依意思最接近的 30 筆
輝達發布開放權重模型 Nemotron 3.5 Transcribe，用同一個 checkpoint 同時完成轉寫、說話人分離、翻譯與音訊問答，已在 Hugging Face 和 ModelScope 上線。它支援 40 種語言轉寫、31 種語言與英語互譯、13 種語言的說話人區分，可處理最長 1 小時錄音、標註最多 8 位說話人，並支援用自然語言提示控制輸出格式與專業術語。
輝達發布免費開源權重語音轉寫模型 Nemotron 3.5 Transcribe，支援最多 40 種語言，可處理長達一小時的錄音、區分最多 8 位說話人，並能在 31 種語言與英語之間互譯。該模型為 300 億引數，官方稱可執行在單顆晶片上，涵蓋 Jetson AGX Thor、DGX Spark 與 Blackwell 資料中心晶片；同期還發布了開源語音資料集 Granary 第二版。主要限制是只能處理已錄製音訊，不支援即時直播流。
Lont 以 MIT 許可開源了 Overtone，它同時用 gpt-transcribe、Azure STT、ElevenLabs Scribe 三個語音模型轉寫，對結果衝突的片段重新送入模型，再由 LLM 結合可選上下文提示判斷實際說了什麼，官方稱多個測試檔案的詞錯率低於單模型方案。配套的規則切分器按螢幕比例生成字幕：16:9 與 9:16 處理不同，停頓處斷行、按說話人分組，人名和數字不跨字幕。
RainbowSay 是一款面向語言學習內容創作的工具：播放影片素材時逐句給出翻譯、帶讀音的詞彙表和語法註釋，並生成觀眾會暫停檢視的逐詞疊層字幕，可直接錄屏。它支援對任意影片或麥克風語音即時轉寫、生成雙語字幕，顏色、字號、位置均可自訂。每次會話都會儲存，轉寫文字可複製進指令碼，字幕可按口播時間或對齊原文匯出為 SRT。
Mistral AI 公布 Voxtral Small Transcribe 3，稱其在多語言轉寫、說話人分離和上下文偏置三項能力上達到當前最優（state-of-the-art）。該模型能檢測說話人何時結束髮言，使語音 agent 無需等待即可及時回應，面向需要即時語音互動的場景。官方此次只披露能力定位，未公布引數規模、基準分數、價格、許可證或上線時間，也未給出與同類模型的對比結果和開放使用方式。
OpenAI 為 ChatGPT 加入音訊檔案上傳功能，可生成轉錄、總結錄音內容並針對錄音提問，還能把會議、訪談或講座整理成結構化筆記或跟進郵件草稿。該功能面向付費 ChatGPT 訂閱與工作區開放，實際可用性受工作區設定、地區、客戶端版本和模型影響。官方提示轉錄可能包含錯誤，不同語言的表現也存在差異。
Meta Omnilingual ASR 被《時代》評為 2026 年度最佳發明之一。這套模型系列可為 1600 多種語言提供語音識別能力，其中 500 種低覆蓋語言此前從未被任何 ASR 系統支援。Meta 表示，多數 ASR 系統只覆蓋網際網路語料充足的語言，此次發布是邁向通用轉錄系統的重要一步。
Mistral 的 Voxtral Mini Transcribe 3 在 Voice Arena 的 Diarization + ASR 排行榜上排名第二，這是把說話人分離與語音轉寫放在一起評測的榜單。訊息由 Mistral 官方帳號發布，但沒有給出具體分數、與榜首的差距，也沒說明模型的開放方式與可用渠道。
開源工具 mlsubgen 可在本機為影片生成 45 種語言字幕，僅支援 Linux 與 NVIDIA 顯示卡。它按每段語音檢測語言而非整檔案，同時執行兩個語音識別器並用本地 LLM 調和，且優先使用內嵌字幕軌（含藍光 PGS 點陣圖 OCR），無字幕時才聽音訊。模型佔用 30–65 GB 儲存，需 16–32 GB 記憶體，作者在 24 GB RTX A5000 上實測，純聽音訊時約每個目標語言耗時接近即時。
llama.cpp 的 server 加入 Realtime transcription API，可按 GA Realtime 規範提供基於 WebSocket 的即時語音轉寫會話，會話物件採用 type transcription，輸入格式、轉寫模型、輪次檢測與降噪放在 audio.input 下。API key 中介軟體現在會在 WebSocket 握手階段鑑權，支援 Bearer、原始 key 與 X-Api-Key，401 在升級前返回；
把 Google 的 EmbeddingGemma 2 嵌入模型改造成語音轉文字模型 Embedding Gemma Transcribe 後，在 8GB 記憶體的基礎款 M3 MacBook Air 上，一小時音訊約 12.6 秒轉完，全程在端側 Neural Engine 執行。工具免費下載，要求 macOS 14+ 與 Apple Silicon，首次啟動下載 715MB 模型；可拖入音訊檔案，或按住右 Option 鍵說話、鬆開即聽寫到任意應用，音訊不離開本機。
Google 推出實驗性筆記應用 Google AI Edge Foresight，可在 macOS 上完全離線轉錄會議和音訊檔案。該應用免費，轉錄與摘要均由端側模型 EmbeddingGemma 2 完成，無需聯網。使用時可在會中記下簡寫要點，應用會結合轉錄文字將其轉成成稿筆記，定位類似 Granola、Wispr Flow 等 AI 筆記工具。
Mistral 推出 Voxtral 3 語音模型系列，並配套語音 agent SDK，將監聽、推理、工具呼叫和發音整合進一條即時流式處理管線。轉寫模型 Voxtral Small Transcribe 3 支援 50+ 語言、說話人分離和關鍵詞上下文偏置，官方稱它在多語言轉寫與說話人分離基準上優於 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；Mini 版僅有 4B 引數，每分鐘 0.0035 美元。
YouTube 開始為經 AI「改動或完全生成」的歌曲加上「Made with AI」標籤，即日起上線，做法與其現有的影片 AI 標籤一致。該標籤並非覆蓋音樂製作中的所有 AI 用途，官方舉例包括用生成模型創作作曲與人聲。上傳歌曲的音樂合作伙伴需按規則披露生成式 AI 使用；若未披露，YouTube 稱可能借助「其他訊號」判斷歌曲是否為 AI 生成。
一位使用者僅向 Opus 5.5 提供創意、工作資料夾和音樂檔案，模型便自主完成了從調研到成片的全流程。它檢索了四年 AI 發展資料與素材，擷取文章和介面截圖，編寫 HTML 與動畫程式碼，用 Playwright 渲染畫面、FFmpeg 合成並加入音效，最終輸出完整影片。
Show HN 上的 PDF TO MP3 提供 MCP 伺服器，讓 Codex、Claude 等 AI 訂閱承擔 PDF 的文件處理，把文件轉成有聲書。用法是新增該 MCP 伺服器地址並完成認證，在對話裡附上 PDF 並要求呼叫它，另需一把 OpenAI 或 Google 的語音 API key；文件處理算在已付費訂閱內，語音生成按用量由 OpenAI 或 Google 單獨計費。
企業語音 AI 平台 PolyAI 的 CTO Shawn Wen 在 HumanX 大會上表示，全雙工模型雖已實現，語音 AI 仍未迎來自己的「ChatGPT 時刻」，下一步的關鍵是讓推理足夠快、對話足夠自然。會議記錄工具 Otter 的 CMO Alex Gay 指出，說話人識別、意圖捕捉並與組織知識結合才是自動化的關鍵，Otter 還在研發可代表參會者的數字孿生。兩人都提到 ASR 模型常漏掉關鍵詞，轉寫不準會讓後續動作全部出錯、使用者失去信任；
創作者 Marcello Costa 發布 AI 動畫短片 Monkey Business，整個流程幾乎都在 Claude 內完成。他通過 Seedance 2.5 skill 把自然語言提示轉成 Magnific 內 Seedance 2.5 工具的詳細視覺提示，99% 的過程發生在 Claude 中。首個提示設定專案規則後，僅用專案內術語即可協作，從開始到完成約 50 天，期間仍需大量迭代和後期製作。
有人做了一款工具，追蹤 AI 行業領袖在影片中的公開表態，並展示他們觀點隨時間的變化。目前收錄了 Dario Amodei（累計 54 條）、Alex Karp（51 條）、Marc Andreessen（49 條）、Sam Altman（45 條）、Palmer Luckey（40 條）、Satya Nadella（23 條）、Elon Musk（21 條）、Yann LeCun（6 條）等人，頁面同時標註本週新增條數，例如 Alexandr Wang 本週有 5 條。
The Verge 刊文指出，隨著 AI 硬體的出現，科技公司正在重新定義什麼才算「錄製」。過去帶麥克風或攝像頭的裝置基本只有開與關兩種狀態：麥克風採集聲音、攝像頭採集影像，資料先儲存在裝置上，有時再上傳雲端處理，這些被保留下來的時間切片就是錄製。文章認為這一定義正被打破，並援引 Bloomberg 記者 Mark Gurman 上週的報導，稱 Apple 正在開發一款智慧家居產品。
Mistral AI 上線 Pro Voice 的專業語音適配功能：使用者錄製最長 30 分鐘音訊，即可高保真復刻自己的聲音。官方稱復刻後的音色可在其支援的所有語言中使用，並強調“極高保真度”。公告未披露該功能的開放範圍、訂閱價格與具體上線時間。
Mistral 發布語音合成模型 Voxtral Mini TTS 3，官方稱其在 35 種以上語言和 50 多種方言上達到當前最佳的表達力。模型支援隱式指令跟隨，能從對話內容中讀出情緒、語速與重音；也支援顯式控制，用 [emotion=sad][pace=slow] 這類標籤逐行設定情緒和節奏。
Swift 包 AnySpeechRecognizer 發布，沿用 Apple SpeechAnalyzer 介面但可替換引擎，在裝置端用 Core ML 跑 NVIDIA Parakeet 與阿里 Qwen3-ASR，並新增說話人分離。Qwen3-ASR 覆蓋 30 種語言與 22 種中文方言（含粵語），但每段只給一個最終結果、無逐詞時間戳，速度慢於 Parakeet，更適合轉寫檔案。
一位業餘創作者在 Opus 5.5 發布後嘗試用 Claude 做影片剪輯，把 100 分鐘的多視角遊戲錄影剪成 50 分鐘的 YouTube 成片，全程未使用 DaVinci 或 Premiere。Claude 自動同步了音畫不同步的素材、生成轉錄並據此刪減冗餘、消除停頓、平衡音量，還製作了動畫片頭、箭頭與縮放等效果，並把錄影中的實體遊戲板重做成螢幕版。整個過程不到一天，作者只給了很少的指導。
一項新研究提出直接從語音中檢測語碼轉換（同一句話內多語言交替）的輕量方法，不再依賴先把語音轉寫成準確的多語言文字、再在文字中找語言交替。該方法利用預訓練語音基礎模型中的幀級語言資訊。研究動機是多語言語音中語碼轉換常見，但在預訓練語料中覆蓋不足，需要在大型語音集合中定位這類語句，以便納入訓練資料。
OpenAI 開發者帳號宣布新增九個語音預設，全部由法語、德語、印地語、日語和韓語的母語演員錄製，覆蓋五種語言。官方同步給出 custom voices 入門指南連結，指向 developers.openai.com 的 API 文件，供開發者瞭解如何開始使用。推文未說明音色名稱、可用模型、價格與開放範圍。
Retell AI 用 OpenAI 模型驅動其客服語音 agent，月通話量從 2026 年初的 3000 萬增至 9 月的 1 億通以上，其中 80% 通話由 OpenAI 模型生成回覆，累計消耗超 1 萬億 token。在 10 月 13 日的 vCX 基準中，GPT-6 Astra 以 89.7% 指令遵循率排名第一；發布前評測顯示 GPT-5.5 非幻覺率 88.0%、工具呼叫正確率 88.3%，均高於 Gemini-3.1-Pro 與 Claude-4.6。
AI 工具正在加速老遊戲的反編譯與重編譯移植，也讓專注遊戲儲存的社群遭到衝擊。過去一個月，瀏覽器裡的《光環》、iPhone 上的《風之杖》、混合現實中的《任天堂明星大亂鬥》等非常規移植專案高頻走紅。愛好者用 decomps/recomps 逆向拆解遊戲，再為新平台重建；AI 提高了移植速度，卻撕裂了原本緊密的儲存社群。
YC F26 團隊 Subvocal 在做一副能識別無聲口型的智慧眼鏡：使用者閉著嘴默唸，眼鏡發出類似藍牙的射頻訊號穿過面部，再由基礎模型把舌頭、嘴唇與軟顎的擾動解碼成文字，速度接近正常說話。團隊年初在 TreeHacks 用 EMG 電極復刻 MIT AlterEgo，因出汗、電氣干擾和貼電極不可行改為射頻方案，把天線嵌入鏡架。跨使用者差異靠擴大預訓練資料解決，影片中測試者只做了 20 句校準。目前仍是原型，未來數月繼續研發。
Google DeepMind 發布一期播客，討論 AI 生成內容日益逼真後如何驗證內容來自人類、機器還是自然。節目介紹內容溯源的作用，並講解不可感知水印如何保護數字媒體與生物設計，時間軸涵蓋水印概念、SynthID、影像與影片、SynthID Bio 及未來韌性等章節。