用 Python 把講稿當成程式檢查:每堂課用標題分開,每張投影片的旁白寫成一段,程式會找出太長的句子、沒先說明的縮寫,也會估算重做後需要多少語音時間和費用。例如,40 堂課各有 90 秒旁白,若把重做次數也算進去,總共約需 84 分鐘生成時間。這樣可以提早發現講稿問題,也比較不會低估製作成本。

  17. 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。

  18. Dev.to Top Tech45

    用 ElevenLabs 讓 Discord 機器人把文字唸出來

    Discord 機器人只能打字時,公告和遊戲事件少了聲音。這篇教學示範用 ElevenLabs 把文字轉成語音,再讓機器人加入語音訊道唸出訊息;使用者輸入 !say Hello Discord!,機器人就會朗讀文字。也可以用幾秒鐘的聲音建立克隆語音,讓機器人用那個聲音說話。這樣能替 Discord 機器人加上語音功能,也能用在公告或遊戲旁白。

  19. 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。

  20. ElevenLabs Official Blog47

    ElevenLabs AI 零售助理:從回答問題到完成訂單

    客人訂房或買東西時,常會臨時改日期、預算或需求;一般表單和篩選條件不夠靈活,改一次就可能得重頭來過。ElevenLabs 用 ElevenAgents 做出能用語音對話的 AI 助理,會一邊查即時資料、一邊調整選項,最後直接完成訂房或結帳。像 Rohlik 的 AI 助理 Maia,已能接手 90% 的客服專線來電,也能幫客人找商品、列購物清單並用語音結帳。這類助理能讓客人少繞路、讓商家接住更多訂單;不過效果也和模型、聲音及設定方式有關。

  21. 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。

  22. Dev.to Top Tech52

    Voicute 教你替現有硬體挑選離線語音控制方式

    替已經做好的硬體加上離線語音控制,常遇到的問題是該用關鍵字辨識、語音轉文字,還是現成語音模組。文章建議先看使用者會說什麼:只要辨認喚醒詞或少數固定命令,用關鍵字辨識通常較合適;需要聽懂人名、數字和自由句子時,再考慮語音轉文字。若想快速做出原型,可以用語音模組;若要沿用既有硬體或支援不同執行環境,可評估 ONNX 或 TFLite 模型。實際整合前,還要確認麥克風格式、記憶體、處理器效能和耗電,並在產品使用的環境中測試誤觸與反應速度。

  23. lauren36

    Grok @bot 可以當工作夥伴和個人助理。Lauren Tan 建議先用語音花 10 分鐘說明工作流程,就像帶新同事熟悉工作;送出前,再請它用自己的話重述一次,確認沒有聽錯。如果提到平常使用的工具或 App,bot 會詢問是否要連線,也能把工作方式存成技能,之後照著重做。她認為,給 bot 越多背景資料,它就越能幫忙處理從頭到尾的工作,例如省錢或尋找新客戶,甚至可能多次賺回成本。

  24. 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。

  25. Dev.to Top Tech39

    四篇 AI 研究改善圖片推理、語音合成與模型運算速度

    AI 看圖推理時可能會忘記圖片裡的細節;合成語音也得花不少力氣,反覆運算的模型則可能回答得很慢。四篇新研究分別提出保留圖片線索的方法 RAPO、不用語音編碼器的 VoxMel、加快反覆運算模型解碼的 LoopFill,以及用來測試圖片物理推理能力的 DominoBench。 例如,DominoBench 用 854 個場景測試模型能不能從靜態圖片推測一連串物體碰撞;模型只看圖片時,最多隻有 72% 答對關鍵人物的結果。研究顯示,把決定答案的計算步驟和數字直接告訴模型後,答對率可提高到 82–92%。這些研究提醒我們,模型說得流暢,不代表它看得懂圖片裡的細節,也不代表它會算出正確結果。

  26. ElevenLabs Official Blog65

    ElevenLabs 推出 Scribe v3 Live Medical,讓醫療電話更聽得懂藥名

    醫療電話裡的藥名、劑量和病情細節容易被聽錯,可能讓後續處理出問題。ElevenLabs 推出 Scribe v3 Live Medical,讓 ElevenAgents 能即時轉錄看診和醫療服務電話;醫療團隊也能加入最多 10,000 個自訂詞彙,並支援超過 90 種語言。PriMock57 測試中,它的字詞錯誤率是 12.8%,比測試中最接近的醫療模型少 17% 錯誤。這些結果來自 ElevenLabs 對部分模型的內部測試。

    推薦理由:原文以兩組醫療對話測試比較轉錄結果,可瞭解這款即時語音模型在藥名、症狀等臨床內容上的表現。

  27. vLLM74

    看直播畫面時,AI 助理若要主動開口、回應內容並指出畫面中的物件,需要同時處理影片、對話和語音。vLLM Project 宣佈 vLLM-Omni 從第一天起支援 AURA 2.0,這款 9B 串流影片模型能判斷何時該說話、根據即時畫面和對話呼叫工具,並用方框標出正在討論的物件。vLLM-Omni 負責從語音辨識、影片理解到語音生成;在單一連線、使用兩張約 140 GB 加速器的設定下,首段回覆語音的中位延遲為 344 ms。原文也表示,AURA 2.0 在列出的四項基準比較中領先。

    推薦理由:vLLM-Omni 支援 AURA 2.0,並公佈單一連線設定下的首段語音延遲與四項基準比較,可瞭解這套視訊模型的互動方式與執行表現。

11月17日週二
  1. OpenBMB56

    替影片配上另一種語言的聲音,常得分別處理字幕、配音和時間對齊。社群開發者做了 VoxaDub,能先轉錄對話並對齊時間,再用 Hy-MT2 翻譯,接著以 VoxCPM2 參考各說話者的乾淨音訊來生成配音,並調整語句長度以配合畫面。完成後可把配音和原本的背景音合在一起,也能另外選擇唇形同步。模型設定完成後,配音可全程在本機執行;直播配音仍在實驗階段,時間調整有助於對齊,但不保證完全同步。

  2. Dev.to Top Tech66

    Krish Verma 如何讓 Ankita AI 邊產生語音邊播放

    桌面 AI 助理念出工作結果時,如果要等整段語音檔做好才播放,使用者得先等一段時間。Krish Verma 為 Ankita AI 改用串流語音,收到第一段音訊就開始播放,並在目前句子播放時準備下一句;完成的語音也會留在快取,方便重播。一次實測中,第一段音訊在 491 毫秒後到達,但這只是單次結果,不能當成普遍的速度保證。遇到供應商不支援串流時,程式會改用原本的整段合成方式,面板也會顯示實際採用的播放模式。

  3. BlockTempo 動區動趨41

    《華爾街之狼》原型人物創辦 Tone,用 AI 助理打電話推銷

    電話業務常得一通通聯絡客戶,名單太長時,人手可能忙不過來。Jordan Belfort 和投資人 Shervin Pishevar 創辦了 Tone,讓 AI 助理用語音推銷,還會把陳述句說成問句,或放低聲音耳語,試著讓對方更願意聽。Jordan Belfort 表示,Tone 能從詢問需求一路介紹健康保險方案,反應約需 600 毫秒;目前已有律師事務所和健康保險公司等客戶。 Tone 收費方式包括按通話分鐘、月訂閱,或按成交結果計費,已募資約 1,000 萬美元。Jordan Belfort 也坦言,現在逐通比較時,頂尖業務員表現更好。他認為 Tone 的特色是判斷何時該用哪種語氣,這也提醒我們:AI 助理會說話、能完成推銷流程,不代表它已經勝過最厲害的人類業務。

  4. Dev.to Top Tech72

    Koedori 為什麼把 Whisper 從 iPhone 轉錄 App 換成 Apple 的語音辨識

    手機上的語音轉成文字,除了辨識快不快,也得考慮等待時間、耗電和舊手機能不能跑。Koedori 原本用 WhisperKit,作者在 iPhone 14 上測到,安裝後第一次載入模型要等 197 到 205 秒;App 也得附上約 490 MB 的模型。後來他改用 Apple 的 SpeechAnalyzer 和 SpeechTranscriber,讓 iOS 自行取得語言模型,但因此放棄舊版 iOS,支援語言也從 Whisper 的約 100 種減到約 10 種。錄音會留在手機上,辨識後能點文字回放;錄音時顯示的即時文字只供參考,停止錄音後才用整段錄音產生筆記。

  5. 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。

  6. Dev.to Top Tech51

    MFCC 教學:用 Python 看機器如何分辨聲音的音色

    同一個母音換了音高,或同一個音高換了母音,人耳都能聽出差別,語音軟體也需要把這些差異變成數字。MFCC 會把一小段聲音整理成一組數值,保留較多和音色、母音有關的資訊,並大致減少音高細節的影響。文章用 Python 合成不同音高的「啊」和「咿」來比較,示範換母音造成的差異比換音高更大。MFCC 也會受背景雜音、混響和多種聲音混在一起影響;若要分析旋律或音高,則應改用音高追蹤方法。