跳到正文

#語音

RSS
今日 4 則
11月12日週四
  1. Hugging Face Diffusers Releases72

    Hugging Face Diffusers 0.43.0 整合五種生成與模擬模型

    Hugging Face Diffusers 0.43.0 新增五種模組化模型整合,涵蓋影像生成與編輯、影音生成、語音驅動動畫及世界模擬。具體包括 MiniMax-H3-Image、Pika H3 Flex、P-H3-Image、Kandinsky S2V 1.0 和 PAN 2。

    推薦理由:Diffusers 0.43.0 將五種生成與模擬模型整合為模組化流程,並補上平行化、注意力後端及 LoRA 等工程改進,呈現其應用範圍與部署變化。

  2. ElevenLabs Official Blog76

    ElevenLabs Summit NYC 公佈模型、AI 助理與企業部署更新

    ElevenLabs 在 Summit NYC 公佈模型、AI 助理與企業部署更新,涵蓋語音模型微調、對話模型排程,以及企業代理的新功能與合作方案。 - 模型與AI 助理:Interaction Engine 可處理輪流發言與插話,並為對話不同階段選擇 LLM;ElevenAgents 將加入客戶記憶與多步驟自動化 Routines。

    推薦理由:互動引擎會依對話階段選擇模型,搭配記憶與多步驟自動化,呈現 ElevenLabs 擴充套件企業語音AI 助理工作流程的方向。

11月11日週三
  1. The Decoder77

    DeepL推出 Aure 語音模型,讓即時翻譯保留語氣與情緒

    DeepL推出 Aure,讓 DeepL Voice 的即時翻譯將原說話者的語氣、情緒、強調方式與語速帶入目標語言。 - 運作方式:Aure 在對話進行時持續分析翻譯文字與原始音訊;訓練時將聲音身分、語調和內容分開處理,並以強化學習避免輸出帶有口音。

    推薦理由:Aure 會隨對話持續分析譯文與原始音訊,將語氣、情緒、強調方式和語速帶入目標語言,補上靜態聲音樣本難以呈現的情緒變化。

  2. Dev.to Top Tech49

    頻譜圖解析:如何判讀並用 Python 製作

    頻譜圖以時間為橫軸、頻率為縱軸,並用顏色或亮度表示各時間與頻率上的能量;文章說明其判讀方式,並示範如何用 Python 與 SciPy 計算頻譜圖。 - 計算方式與取捨:短時傅立葉轉換(STFT)會將音訊切成重疊片段,逐段進行傅立葉轉換。

  3. Dev.to Top Tech35

    TTSFree API 如何用 cURL 產生印地語語音

    TTSFree.in 提供 API,讓開發者將 AI 文字轉語音及其他音訊功能整合至應用程式;文章示範如何透過 cURL 產生印地語語音。 - 支援功能與語言:文字轉語音支援印地語、泰米爾語、孟加拉語等印度語言,以及 23 種世界語言;另提供語音轉文字、翻譯與音效功能。

  4. Google Developers Blog82

    Google AI Edge Gallery 加入裝置端語音辨識與文字轉語音功能

    Google於 2026 年 11 月 10 日宣佈,Google AI Edge Gallery 與相關開發工具加入裝置端語音辨識(ASR)和文字轉語音(TTS),可在離線情境下提供語音互動。

    推薦理由:文章整理 Android 與跨平臺語音方案的模型、延遲及整合方式,方便開發者依裝置與部署需求比較選擇。

  5. Thurrott40

    Spotify AI DJ 新增英文與西班牙文語音選項

    Spotify 為 Premium 使用者的 AI DJ 新增英文與西班牙文語音選項,也加入關閉歌曲間解說的設定,讓播放體驗更不受幹擾。 - 語音選擇:新增 7 種英文語音,涵蓋英國、美國、愛爾蘭、澳洲與印度口音;另新增 2 種西班牙文語音。