跳到正文

#語音

RSS
今日 4 則
今天11月23日週一
  1. Dev.to Top Tech73

    HeyGen Voice Turbo API 免費到 11 月 30 日,作者整理排名、價格與限制

    想試新的文字轉語音工具,又不確定音質和費用是否划算?作者整理 HeyGen Voice Turbo 的公告與 Artificial Analysis 排名;在使用相同聲音、讓聽眾盲聽比較的測試中,Turbo 排名第一,完整 HeyGen Voice 排名第二。免費方案到 11 月 30 日,提供盡力服務,沒有穩定度或延遲保證,額滿時請求可能回傳 429;可用公開聲音和即時克隆,不含專業聲音克隆。作者沒有實際用它處理正式流量,建議先拿自己的文字試聽比較,不要只憑排名就換掉正在使用的服務。

  2. Dev.to Top Tech46

    VoiceSpheres 打造免費、開源又照顧不同需求的語音社群平臺

    VoiceSpheres 是一個讓大家加入語音房聊天的平臺,使用 LiveKit SFU 支援低延遲的多人語音。它也提供即時字幕、AAC 溝通圖板、讓使用者調整活動節奏的功能,以及 10 種無障礙預設;平臺支援 21 種語言,也能切換成由右向左的文字排列。主持人可以讓參與者靜音或鎖定房間,使用者也能自行封鎖他人。這些設計讓不同溝通和使用需求的人,都更容易參與語音社群。

  3. Dev.to Top Tech57

    用 Qwen3 TTS 和 LTX 2 製作克隆聲音與嘴型同步的說話影片

    要做出會說話的人像,聲音和嘴型得配合在一起。作者把流程分成兩段:先用 Qwen3 TTS 從一段錄音複製聲音,再讓 LTX 2 根據圖片或影片和音訊產生對應的嘴部動作。作者建議先生成完整臺詞,再用這段音訊做嘴型同步,並檢查容易對不準的爆破音和嘶聲。錄音品質會影響複製出的聲音;人物大幅轉頭時,畫面邊緣的同步也可能不自然。

11月22日週日
  1. Dev.to Top Tech61

    用前方搜尋和錯字比對,讓語音辨識跟上提詞稿

    語音辨識常會聽錯或漏掉字,提詞器就可能跟不上朗讀進度。這篇教學用一個指標記住稿子讀到哪裡,再往後檢視最多 12 個字;找到相符的字,就把進度移到它後面。較長的字也能容許一個字母替換、插入或刪除,短字則只接受完全相同的比對,減少誤判。文章也提醒,Chrome 的 Web Speech API 通常會把音訊送到 Google 伺服器,並提供手動捲動作為備用方式。

  2. Dev.to Top Tech43

    AudioClear AI 音訊清理工具怎麼用?依錄音問題挑對工具

    錄音有背景雜音、房間迴音,或人聲聽起來悶悶的,常常要先猜該用哪種工具。AudioClear 是在瀏覽器裡使用的音訊清理工具,不必安裝;上傳錄音或影片,也能貼上公開的 YouTube 或 TikTok 連結,再依問題選工具,處理完先在瀏覽器裡聽聽看。 例如,持續的嘶嘶聲或嗡嗡聲適合用 Noise Reducer,房間迴音則用 Reverb Remover;要把歌曲人聲和伴奏分開,可用 Stem Splitter。新帳號有 10 分鐘免費額度,可在瀏覽器試聽;下載需要付費方案。先找出錄音真正的問題再挑工具,比亂試一通更容易得到想要的結果。

  3. Dev.to Top Tech46

    Resolve Lumvrix v4.4.0 加入免費配音工具,打造 GTA 6 長篇解說影片

    做 YouTube Shorts 可以很快讓人看見,但只剪遊戲片段可能有收益風險,也不容易讓觀眾找到有用的解說。Resolve Lumvrix v4.4.0 把配音和長篇影片剪輯工具加進同一套工作室,能用免費的 Kokoro-82M 在電腦本機配音,也能選 Google Gemini、Groq、ElevenLabs 等服務;接著會把旁白、畫面、字幕和圖卡排在一起。 例如,作者示範用它製作一支 16:9 的 GTA 6 長篇解說影片,並自動加上旁白、圖卡、音效和片段來源標記。這套工具也提供 54 種 Kokoro 聲音,讓創作者不用付費或申請 API 金鑰,就能開始製作配音影片。

  4. Dev.to Top Tech61

    Heart on Stream 用網路攝影機顯示心跳,並替 OBS 直播標記精彩片段

    直播主常要另外戴裝置才能把心跳帶進畫面,也得花時間找出影片中的精彩時刻。Heart on Stream 用直播時已在使用的網路攝影機估算心跳和呼吸,再把跳動的愛心與呼吸動畫放進 OBS 畫面;直播主可選擇只顯示動畫、加上約略數字,或完全不顯示。當心跳持續高於個人平常狀態時,程式會儲存精彩片段,並在 OBS 錄影中標記章節。攝影機要在同意後才啟動,若偵測到第二張臉就會暫停;作者也說明,SDK 會把部分生理數值傳給 Presage,再轉交語言模型,且無法關閉這項功能。

  5. Dev.to Top Tech48

    Speakvora 每月 100,000 個免費字元,小型商家能用來說多少句話?

    Speakvora 每個帳戶每月免費提供 100,000 個語音字元,超過後每 1M 個字元收 $3。空格和標點也會計入,但重點是「新句子」:相同文字用相同聲音播放時,之後可以重播存好的錄音,不會再扣字元。像商店播一次「本週末披薩打 8 折」,這句有 73 個字元,無論有 5 個人還是 500 個人聽,都只算一次。 所以,小型商家常用的電話回答重複播放時,通常比看起來更省;若大量朗讀長篇文字、產生不同說法或使用多種語言,就比較容易用完額度。以每週換 5 個、每個約 100 個字元的優惠為例,每月約用 2,000 個字元。

  6. Dev.to Top Tech56

    GPT-Live-1.1 語音接待員每接 1,000 通電話約花 $140,後端費用另計

    電話接待 AI 有不少時間是在等來電者說話,這些安靜時段也會產生費用。作者依 GPT-Live-1.1 的語音計價方式估算,若 1,000 通電話每通 4 分鐘、其中一半時間安靜,語音費約 $140,比全程都在交談的 $200 少 $60。待機折扣只適用於 WebRTC 語音連線;後端模型和工具呼叫仍照常計費,走純 SIP 的電話線也沒有這項折扣。因此,長時間等候的電話較可能省錢,短而密集的通話則不一定。

  7. Dev.to Top Tech57

    Earu 開發者分享聽力練習播放器的設計取捨

    看得懂字幕,卻聽不出影片裡的句子,是學第二語言時常遇到的麻煩。Earu 開發者分享這款桌面播放器如何把影片變成練習:先遮住學習語言的字幕,讓人試著聽,再用排字、聽寫和跟讀練習;字幕和聲音對不上時,程式會比對兩者的時間,信心足夠才自動校正,也能切回原本時間。作者還說明如何避免太長的句子讓人卡住,以及怎麼減少重複答題刷分。這些設計都來自他陪孩子練習時遇到的問題,產品不安排固定課程,讓使用者從自己喜歡的影片開始。

  8. Dev.to Top Tech46

    教你用 ElevenLabs 把 Markdown 檔案變成語音檔案

    看很長的 API 說明或新手指南容易累,這篇教你用 Python 做一個小工具,讓檔案變成可以播放的 MP3。工具會讀取 Markdown 檔案、去掉開頭的設定資料,再把內容切成幾段送給 ElevenLabs 轉成語音;每次送出的文字會控制在 5 k 字元左右的限制內。你也可以上傳約 30 秒的聲音樣本,複製成自訂語音來朗讀檔案。完成後,開發者就能一邊寫程式或走動,一邊聽檔案內容。

  9. Dev.to Top Tech58

    Upbeat 用呼吸控制虛擬合唱團,讓指揮者練習帶拍

    指揮者練習時,身邊沒有合唱團,很難知道自己的預備呼吸能不能讓大家一起進拍。Faris 做了 Upbeat,讓虛擬合唱團跟著使用者吸氣的快慢進場;唱得整齊時,聲音會一起出現,呼吸太淺或只點頭時,歌手就會錯開進拍,燈光也會顯示誰晚了。練習者可以做不同速度的節拍練習,檢視結果。程式用電腦鏡頭讀取呼吸和頭部動作,使用前會先徵求同意;影片不會儲存,沒有鏡頭時也能切換成節拍器模式。

  10. Dev.to Top Tech47

    教你用 ElevenLabs 和 Python 製作影片 AI 配音工具

    替影片換成另一種語言的配音,常得找人錄音,再把新聲音對準畫面,過程又花時間又麻煩。這篇教學用 Python、ffmpeg 和 ElevenLabs 把流程串起來:先取出影片聲音,再產生新的配音,調整長度後放回影片。沒有現成臺詞時,也可以先把原音轉成文字,再翻譯成目標語言;例如,想把影片改成另一種語言,就能把翻譯好的臺詞交給 ElevenLabs 合成語音。這套做法能讓影片配音更容易自動處理,但新聲音仍要配合影片長度。

  11. Dev.to Top Tech49

    ElevenLabs 教你在 React App 加入語音朗讀

    React App 原本只能顯示文字,加入語音後,就能把文字念出來。這篇教學用 ElevenLabs 產生語音:網頁把文字送到一個小型 Node.js 伺服器,再由伺服器呼叫 ElevenLabs API、把音訊傳回瀏覽器播放。這樣 API 金鑰就不會直接放在網頁裡。文章也示範如何讓使用者按下按鈕聽到朗讀,並提到可以上傳約 10 秒的聲音樣本,建立自訂聲音。

  12. Dev.to Top Tech52

    M² 用呼吸和脈搏讀值,提醒你先緩一緩再回訊息

    收到讓人緊張的訊息時,有時會急著回覆,事後才後悔。學生 Tunde Jonah Olabanjo 做了 M²,一款會用平穩語音陪你整理回覆的原型;取得同意後,它會從短片讀取呼吸和脈搏,並和你放鬆時的個人基準比較,再建議你先深呼吸或重新看過訊息。它不會碰你的訊息,也不會替你送出內容。作者表示,示範使用的是錄好的影片,讀值還沒有拿醫療裝置驗證;即時模式也尚未在較快的電腦上測試。

  13. Dev.to Top Tech73

    作者示範如何讓語音 AI 助理轉接真人,讓來電者不用重講一次

    來電者要求找真人時,如果語音 AI 助理還追問問題,或轉接後讓人從頭再說一次,很容易讓人失去耐心。作者分享用 Twilio 和 TypeScript 設計轉接流程:一聽到明確要求就交給真人,並把來電者的需求、已查到的資料和處理結果整理成簡短口頭摘要,讓接聽的人先了解狀況。若真人沒接,系統會說明轉接失敗並建立回電工單;作者也提醒要防止重複撥號,並避免承諾無法控制的回電時間。

  14. Dev.to Top Tech51

    OpenAI 語音模型聽得懂歌詞,卻難以辨認哼唱旋律

    用語音和 AI 助理聊天時,聽起來像是它聽懂了整段聲音,但它可能主要靠歌詞回答。作者用歌曲哼唱和唱出歌詞的錄音,比較 OpenAI 的三種開發者語音模型:有歌詞時,模型大多能認出歌曲;沒有歌詞時,幾乎都答不出來,甚至會把不同哼唱猜成同一首歌。模型仍能辨認部分情緒和音高變化,顯示聲音線索有傳進去,只是旋律資訊不足以穩定認歌。這些測試不代表所有公司的模型,ChatGPT 語音功能也只做了少量手動測試。

11月21日週六
  1. MarkTechPost79

    OpenAI 推出 GPT-Live-1.1,語音連線待機每分鐘 $0.02

    語音服務在使用者沉默時仍會產生費用,OpenAI 推出的 GPT-Live-1.1 加入了較便宜的待機狀態。這款語音模型能一邊聽、一邊說,支援多語言對話;待機時會暫停推論,但保持 WebRTC 連線,使用者開口後可以接著對話。待機費用是每分鐘 $0.02,啟用時則是 $0.05。OpenAI 表示,新版在口音、轉錄和完成任務方面有所改善,但沒有公佈評測分數;後端模型與工具的費用則另外計算。

    推薦理由:GPT-Live-1.1 把語音模型的待機費用降到每分鐘 $0.02,但語音品質提升目前只有 OpenAI 的說法,沒有公開評測分數可供比較。

  2. Hugging Face Transformers Releases66

    Hugging Face Transformers v5.24.0 加入多種模型支援並調整快取名稱

    要在 Transformers 裡使用新模型,或讓不同模型共用一套程式,開發者常得處理各自不同的介面。v5.24.0 加入 Inkling 2 Mini、Apertus 1.5、Dory 和 Omnilingual ASR 等模型支援,也把原本依模型而異的 past_key_values 和 cache_params 統一改叫 cache;舊名稱目前仍可使用,但會出現棄用提醒。這次更新也修正了文字串流在中文、日文和韓文內容中可能漏空格或變慢的問題。

    推薦理由:Transformers v5.24.0 一次加入多種模型支援,也統一了快取名稱;更新內容能幫開發者掌握新模型接入與舊程式需要調整的地方。

  3. Dev.to Top Tech59

    AssemblyAI STT-3.7 更新說話者標記,Windows 雙音軌擷取仍影響即時反應

    即時字幕和翻譯提示就算接上快的語音辨識模型,也可能因為收音流程太慢而延遲。AssemblyAI 推出 STT-3.7,讓系統在一段話結束時就定下說話者標記;文章也介紹 Windows 上的雙音軌做法,分開擷取自己的麥克風和通話另一端的聲音,避免混在一起後難以辨認是誰在說話。作者提醒,音訊送到模型前就可能先花掉 20–50 ms,遠端辨識還要加上網路時間,因此收音路徑仍會左右畫面提示出現得多快。

  4. Dev.to Top Tech36

    語音辨識的時間戳記為什麼會超出音檔長度?怎麼檢查

    語音辨識系統標出的片段時間,有時會比送進去的音檔還長:一段 541.07 秒的音檔,辨識結果卻到 552.04 秒,多出 10.97 秒,可能讓字幕和配音對不上。排查時,可以比對原始音檔、解碼後的音訊和實際送進辨識系統的資料有多長;如果音訊曾切段或刪除靜音,也要記下每段時間位置如何換回原始音檔。作者建議用測試檢查時間戳記是否為負數、超出音檔範圍,或片段結束時間早於開始時間。直接把超出的時間截短,仍可能讓字幕不同步;這次問題的真正原因還沒有確認。

  5. Dev.to Top Tech46

    如何用 ElevenLabs 做出會唸新聞的 App

    通勤、煮飯時想聽新聞,作者示範用 Python 抓取新聞標題,再交給 ElevenLabs 念成語音,並把音訊傳到網頁播放。使用者可以按下按鈕,聽新聞標題和簡介;也可以錄一段 60 秒的聲音,讓 App 用自己的聲音唸新聞。ElevenLabs 免費方案每月有 5,000 個字元可用,適合試做少量新聞;若要正式使用,則可把音訊存起來,減少重複製作的次數。

  6. Dev.to Top Tech61

    Haru-4B 新手指南:這款模型能邊聽邊說多種語言

    一般語音模型多半是聽完再回答,Haru-4B 則設計成一邊接收語音、一邊產生語音和文字,每秒處理 7.5 個音訊片段。它支援英文、中文、日文等 9 種語言,也能依角色設定和參考聲音進行對話;使用者要自行提供有權使用的單人語音片段。Haru-4B 是研究用的預訓練模型,不是可靠的查資料或照指令辦事的 AI 助理,也沒有提供基準測試結果。

  7. Google Research70

    Google 把 Duplex 電話功能帶進 Gemini Tasks,替使用者聯絡商家

    訂位或預約常得打電話,商家可能臨時改口、提出別的時段,電話環境也常有背景雜音。Google 將 Duplex 整合進 Gemini App 的 Tasks,讓它能代替使用者打電話處理日常事務,並用 Gemini 理解需求、安排步驟和接續對話。這套系統從只能處理固定任務,逐步發展到能依文字描述應付不同需求,例如配合行事曆空檔安排汽車保養。每通電話一開始都會說明是 Google 的自動化系統,商家也能選擇不接這類電話。

    推薦理由:Duplex 從固定任務的專用模型,逐步演進為由 Gemini 統整理解、規劃與對話的系統,呈現它如何處理電話中的臨場變化。

  8. aihot74

    Google 把 Duplex 整合進 Gemini Tasks,讓 AI 助理替你打電話給商家

    訂餐、約時間常得直接打電話,但商家可能改口、背景又很吵,AI 得接得上話,也不能搶著開口。Google 回顧 Duplex 十年來的變化,並把它整合進 Gemini App 的 Tasks,讓 AI 助理依照使用者交代的事情致電商家;現在系統使用 Gemini 處理理解、規劃和對話,也能在商家提出其他時段時調整安排。電話一開始會說明是 Google 的自動系統,商家也能選擇不接這類電話。商家不用安裝軟體或改變原本接電話的方式。

    推薦理由:Duplex 從固定流程走向 Gemini 統一架構,也說明電話服務得同時處理對話節奏、背景噪音與商家拒絕等現場狀況。

  9. Dev.to Top Tech42

    如何打造即時語音翻譯 App

    出國和人聊天時,常得先聽懂對方說什麼,再想辦法翻譯,對話容易卡住。這篇教學示範怎麼把語音辨識、翻譯和文字轉語音接在一起:Deepgram 把麥克風錄下的話轉成文字,Google Translate 翻成目標語言,再由 ElevenLabs 念出來,也能讓譯音聽起來像原本說話的人。像是把一句話翻成韓文後,App 就能播放韓文語音。這個做法能當作原型,開發者也可以用串流 API 減少等待時間。

  10. ElevenLabs Official Blog39

    Fundación Televisa 如何用 ElevenAgents 訪談超過 1,000 位創業者

    POSiBLE 要公平挑選創業者,得先逐一瞭解他們的生意,但申請人多,安排訪談很花時間。Fundación Televisa 把 ElevenAgents 接到 POSiBLE 的網站,讓申請者隨時用語音介紹營收、客戶等情況,通話結束後就能收到回饋。訪談平均約 5 分鐘,這次共訪談 1,036 人,最後選出 70 個團隊參加培訓營。AI 助理讓創業者能配合自己的時間完成訪談,也幫團隊處理大量對談;受訪者仍由 POSiBLE 團隊挑選,AI 沒有取代工作人員。

  11. MIT News · AI42

    MIT-IBM 研究團隊如何讓多模態 AI 更懂聲音、影像和語言

    人聽到鳥叫、看到畫面時,常能把聲音、影像和語言連在一起;多模態 AI 看起來也會,但有時其實沒聽懂,只是在猜答案。MIT-IBM 研究團隊用少量標註資料訓練模型,並設計測試方法找出這些問題。例如,選擇題問音訊裡是哪種動物在吼,有些模型就算只聽到隨機雜音也答得不錯,表示它可能只看選項猜,沒有仔細聽。團隊正設法讓模型更注意聲音,也研究讓 AI 助理能一邊聽、一邊說話,讓對話不必僵硬地輪流發言。

  12. ElevenLabs Official Blog62

    ElevenLabs 示範用 ElevenAgents 和 Architect 打造醫療預約提醒 AI 助理

    診所人工提醒病人很難大量處理,簡訊和傳統語音選單也不容易確認身分或直接改約。ElevenLabs 示範用 ElevenAgents 和 Architect 建立外撥提醒 AI 助理:先核對病人的生日,再從電子病歷讀取預約,讓病人確認、改期或取消;若接到語音信箱、病人要求停止來電,或需要真人協助,也有相應流程。文章記錄了模擬測試和實際通話中發現的問題,包括未核對身分就透露預約資料、編出不存在的改期時間,以及 EHR 寫入時遺失資料。作者也提醒,測試全數通過仍不代表實際寫入正確,應讀回資料確認。

    推薦理由:文章呈現從工作流程設定、模擬測試到實際通話與 EHR 寫入的建置過程,也指出測試未涵蓋的資料遺失問題。

  13. llama.cpp Releases50

    llama.cpp b12590 加入 drama3 聲音複製支援

    llama.cpp 這次更新讓 fish_s2_spkenc 也能用在 drama3,把參考音訊轉成模型可使用的資料,並透過 drama3 的語音流程產生聲音。使用者提供參考音訊時,系統會把其中的音訊資料送進模型;呼叫端提供下一段音訊的程式碼時,也能用來引導生成。這讓 llama.cpp 能處理 drama3 的聲音複製流程,並新增讀取生成狀態中參考音訊程式碼的方式。

  14. eric zakariasson39

    說出想法比打字更順手後,Eric Zakariasson 做了一個用 Grok 語音功能的小工具,讓自己用說的來聽寫和下提示詞,並把程式公開,讓大家可以改造。隨著 AI 助理寫程式的能力變好,更多人能做出符合自己需求的軟體;但仍要先弄清楚問題在哪裡。他認為,大家若把相似工具開源,別人就能接著改,減少重複造工具,最後可能有很多工具免費提供。

  15. Together AI Official Blog73

    Together AI 開放使用 Qwen3 TTS,可調整語氣並串流生成語音

    把文字變成語音時,開發者可能希望調整說話情緒、維持熟悉的聲音,也讓語音更快開始播放。Together AI 現在提供 Qwen3 TTS,可從 9 種預設聲音中挑選,再用簡短文字改變說話方式;每種聲音都支援 10 種語言。串流時,第一段音訊最快可在 97ms 後送出,文字若還在逐步產生,也能透過 WebSocket 分段送入。服務費用是每 1M 個字元 $20;Qwen 建議使用聲音原本的語言,以取得較好的品質。

    推薦理由:文章整理了 Qwen3 TTS 在 Together AI 的語音控制與串流方式,並說明不同語言的聲音品質可能因預設聲音而異。

11月20日週五
  1. Dev.to Top Tech62

    教學:如何轉錄 Spotify Podcast 單集,不碰 Spotify 音訊

    Spotify 沒有公開的逐字稿下載功能,也不能直接匯出音訊,直接錄下或解密串流也會違反平臺條款。作者示範一條替代路徑:先從 Spotify 頁面取得節目和單集名稱,再用 Apple Podcasts 的搜尋 API 找到節目的 RSS,核對單集後,轉錄 RSS 提供的公開音訊。遇到名稱、日期或長度對不上時,應停止處理,避免轉錯集;Spotify 獨家節目沒有公開 RSS,就無法用這種方式轉錄。作者也提供 Apify Actor,一集約 42 分鐘的節目轉錄費用約 $0.19。

  2. TechCrunch · AI49

    六款 AI 辦公小物,讓居家工作更方便

    開會時忙著記筆記、視訊時一直調鏡頭,或坐太久忘了起身,這些小麻煩都有 AI 辦公用品能幫忙。Flowtica Scribe Pen 可以一邊手寫、一邊錄音,會後還能整理重點和待辦事項;Insta360 Link 2 Pro 則能跟著你移動、調整畫面,讓你保持在鏡頭裡。另有可設定快捷鍵的 Logitech MX Keypad,以及能記錄坐著和站著時間的 Autonomous Desk Pro。它們各自解決不同的工作煩惱,讓記錄、開會和活動提醒更省事。

  3. Dev.to Top Tech69

    AI 語音通話每天擴大到數千通時,哪些工程做法能避免出錯?

    AI 語音通話一次會佔用好幾分鐘,電話連線、語音辨識、大型語言模型和語音合成都可能碰到限制或故障。作者整理了系統擴大到每天數千通時的做法:把通話進度存在服務程式之外,避免重新啟動就忘記談到哪裡;撥打前限制同時進行的通話,額滿時先排隊;同一個電話事件重送時只處理一次。文章也建議盡早開始播放語音、縮短提示詞,並記錄每通電話如何結束、在哪個步驟停下,方便找出需要改善的地方。