Zyphra 發布開源語音合成模型 ZONOS3-Mini,啟用引數約 100M
Zyphra 發布開源文字轉語音模型 ZONOS3-Mini,採用總計 800M、每個 token 約 100M 啟用引數的 MoE 架構,支援即時本機執行、零樣本聲音複製與逐詞語氣控制。
推薦理由:ZONOS3-Mini以較少的啟用引數支援多種本機部署;評測由 Zyphra 自行執行,且參考音訊複製模式的分數明顯較低。
Zyphra 發布開源文字轉語音模型 ZONOS3-Mini,採用總計 800M、每個 token 約 100M 啟用引數的 MoE 架構,支援即時本機執行、零樣本聲音複製與逐詞語氣控制。
推薦理由:ZONOS3-Mini以較少的啟用引數支援多種本機部署;評測由 Zyphra 自行執行,且參考音訊複製模式的分數明顯較低。
Glimpse 開發者分享打造聽寫與會議應用程式的經驗:先實作使用者期待的即時逐字稿,再透過實際使用找出問題,進一步開發能在課堂進行時協助整理筆記的功能。
Spotify 為 AI DJ 新增聲音與個性選項,並讓 Premium 訂閱者減少歌曲之間的評論,調整音樂播放時的互動方式。 - 聲音選擇:新增英文與西班牙文聲音;英文選項涵蓋英、美、愛爾蘭、澳洲與印度口音,西班牙文新增 Nico 和 Fabi,取代原有的 Livi。
Otter.ai 宣佈擴充套件多語言功能,新增可在同一場會議中追蹤語言切換的轉錄功能,完成推出後平臺將支援 31 種語言。 - 目前可用:13 種新增語言已推出,包括中文、韓文、德文、義大利文、粵語、葡萄牙文、俄文、印尼文、馬來文、荷蘭文、土耳其文、越南文與波蘭文。
Nemotron 3.5 Transcribe 可透過提示詞選擇逐字稿、清理後文字或附逐字時間戳的說話者標記;InferenceKey 在單張 32 GB RTX PRO 4500 Blackwell 上實測其輸出、辨識率與部署限制。
作者開發並開源 HardCall、Zhishu Agent、StatementFlow AI 與 TERRA,共 4 套面向實際環境與壓力情境的工程系統。
這篇指南示範透過 Apify 的 ai_admin/social-video-transcript Actor,一次取得 YouTube 原文逐字稿、烏克蘭語翻譯,以及原文與譯文的 SRT/VTT 字幕檔。
Ring Hyacinth 分享一支短片的製作流程,使用 Seedance 2.5 生成影片、以 Segment Audio 分離背景音樂,並搭配 Opus 5.5 和 Suno 設計音樂與音效。
DRVEXO-4B Unified 將影像理解、語音輸入與生成、文字對話、工具呼叫候選及候選評分整合在可獨立載入的套件中,文章展示其測試結果與應用方式。
Voice AI API 遇到速率限制時可能回傳 429 Too Many Requests,使語音回覆延遲或失敗;文章以 ElevenLabs 為例,說明如何用快取與重試策略減少 API 呼叫。
BataTalk 創辦人 Gabriel Luis Pacheco 分享在瀏覽器打造 AI 英語口說練習產品的實作經驗,以及開發過程中先遇到的問題。 - 產品設計:使用者可在日常情境中與 AI 角色進行語音練習;卡住時,場景教練 Tato 會提示句子開頭。
llama.cpp 的即時語音 API 提供取消回應的語義,但伺服器端不會偵測使用者插話,因此全雙工輪替控制必須由使用者端處理。 - 實測環境:作者在 Mac Mini M4 上以 LiquidAI/LFM3-Omni-2B、llama-server 0.9.0 和使用者端 VAD 建立語音回應中斷流程;插話後取消回應,TTFA 為 240 ms。
NMT Solutions 分享診所 AI 語音接待員的架構與實作方式,讓語音AI 助理接聽來電、查詢診所時段,並將預約寫入 Odoo 等 CRM。
Zyphra Research 發布開源 TTS 模型 ZONOS3-Mini,採用稀疏 MoE 架構,總引數 8 億、活躍引數 1 億,支援零樣本語音克隆與裝置端即時生成。
推薦理由:文章以端側延遲、模型規模與開源模型排名呈現 ZONOS3-Mini 的定位,也說明其語音控制能力與評估依據。
作者檢視自己為美國小型企業建立的 9 個語音AI 助理,發現它們共用完全相同的輪替設定,並以此說明如何按各自的通話環境調校。 - 兩種判斷:端點判定用來判斷來電者是否說完;插話偵測則判斷來電者是否開始說話,兩者失準都會造成對話停頓或互相打斷。
Vercel 發布 2026 年 11 月 AI Gateway Production Index,指出決策模型已佔 10 月全部請求的 26%,而新付費團隊首選 Anthropic 的數量近乎是 OpenAI 的兩倍。
推薦理由:Vercel 以匿名彙總流量呈現模型採用與更替速度,並列出各項統計口徑,便於理解企業團隊的實際使用變化。
Cursor 與 Google Antigravity 都推出雙向語音功能,讓開發者在編碼代理程式工作期間以口語追問進度、補充指示或核准命令。 - Antigravity:語音模式支援桌面應用程式與 CLI;CLI 可執行 /voice live 開始通話。
NorSpeak 提供免費的瀏覽器 AI 語音工作臺,可產生語音 MP3、轉錄上傳音訊,並進行附字幕的即時雙向通話。 - 功能:TTS 提供 6 種聲音,支援中文、英文與日文;STT 可轉錄上傳的音訊;即時工作室可在雙向通話中顯示字幕。
ElevenLabs 與 Deepgram 的比較顯示,文字轉語音依字元計價時,ElevenLabs v4 每分鐘 $0.072,是 Deepgram Aura-1 的 5.3 倍;語音AI 助理則以每分鐘計價,兩家費率相近,但包含的服務不同。
Wait Until You Try 為自家原創歌曲建立卡拉 OK 頁面,讓歌詞依照演唱時間逐字亮起,目前已完成 72 首歌曲的同步。 - 歌詞與音訊:歌詞直接取自預先寫好的歌詞稿,音訊只用來判定每個字何時唱出;作者指出,語音辨識容易把器樂前奏或獨奏誤判為人聲,也可能在副歌重複時對錯位置。
Voice Notes and Audio Recorder 是一款 Firefox 擴充套件,提供一鍵錄音,並將音訊儲存在本機,讓使用者不必另外開啟錄音 App 或將音檔上傳至雲端。
Adventists AI 在 ModelScope 開源全雙工語音模型 Sophon-Realtime v1,可在使用者說話時持續聆聽,並以帶有語氣的語音回應。
推薦理由:Sophon-Realtime v1 的互動延遲、插話處理與語音表現指標,呈現其全雙工語音模型的能力範圍。
作者提出一套比較語音 AI Agent 的買方驗收方法,包含 16 個合成通話情境、配對測試流程、評分規則與 JavaScript 比較工具;文章未測試或公佈任何廠商結果。
推薦理由:文章以買方自訂情境取代單一排行榜分數,整理出可重現的測試流程,協助檢查語音代理的通話結果、工具狀態與安全失敗。
Ultra Talking Pulse 是一款以 Presage SmartSpectra SDK 打造的 Android App,透過手機前置鏡頭估算脈搏與呼吸率,並用語音引導使用者調整臉部位置、光線與動作,完成測量。
Open WebUI 在 11 月 8 日發布 v0.13.1 與 v0.13.2,新增跨桌面平臺的伴隨應用程式 Tether,讓模型與程式碼代理能存取本機檔案、儲存庫和工具;但即時語音仍須仰賴 Windows 音訊擷取路徑,Tether 並未改變這項限制。
網頁應用的語音介面 透過瀏覽器的 Web Speech API 與 ElevenLabs 的 AI TTS,能快速打造自然且可自訂的語音互動。 - 核心技術:STT 服務(Google Speech、Azure Speech、Whisper)可達 10% 之下錯誤率;TTS 可調整音高、速度、情緒,並支援語音克隆。
Discord 在數百萬同時使用者的語音通話中,透過將語音流與文字訊息分離、使用 UDP 與 Opus 編碼、以及伺服器端的選擇式轉發,實現低延遲與高可靠。
summary_zh: FluentVoice Pro 1.6.7 釋出,加入多項限制以防止意外長時間朗讀,並改進視窗佈局保持整潔。 - Auto‑Read on Copy 限制 10,000 字元(約 9 分鐘朗讀),避免 Ctrl+A、Ctrl+C 造成長時間朗讀。
summary_zh: 作者在使用 FreeVoiceClone 建立個人聲音庫一個月後,提出命名規範、每週清理與隱私設定等實務建議,以保持庫整潔。 - 命名規則:每個聲音名稱包含四個資訊——角色/用例、語言、語調與日期,保持一致性可快速辨識。
Xiaoqingting 是一個完全本地化的桌面 AI 助手,結合語音輸入/輸出、工具執行與 3D 動畫 avatar。 - 架構:兩個程序(Electron 前端 + Fastify 伺服器)透過 REST + WebSocket 連結,所有本地功能(ASR、TTS、喚醒)皆在機器上完成;僅 LLM 透過 Claude Agent SDK 連線雲端。
summary_zh: Phonon 31M WebGPU 文本轉語音 Demo 在 11/4 仍未執行,宣稱 46 ms 首音量延遲與 26 倍即時速度,但實際測試 75 s 無音訊元件且未觸發錯誤事件。
語音 AI 代理合約 的關鍵在於將承諾轉為可驗證的證據,並透過「承諾‑證明」賬本與測試包,確保責任、可追蹤性與安全性。 - 承諾‑證明賬本:列出每項承諾的觸發、負責人、依賴、證據與驗收規則,避免「模糊承諾」掩蓋風險。
本文以實作範例說明 AI 語音模型的訓練流程,涵蓋資料收集、語音合成、神經語音器、語音克隆及雲端服務。 - 資料量 10–20 小時單說話者音訊即可訓練基礎 TTS;高保真克隆可用 30 分鐘錄音。
AI 語音 正在重塑播客製作流程,透過 ElevenLabs 等工具可快速克隆主持人聲音並自動生成內容。 - 核心技術:Deep Neural TTS、Voice Cloning、Audio Enhancement、Speech‑to‑Text。
Google Antigravity 2.29 於 Windows、Mac 與 Linux 釋出,新增雲端遠端代理與 Gemini Live 版語音模式,讓開發者可離線或關機時繼續執行長期任務並以語音對話管理程式碼。
SpeechRecognition 在瀏覽器中自動刪除「um」「uh」等填充詞,本文示範如何透過 JavaScript 追蹤剩餘填充詞、偵測停頓並計算說話速度。
本文示範如何以檔案級別計算語音轉錄所需工時,避免盲目使用平均 4:1 規則,並提供免費時間規劃工具。 - 手動轉錄:以音訊長度為基礎,乘以多重因子(說話者數、音質、重疊度),一次 1 小時、四重音質、四人重疊可達 9 小時。
Meta Muse 立即可對話、記憶並為你建置小工具 - 即時語音對話 Muse Voice 於 11 月 6 日推出,支援手機、網頁、Mac,未來將延伸至 Meta AI glasses 與 Muse Charm。