Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

🚀 OpenCodex v1.0.2 正式发布！我们把 Codex Desktop 的「原生能力、第三方模型、语音交互、会话管理」整合进了一套完整的本地工作流！ ⚡️ 【本地网关】原生 & 第三方无缝切换 • 原生 GPT 通道始终保留，第三方模型自由切换。127.0.0.1 纯本地监听 + macOS Keychain 凭据安全存储，支持一键还原原生 🎙️ 【全局语音 AI】刘海 HUD 交互体验 • 刘海 HUD 动态波形（Listening / Thinking / Speaking） • 支持短按连续对话 / 长按 Push-to-Talk 模式，所有模型统一支持 🧠 【会话管理】历史上下文无缝承接 • 一键扫描并导入本地历史 Agent 会话 • 智能生成摘要，过滤冗余日志，可直接在 Codex... show more

Ryanxlll2

1,118 subscribers

37,519 Aufrufe • vor 2 Monaten •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

34 Kommentare

Profilbild von AI Mastery Guide

AI Mastery Guidevor 2 Monaten

One click restore to native is a smart safety net for switching models.

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

✅

Profilbild von AI Mastery Guide

AI Mastery Guidevor 2 Monaten

😅

Profilbild von 晚晚

晚晚vor 2 Monaten

第三方模型能随手切就很省事

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

👍

Profilbild von 花果山下

花果山下vor 2 Monaten

我的codex 好像坏了，巨啰嗦，一个小任务十几分钟起步，要对codex 失去耐心了，但是open codex 真的好用，我现在用opencodex 接的cursor ，不知道是不是codex 对cursor 水土不服🥹

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

啊这…好像是另一个开源项目opencodex？因为目前我还没有接入cursor的订阅😂

Profilbild von 花果山下

花果山下vor 2 Monaten

这…… 名字都一样😅

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

解决了cursor水土不服的问题👀

Profilbild von 花果山下

花果山下vor 2 Monaten

厉害，我要试试去👍

Profilbild von Evan-te

Evan-tevor 2 Monaten

我正准备装codex++你又给我来这出我到底该用什么😂😂😂

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

哈哈哈哈，其实都很不错，都试试也是不错的选择👍

Profilbild von New World

New Worldvor 2 Monaten

free 吗

Profilbild von 安叫兽|Bird🕊️ 🔶 BNB

安叫兽|Bird🕊️ 🔶 BNBvor 2 Monaten

本地网关这块对多模型党还挺友好

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

确实👀

Profilbild von jiely

jielyvor 2 Monaten

windows 可以支持吗

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

windows目前还没有更新到1.0.2版本，正在进行中👀

Profilbild von jiely

jielyvor 2 Monaten

期待了

Profilbild von soap

soapvor 2 Monaten

你这是不是改的另外一个opencodex

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

@soapmancn 不一定星星多的就是先创建的😁

Profilbild von 鸽鸽鸽鸽德🐧

鸽鸽鸽鸽德🐧vor 2 Monaten

啥时候支持 Cursor 模型

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

已更新cursor

Profilbild von Bonge 🎒

Bonge 🎒vor 2 Monaten

超神

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

😂😂

Profilbild von 青青草原我为王

青青草原我为王vor 2 Monaten

本地网关做模型切换这个方向对，日常用便宜模型跑杂活，复杂任务再切原生 GPT，成本能压下来一大截。会话导入的难点不在导入本身，在摘要过滤——自动筛掉的冗余日志里经常藏着你真正需要的上下文。语音交互在 coding 场景更像演示用，真写代码还是键盘快，除非以后 agent 能听懂你想改哪一行就直接改。

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

确实，这些都是日后需要更新的方向👍

Profilbild von Ray Sun

Ray Sunvor 2 Monaten

之前用了一下，老把配置改坏了😅

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

试试最新版本👀

Profilbild von 光头狗头

光头狗头vor 2 Monaten

整合本地语音和模型切换，做Agent开发更顺手了。

Profilbild von 青青草原我为王

青青草原我为王vor 2 Monaten

三个里面我会先押本地网关，模型切换是用户每天都要碰的，做对了成本和灵活性的卖点就有了。会话摘要过滤难归难，但它是第二个台阶，用户得先习惯多模型切换才会攒出足够多需要导入的会话。语音那块短期不碰也无所谓

Profilbild von jk_wang

jk_wangvor 2 Monaten

怕担心安装后，gpt不回复了，之前搞过一次，就是这样了，后来用另一台电脑codex 修了，才恢复过来

Profilbild von TellerAI-Leo

TellerAI-Leovor 2 Monaten

希望可以是一个桌面端的工具，免部署开箱即用

Profilbild von Ryanxlll2

Ryanxlll2vor 2 Monaten

进行中…

Profilbild von renzheng

renzhengvor 2 Monaten

能不能添加多个plus账号做号池

Ähnliche Videos

OpenCodex v0.4.5 🚀 现在，无论使用官方 GPT、第三方模型还是订阅模型，无论处于原生模式、网关代理模式，还是切换不同会话，包括导入的本机会话、网关代理过的会话，以及中途切换模型后的历史记录。都能无缝继承完整上下文。在 Codex 中，不管你怎么使用，会话都不会丢，随时都能无缝衔接。✨ 目前已完成 macOS 版本适配，macOS 版本现已独立，与 Windows 版本分开维护。 #codex #chatgpt #opencodex

OpenCodex v0.4.5 🚀 现在，无论使用官方 GPT、第三方模型还是订阅模型，无论处于原生模式、网关代理模式，还是切换不同会话，包括导入的本机会话、网关代理过的会话，以及中途切换模型后的历史记录。都能无缝继承完整上下文。在 Codex 中，不管你怎么使用，会话都不会丢，随时都能无缝衔接。✨ 目前已完成 macOS 版本适配，macOS 版本现已独立，与 Windows 版本分开维护。 #codex #chatgpt #opencodex

Ryanxlll2

32,172 Aufrufe • vor 2 Monaten

🚀 OpenCodex 1.2.0 框架彻底重构完成！这一次，我们重构了底层模型路由，并加入了「Provider Split Bridge 智能分流桥」，区别于市面上几乎所有的第三方网关代理方式⚡ 过去的 OpenCodex 和其他第三方网关一样，采用全局代理模式：所有模型都经过网关。一旦网关崩溃，原生 GPT 和第三方模型会一起失效，只能还原原生模式才能恢复使用。现在，模型路由彻底分离： 🟢 原生 GPT 永远直连 OpenAI 无论网关开启、关闭、崩溃，还是第三方模型异常，都不会影响 GPT。除非 OpenAI 官方服务本身发生故障，否则 GPT 始终正常运行。 🔵 第三方模型按需接入网关网关开启时，第三方模型正常运行；网关关闭或崩溃时，第三方模型停止服务，但不会牵连原生 GPT。 🌉 Provider Split Bridge 智能分流桥网关启动时自动接入，自动识别官方模型与第三方模型，并将它们分别送往正确的服务通道。 🤖 Native Subagent Bridge 子智能体接力桥当主会话通过 spawn_agent 派发任务时，子智能体请求会通过独立桥接通道进入网关，再由网关按照任务指定的模型和推理档位进行智能分流。主会话仍然保持原生直连，不会变成全局代理，也不会影响 GPT 的正常会话。 🔄 会话完全互通会话列表、聊天记录和上下文完整继承。同一会话中可以自由切换 GPT、Gemini、DeepSeek 等模型，互不影响，也不会丢失上下文。 OpenCodex，从「全局代理」进化为「官方直连 + 第三方隔离」的双通道智能架构。官方模型永远稳定，第三方模型按需接入。🛡️✨

🚀 OpenCodex 1.2.0 框架彻底重构完成！这一次，我们重构了底层模型路由，并加入了「Provider Split Bridge 智能分流桥」，区别于市面上几乎所有的第三方网关代理方式⚡ 过去的 OpenCodex 和其他第三方网关一样，采用全局代理模式：所有模型都经过网关。一旦网关崩溃，原生 GPT 和第三方模型会一起失效，只能还原原生模式才能恢复使用。现在，模型路由彻底分离： 🟢 原生 GPT 永远直连 OpenAI 无论网关开启、关闭、崩溃，还是第三方模型异常，都不会影响 GPT。除非 OpenAI 官方服务本身发生故障，否则 GPT 始终正常运行。 🔵 第三方模型按需接入网关网关开启时，第三方模型正常运行；网关关闭或崩溃时，第三方模型停止服务，但不会牵连原生 GPT。 🌉 Provider Split Bridge 智能分流桥网关启动时自动接入，自动识别官方模型与第三方模型，并将它们分别送往正确的服务通道。 🤖 Native Subagent Bridge 子智能体接力桥当主会话通过 spawn_agent 派发任务时，子智能体请求会通过独立桥接通道进入网关，再由网关按照任务指定的模型和推理档位进行智能分流。主会话仍然保持原生直连，不会变成全局代理，也不会影响 GPT 的正常会话。 🔄 会话完全互通会话列表、聊天记录和上下文完整继承。同一会话中可以自由切换 GPT、Gemini、DeepSeek 等模型，互不影响，也不会丢失上下文。 OpenCodex，从「全局代理」进化为「官方直连 + 第三方隔离」的双通道智能架构。官方模型永远稳定，第三方模型按需接入。🛡️✨

Ryanxlll2

57,504 Aufrufe • vor 2 Monaten

🚀 OpenCodex 1.0.8 🪟 Windows 版已对齐 macOS 1.0.8。 🌐 本地网关：服务商、API Key、本机订阅和模型目录管理 🧠 智能模型：自动识别推理档位与上下文窗口，支持 Chat / Responses 🖥️ Computer Use：截图、鼠标、键盘、工具调用和连续交互 🤖 GPT-Live：实时语音、任务分派和执行模型切换 💬 会话中心：浏览、删除和导入多种 Agent 会话 #codex #opencodex #chatgpt

🚀 OpenCodex 1.0.8 🪟 Windows 版已对齐 macOS 1.0.8。 🌐 本地网关：服务商、API Key、本机订阅和模型目录管理 🧠 智能模型：自动识别推理档位与上下文窗口，支持 Chat / Responses 🖥️ Computer Use：截图、鼠标、键盘、工具调用和连续交互 🤖 GPT-Live：实时语音、任务分派和执行模型切换 💬 会话中心：浏览、删除和导入多种 Agent 会话 #codex #opencodex #chatgpt

Ryanxlll2

12,896 Aufrufe • vor 2 Monaten

Codex 接入第三方模型的最新方法教程 Codex 怎么接入 DeepSeek 等第三方模型，同时又保留 GPT 官方模型自由切换？这期视频分享两种 Codex 第三方模型配置方案：第一种是 Codexsplit，通过桌面端 GUI 就能完成配置，对不喜欢折腾终端命令的用户更加友好；可以通过 API Key 接入 DeepSeek 等模型，也支持导入已有订阅。第二种是功能更丰富的 opencodex，不仅支持 Codex，还支持 Claude Code、Claude Desktop、Grok Build 等多个 Agent，并且提供 GUI 配置界面和终端命令两种使用方式。视频中会以 DeepSeek 为例，从 API Key 创建、模型添加、连接测试，到 Codex 中实际启用完整演示。另外，opencodex 还支持多账号池，可以添加多个 ChatGPT 订阅账号，在用量耗尽后进行账号切换。如果你正在使用 Codex，又想尝试更多第三方大模型，这期教程可以参考一下。 #Codex #OpenAI #DeepSeek #人工智能

Codex 接入第三方模型的最新方法教程 Codex 怎么接入 DeepSeek 等第三方模型，同时又保留 GPT 官方模型自由切换？这期视频分享两种 Codex 第三方模型配置方案：第一种是 Codexsplit，通过桌面端 GUI 就能完成配置，对不喜欢折腾终端命令的用户更加友好；可以通过 API Key 接入 DeepSeek 等模型，也支持导入已有订阅。第二种是功能更丰富的 opencodex，不仅支持 Codex，还支持 Claude Code、Claude Desktop、Grok Build 等多个 Agent，并且提供 GUI 配置界面和终端命令两种使用方式。视频中会以 DeepSeek 为例，从 API Key 创建、模型添加、连接测试，到 Codex 中实际启用完整演示。另外，opencodex 还支持多账号池，可以添加多个 ChatGPT 订阅账号，在用量耗尽后进行账号切换。如果你正在使用 Codex，又想尝试更多第三方大模型，这期教程可以参考一下。 #Codex #OpenAI #DeepSeek #人工智能

GoFly

11,726 Aufrufe • vor 1 Monat

MiniCPM-o4.5：首个开源全模态、全双工模型全模态：支持视频、音频、图片、文本输入，支持音频、文本输出。能实时生成音频，支持语音克隆，支持生成无限长度音频。全双工：不是一问一答，而是能边听边说。支持打断，不仅你可以打断MiniCPM-o4.5说话，MiniCPM-o4.5也会自主决策打断你说话，像是两个真实的人在沟通。这是首个能打断人类说话的模型，Gemini 3 Flash能实现你打断AI说话，但是AI不能主动打断你说话。完全开源，9B参数，本地即可运行。OpenBMB 模型：

MiniCPM-o4.5：首个开源全模态、全双工模型全模态：支持视频、音频、图片、文本输入，支持音频、文本输出。能实时生成音频，支持语音克隆，支持生成无限长度音频。全双工：不是一问一答，而是能边听边说。支持打断，不仅你可以打断MiniCPM-o4.5说话，MiniCPM-o4.5也会自主决策打断你说话，像是两个真实的人在沟通。这是首个能打断人类说话的模型，Gemini 3 Flash能实现你打断AI说话，但是AI不能主动打断你说话。完全开源，9B参数，本地即可运行。OpenBMB 模型：

Gorden Sun

55,703 Aufrufe • vor 8 Monaten

阶跃星辰开源了一个130B 语音-文本的多模态模型：Step-Audio 这是一个集成语音识别、语义理解、对话生成、语音克隆、音频编辑和语音合成等功能的全能语音模型。该模型通过多模态训练，使得语音理解与生成可以无缝对接。主要能力：语音克隆支持多种语言对话（中文英日）情绪控制与语调控制支持方言可控制语速及韵律风格支持RAP和哼唱等集成了工具调用和角色扮演能力，能够高效管理复杂的任务和对话。 Step-Audio 在多个基准测试中表现出色，尤其是在开放域问答、复杂指令任务和语音合成（TTS）方面取得了显著的进展。

阶跃星辰开源了一个130B 语音-文本的多模态模型：Step-Audio 这是一个集成语音识别、语义理解、对话生成、语音克隆、音频编辑和语音合成等功能的全能语音模型。该模型通过多模态训练，使得语音理解与生成可以无缝对接。主要能力：语音克隆支持多种语言对话（中文英日）情绪控制与语调控制支持方言可控制语速及韵律风格支持RAP和哼唱等集成了工具调用和角色扮演能力，能够高效管理复杂的任务和对话。 Step-Audio 在多个基准测试中表现出色，尤其是在开放域问答、复杂指令任务和语音合成（TTS）方面取得了显著的进展。

小互

35,901 Aufrufe • vor 1 Jahr

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

AIGCLINK

52,501 Aufrufe • vor 2 Jahren

omarchy自带语音输入法，按下F9就能使用。但是中文支持很差（毕竟原作者也不使用中文）。做了一个linux原生的语音输入法，安装后选择一款模型，插件会自动下载，按住F9键直接说话，对于中文和英文包括像linux windows这种词也能识别，并自动粘贴。纯本地CPU推理，不消耗token。

omarchy自带语音输入法，按下F9就能使用。但是中文支持很差（毕竟原作者也不使用中文）。做了一个linux原生的语音输入法，安装后选择一款模型，插件会自动下载，按住F9键直接说话，对于中文和英文包括像linux windows这种词也能识别，并自动粘贴。纯本地CPU推理，不消耗token。

徹言

19,514 Aufrufe • vor 1 Monat

OpenCodex v1.0.8 本次为一次小幅优化与修复更新 🛠️ 模型推理强度自动识别：根据厂商实际返回的能力，动态显示模型支持的推理档位。上下文长度自动读取：优先使用厂商接口或模型注册表返回的上下文窗口；若未能获取，则默认按 200K 处理。第三方模型 Computer Use 回归：恢复桌面操作能力，继续使用完整的智能体工作流 🖥️ 📦 macOS 版本现已发布，Windows 版本仍在持续更新中

OpenCodex v1.0.8 本次为一次小幅优化与修复更新 🛠️ 模型推理强度自动识别：根据厂商实际返回的能力，动态显示模型支持的推理档位。上下文长度自动读取：优先使用厂商接口或模型注册表返回的上下文窗口；若未能获取，则默认按 200K 处理。第三方模型 Computer Use 回归：恢复桌面操作能力，继续使用完整的智能体工作流 🖥️ 📦 macOS 版本现已发布，Windows 版本仍在持续更新中

Ryanxlll2

24,093 Aufrufe • vor 2 Monaten

ElevenLabs 推出 Dubbing V2 端到端的AI配音模型... 最大的变化：配音不再是"先转写、再翻译、最后合成"三段式拼接，而是模型直接基于原始表演建模声音。并将音色、情绪、演绎都跟着穿越进每一种语言也就是说，同一个人开口讲六国语言，听上去还是他本人，连情绪和呼吸节奏都对得上 Dubbing v2 支持 90 多种语言和口音，原理：它针对原始表演来生成，而不是针对一段转录文本，所以语气、情绪、表达方式会跨语言保留下来，声音克隆全自动，会给原说话人建一个声音模型并应用到所有目标语言，保留身份、音高和语气，不用手动设置。另外支持音频、视频和文字三种输入具体能力： • 音色穿越：不是模仿你的声音，是你的声音直接在另一种语言里说话 • 情绪保真：原片里你笑你叹气你激动，译版照样有 • 同步感知翻译：译文长度匹配原片口型和停顿，不会嘴动完了字幕还在跑 • 措辞本地化：不是字面直译，每种语言用自己的表达方式 • 端到端全自动：传一个视频进去出一份配音，中间没有手工拼接视频里他们演了三个场景： MrBeast 风格的荒岛求生在 English/German/French 之间无缝切换一段财务部门的快节奏对白试连贯性一个童话故事试表达力

ElevenLabs 推出 Dubbing V2 端到端的AI配音模型... 最大的变化：配音不再是"先转写、再翻译、最后合成"三段式拼接，而是模型直接基于原始表演建模声音。并将音色、情绪、演绎都跟着穿越进每一种语言也就是说，同一个人开口讲六国语言，听上去还是他本人，连情绪和呼吸节奏都对得上 Dubbing v2 支持 90 多种语言和口音，原理：它针对原始表演来生成，而不是针对一段转录文本，所以语气、情绪、表达方式会跨语言保留下来，声音克隆全自动，会给原说话人建一个声音模型并应用到所有目标语言，保留身份、音高和语气，不用手动设置。另外支持音频、视频和文字三种输入具体能力： • 音色穿越：不是模仿你的声音，是你的声音直接在另一种语言里说话 • 情绪保真：原片里你笑你叹气你激动，译版照样有 • 同步感知翻译：译文长度匹配原片口型和停顿，不会嘴动完了字幕还在跑 • 措辞本地化：不是字面直译，每种语言用自己的表达方式 • 端到端全自动：传一个视频进去出一份配音，中间没有手工拼接视频里他们演了三个场景： MrBeast 风格的荒岛求生在 English/German/French 之间无缝切换一段财务部门的快节奏对白试连贯性一个童话故事试表达力

小互

12,522 Aufrufe • vor 4 Monaten

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

歸藏(guizang.ai)

47,074 Aufrufe • vor 4 Monaten

Meta刚发了自家第一款实时音频感知模型：Muse Voice Transcribe，Meta AI眼镜的耳朵它有几个核心能力，流式原生架构、80ms流式、AI自己决定等多久再写，通过强化学习让模型实现了自适应延迟，就是简单的词快速输出，难识别的词多听一会儿最终效果，3.1% WER、0.16秒延迟，目前第一第二个说话人分离，能分清20个以上的说话人，每个人说话前都会标注Speaker A、Speaker B等，原生支持超过1小时的音频，这个比较就适用于会议、播客等长时间场景第三，能听懂中英混说，一句话里中英文无缝切换，转写流畅还能利用你的个人上下文来提高识别准确率，比如说你常去的地点、你领域的专业关键词 #AI音频模型 #MuseVoiceTranscribe #实时音频模型

Meta刚发了自家第一款实时音频感知模型：Muse Voice Transcribe，Meta AI眼镜的耳朵它有几个核心能力，流式原生架构、80ms流式、AI自己决定等多久再写，通过强化学习让模型实现了自适应延迟，就是简单的词快速输出，难识别的词多听一会儿最终效果，3.1% WER、0.16秒延迟，目前第一第二个说话人分离，能分清20个以上的说话人，每个人说话前都会标注Speaker A、Speaker B等，原生支持超过1小时的音频，这个比较就适用于会议、播客等长时间场景第三，能听懂中英混说，一句话里中英文无缝切换，转写流畅还能利用你的个人上下文来提高识别准确率，比如说你常去的地点、你领域的专业关键词 #AI音频模型 #MuseVoiceTranscribe #实时音频模型

AIGCLINK

11,189 Aufrufe • vor 1 Monat

智谱的ZCode还是建议大家去体验一下，我自己使用下来发现还不错，几乎可以说和Codex一模一样😂 1、默认带的GLM5.2的模型。新注册的用户有一个体验计划。 2、可以对接第三方的API，常见的协议模式都支持 3、手机模式也支持，可以无缝对接到移动端设备 4、最让我眼前一亮的是引导功能，可以对接其他平台的AI Agent，对小白友好，点一点就能完成。

智谱的ZCode还是建议大家去体验一下，我自己使用下来发现还不错，几乎可以说和Codex一模一样😂 1、默认带的GLM5.2的模型。新注册的用户有一个体验计划。 2、可以对接第三方的API，常见的协议模式都支持 3、手机模式也支持，可以无缝对接到移动端设备 4、最让我眼前一亮的是引导功能，可以对接其他平台的AI Agent，对小白友好，点一点就能完成。

小墨同学

35,489 Aufrufe • vor 3 Monaten

Google 发布 Gemma 4 12B 开源模型 16GB 笔记本跑全模态 AI Gemma 4 12B 采用了一种叫"Unified"的无编码器架构，让文字、图像、音频、视频四种输入直接进入同一个 Transformer 主干网络处理。模型可直接处理原始的图像和声音用一个类比讲清楚传统多模态模型处理图片和音频的方式，类似于一个只会中文的老板配了两个翻译：一个英文翻译（视觉编码器），一个日文翻译（音频编码器）。每次有英文或日文材料进来，必须先让翻译转成中文，老板才能看懂。翻译本身占工位（显存），翻译过程要排队等（延迟），而且老板拿到的是翻译加工过的版本，不是原文。 Gemma 4 12B 做的事情是：把两个翻译都裁了，让老板自己学会了直接看英文和日文。几个关键数字： 16GB 显存或统一内存能跑，4-bit 量化低到 8GB，目标就是在普通笔记本上本地运行 256K Token 上下文窗口，支持 140+ 种语言内置 Thinking 模式（逐步推理）和原生 Function Calling

Google 发布 Gemma 4 12B 开源模型 16GB 笔记本跑全模态 AI Gemma 4 12B 采用了一种叫"Unified"的无编码器架构，让文字、图像、音频、视频四种输入直接进入同一个 Transformer 主干网络处理。模型可直接处理原始的图像和声音用一个类比讲清楚传统多模态模型处理图片和音频的方式，类似于一个只会中文的老板配了两个翻译：一个英文翻译（视觉编码器），一个日文翻译（音频编码器）。每次有英文或日文材料进来，必须先让翻译转成中文，老板才能看懂。翻译本身占工位（显存），翻译过程要排队等（延迟），而且老板拿到的是翻译加工过的版本，不是原文。 Gemma 4 12B 做的事情是：把两个翻译都裁了，让老板自己学会了直接看英文和日文。几个关键数字： 16GB 显存或统一内存能跑，4-bit 量化低到 8GB，目标就是在普通笔记本上本地运行 256K Token 上下文窗口，支持 140+ 种语言内置 Thinking 模式（逐步推理）和原生 Function Calling

小互

57,664 Aufrufe • vor 4 Monaten

阿里刚刚发布了：Qwen3.5-Omni，原生全模态，自然涌现出Audio-Visual Vibe Coding能力也就是说它能看着画面写代码，给它看一段界面需求视频，它能直接生成对应代码，不是专门训练来的，模型自己学会的好比说你看一眼就会了，AI也做到了 Qwen3.5-Omni能无缝理解文本、图片、音频/音视频输入，支持细粒度、带时间戳的音视频Caption生成支持256K上下文、113种语言识别，能处理10小时音频或1 小时视频原生支持WebSearch和复杂Function Call 支持语义打断、音色克隆及语音控制给了Plus、Flash、Light三个版本 #Qwen35Omni #LLM

阿里刚刚发布了：Qwen3.5-Omni，原生全模态，自然涌现出Audio-Visual Vibe Coding能力也就是说它能看着画面写代码，给它看一段界面需求视频，它能直接生成对应代码，不是专门训练来的，模型自己学会的好比说你看一眼就会了，AI也做到了 Qwen3.5-Omni能无缝理解文本、图片、音频/音视频输入，支持细粒度、带时间戳的音视频Caption生成支持256K上下文、113种语言识别，能处理10小时音频或1 小时视频原生支持WebSearch和复杂Function Call 支持语义打断、音色克隆及语音控制给了Plus、Flash、Light三个版本 #Qwen35Omni #LLM

AIGCLINK

50,637 Aufrufe • vor 6 Monaten

$兄弟们，这个数字人工具感觉不错我刚安装好，正在体验一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。这个一个安装包，然后下载模型即可，很容易上手可以生成带有数字人的视频，并且保持嘴型和声音是同步的。支持语音合成和声音克隆支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。$

兄弟们，这个数字人工具感觉不错我刚安装好，正在体验一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。这个一个安装包，然后下载模型即可，很容易上手可以生成带有数字人的视频，并且保持嘴型和声音是同步的。支持语音合成和声音克隆支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。

小互

41,028 Aufrufe • vor 1 Jahr

电脑里存放着大量文档、图片和 PDF，有时候想找某个资料都想不起来存放在哪个文件夹，很是苦恼。不妨试试，利用 Second Brain 这个开源工具，把我们的本地文件变成一个可搜索的 RAG 知识库。通过自然语言或关键词来搜索内容，支持文本和图片的多模态搜索，还能结果本地 AI 模型进行智能问答。 GitHub：主要特性： - 语义搜索和关键词搜索结合，精准找到相关内容； - 支持文本和图片的多模态搜索与嵌入； - 支持的文件类型，包括 txt、pdf、docx、png、gif 等多种格式； - 可选 AI 模式，支持本地模型和 OpenAI 云端模型； - 检索增强生成（RAG）让 AI 基于知识库给出高质量回答； - 完全本地运行保护隐私，支持同步 Google Drive。支持使用 LM Studio 与本地部署的大模型结合使用，可处理超过 10 万个文件，所有数据均在本地处理。

电脑里存放着大量文档、图片和 PDF，有时候想找某个资料都想不起来存放在哪个文件夹，很是苦恼。不妨试试，利用 Second Brain 这个开源工具，把我们的本地文件变成一个可搜索的 RAG 知识库。通过自然语言或关键词来搜索内容，支持文本和图片的多模态搜索，还能结果本地 AI 模型进行智能问答。 GitHub：主要特性： - 语义搜索和关键词搜索结合，精准找到相关内容； - 支持文本和图片的多模态搜索与嵌入； - 支持的文件类型，包括 txt、pdf、docx、png、gif 等多种格式； - 可选 AI 模式，支持本地模型和 OpenAI 云端模型； - 检索增强生成（RAG）让 AI 基于知识库给出高质量回答； - 完全本地运行保护隐私，支持同步 Google Drive。支持使用 LM Studio 与本地部署的大模型结合使用，可处理超过 10 万个文件，所有数据均在本地处理。

GitHubDaily

30,761 Aufrufe • vor 11 Monaten