Voicetest 如何進行即時語音通話測試
Voicetest 新增即時音訊通話測試,讓模擬來電者透過 WebRTC、TTS 與 STT 和語音代理互動,並比對代理預期說出的文字與對方實際聽見的內容。
Voicetest 新增即時音訊通話測試,讓模擬來電者透過 WebRTC、TTS 與 STT 和語音代理互動,並比對代理預期說出的文字與對方實際聽見的內容。
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。
作者分享如何在辦公室的 GPU 電腦上架設語音轉文字 API,讓 Windows 電腦、iPhone、iPad 與 Android 裝置透過同一個內部服務進行聽寫。
ElevenLabs 的教學示範如何結合 Python 後端與 JavaScript 前端,透過 TTS API 生成故事語音,並依使用者選擇播放分支情節。
ElevenLabs 的文字轉語音 REST API 可透過 Python、Node.js 或 curl 呼叫,並支援串流回傳音訊;指南說明如何取得 API 金鑰、合成語音及部署服務。
ElevenLabs 說明內容創作者如何將錄製的聲音樣本製成數位複製聲音,用來為影片、Podcast、課程與社群短片生成旁白,減少每次錄音的需求。
MAI-Transcribe 2 在 OpenRouter 最近一個完整統計週獲得 822 萬次轉錄請求,較前週增加 18%,排名平臺第三,位居 Whisper 系列之後。
**這篇教學示範如何用 Python、Flask、JavaScript 與 ElevenLabs TTS,打造可朗讀 Markdown/HTML 檔案、以語音導覽並支援語音複製的檔案閱讀器原型。
ElevenLabs 在 ElevenLabs Summit NYC 公佈多項面向 AI 助理的更新,涵蓋模型微調、對話模型選擇、記憶與例行流程,以及 ElevenAI 工作助理。
Google Gemini 今日開始支援 Apple CarPlay,iPhone 使用者可透過 Gemini Live 免持對話,並在車載介面接續近期聊天或開始新對話。
作者分享如何將即時語音翻譯層整合至 WhatsApp、Zoom 與 OBS,並整理實作過程中的延遲、音訊路由與工具選擇問題。 - 延遲與架構:系統透過持續連線的 WebSocket 傳送串流語音,端到端延遲略高於 2 秒。
VoiceArena Dictation Bench 依七種使用情境評估語音聽寫工具,協助使用者根據實際需求比較輸出品質。 - 評估方式:分別呈現草稿需要修改的頻率與字元編輯總量,並提供實例說明差異。
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。
ElevenLabs 透過語音模型與 AI 助理,協助企業將語音 AI 用於客戶互動、員工工作流程與安全訓練;企業客戶目前佔其營收 超過 55%。
CosyVoice 2 與 3 可在 Apple Silicon Mac 上嘗試自行安裝,但官方步驟以 Linux 為主,預設使用 CPU,Apple GPU 加速需要自行套用社群修補。
將筆記改寫成雙主持人對話指令碼,再為每位說話者指定不同聲音,就能用 Murmur 在 Mac 本機產生並匯出 Podcast;指令碼由使用者撰寫,App 不會摘要筆記或代寫指令碼。
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。
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。
Readaria 是一款自託管的 RSS 閱讀器,結合 TTS 與 AI 播客功能,讓使用者可在通勤時聆聽文章摘要。 - 部署方式:單一 docker compose up -d,AGPLv3 授權。
Fish Audio 推出 Live 3 全雙工語音模型,讓即時語音AI 助理能一邊聆聽、一邊說話,並由模型判斷何時回應、等待或停止。 - 對話時機:模型以真實人類對話訓練,可在聽到「yeah」時繼續,遇到「Wait, actually」等更正時停止,也能等待使用者說完分段的電話號碼或訂單內容。
OpenAI 將於 12 月 11 日停用 ChatGPT 的 Advanced 與 Standard 語音選項,使用者屆時會自動轉用 GPT-Live。
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。
瀏覽器語音預覽可將等待拆成三個階段,依各階段的延遲紀錄找出瓶頸,避免把時間花在錯誤的最佳化方向。 - 首次位元組:立即顯示明確的排隊狀態,不要只顯示沒有說明的載入動畫。
**這篇教學示範如何結合 NewsAPI、ElevenLabs 與 Flask,建立能擷取新聞標題並生成串流 MP3 的語音新聞閱讀器 App。
OpenAI 宣佈,將於 2026 年 12 月 11 日停止 ChatGPT Voice 的 Advanced 與 Standard 語音,並把重心放在改善 GPT-Live。
推薦理由:OpenAI 表示語音使用量近乎翻倍,並將把舊版語音的使用經驗帶入 GPT-Live,說明產品調整與後續改進方向。
Google 在 Google AI Edge Gallery 新增端側自動語音辨識(ASR)與文字轉語音(TTS),可搭配端側小型語言模型,打造離線語音互動應用。
推薦理由:文章比較 ML Kit、MediaPipe Tasks 與 LiteRT 的端側語音建置路徑,並提供延遲、語言涵蓋與模型規格,便於開發者評估平臺選擇。
ElevenLabs 推出語音轉文字模型 Scribe v3 與 Scribe v3 Live,分別面向錄製音訊與即時音訊,並在其測試中降低轉錄錯誤率。
推薦理由:文章以相同資料集比較批次與即時轉錄模型,並拆解詞錯率、說話者辨識與即時辨識的差異,方便評估各自適用的場景。
試試 MAI-Transcribe-2,全球速度最快、價格最低、準確度最高的語音轉錄模型! 比 GPT‑Transcribe 快 10x 比 Gemini 3.5 快 5x 每小時音訊 $0.10
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。
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。