Loading video...

Video Failed to Load

Go Home

🎉 前两天挖到的基于 Qwen3-4B 微调的 ASR 语音识别模型，今天终于有时间本地部署实测了！ 直接拿它和行业标杆 Whisper 做了一次全方位硬核对比 具体高能表现看录屏👇 主打一个低门槛：16G 显存就能直接本地部署，对个人开发者极其友好 用 40 亿参数大模型来做语音识别，完全是降维打击，直接让传统同行无路可走！ 但这只是开始。语音识别的终局绝非“听音辨字”，而是“端到端多模态理解”的进化 语音识别的终局绝不是单纯的“听音辩字”，而是向着“端到端多模态理解”演进 未来，声音就是大模型的天然输入口，ASR 会无处不在，却又隐于无形 听到声音的同时就在理解世界，这才是真正的 AI 2.0 时代！ 以上。

Lonely__MH's profile picture

Lonely

24,124 subscribers

27,192 views • 9 days ago •via X (Twitter)

Science & TechnologyEducation
LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

万万没想到奥特曼昨夜放了大招，有一种王者归来的气势。原来我一直以为 OpenAI 的 Whisper 已经到了语音识别的天花板了。看来是我认知太浅薄了。 由于老婆就是川渝那边的，方言的味道绝对十足。如果走在街上，加上外界环境的嘈杂声，我之前用的 Whisper 测试过简直就是个瞎子，识别出来叽里呱啦的一大串乱七八糟的字符真的有点神奇。 这两天无意间看到了这个开源的模型，Hojo-ASR-Multi-V1，据说是语音识别领域的新星。 🔥 Hugging Face Open ASR Leaderboard 多语言榜全球第 7，开源多语言 ASR 第 1。 🎉五语种平均 WER 3.54%，模型权重开放、评测公开、结果可复现。 😄同时支持普通话、英语、粤语和四川话等多语言、多方言识别。 特意找来测试了一下，发现真的有意思。 更有意思的是 Hojo 的处理过程：声音 → Qwen3-Omni 音频编码器听懂声音 → Adapter 转换特征 → Qwen3-4B 生成文字。 通俗一点的讲就是：声音进来 → 音频编码器先“听懂”声音 → Adapter 把声音信息翻译成大模型能理解的格式 → Qwen3-4B 再把它变成文字。 而 Whisper：声音进来 → 转成频谱图 → Whisper 编码器提取声音信息 → Whisper 解码器直接生成文字 两者对比就是Whisper 的重点是 听声音 → 写文字，而 Hojo 则更偏向 听声音 → 理解声音 → 再根据理解生成文字。 所以最后我在本机做了一个测试结果还是非常不错的。 先解释一个百分比，CER = Character Error Rate，字符错误率，百分比越小越好。 然后可以看看我的视频 hojo 和 whisper的对比，做了三个例子，川渝话、广东话、普通话。 川渝话：hojo CER= 0%, whisper CER=42.9% 广东话：hojo CER=18.8%, whisper CER=43.8% 普通话：hojo CER=16.7%, whisper CER=25.0% 应该说 hojo这一套效果还是非常不错的。 最后附上他们的开源模型，有兴趣的可以本地部署玩玩看：
0:24

万万没想到奥特曼昨夜放了大招，有一种王者归来的气势。原来我一直以为 OpenAI 的 Whisper 已经到了语音识别的天花板了。看来是我认知太浅薄了。 由于老婆就是川渝那边的，方言的味道绝对十足。如果走在街上，加上外界环境的嘈杂声，我之前用的 Whisper 测试过简直就是个瞎子，识别出来叽里呱啦的一大串乱七八糟的字符真的有点神奇。 这两天无意间看到了这个开源的模型，Hojo-ASR-Multi-V1，据说是语音识别领域的新星。 🔥 Hugging Face Open ASR Leaderboard 多语言榜全球第 7，开源多语言 ASR 第 1。 🎉五语种平均 WER 3.54%，模型权重开放、评测公开、结果可复现。 😄同时支持普通话、英语、粤语和四川话等多语言、多方言识别。 特意找来测试了一下，发现真的有意思。 更有意思的是 Hojo 的处理过程：声音 → Qwen3-Omni 音频编码器听懂声音 → Adapter 转换特征 → Qwen3-4B 生成文字。 通俗一点的讲就是：声音进来 → 音频编码器先“听懂”声音 → Adapter 把声音信息翻译成大模型能理解的格式 → Qwen3-4B 再把它变成文字。 而 Whisper：声音进来 → 转成频谱图 → Whisper 编码器提取声音信息 → Whisper 解码器直接生成文字 两者对比就是Whisper 的重点是 听声音 → 写文字，而 Hojo 则更偏向 听声音 → 理解声音 → 再根据理解生成文字。 所以最后我在本机做了一个测试结果还是非常不错的。 先解释一个百分比，CER = Character Error Rate，字符错误率，百分比越小越好。 然后可以看看我的视频 hojo 和 whisper的对比，做了三个例子，川渝话、广东话、普通话。 川渝话：hojo CER= 0%, whisper CER=42.9% 广东话：hojo CER=18.8%, whisper CER=43.8% 普通话：hojo CER=16.7%, whisper CER=25.0% 应该说 hojo这一套效果还是非常不错的。 最后附上他们的开源模型，有兴趣的可以本地部署玩玩看：

AI少年

93,688 views • 9 days ago

使用 Google Gemini 做出了目前最强的英语口语学习软件。Gemini的多模态能力目前来说应该是世界第一。 之前也尝试过用OpenAI的语音模式学习英语，问题是我英语本来就不是很好，每次回答还默认英语，而且他也无法识别语调，发音等问题，实际上那种模式是通过语音转文字后进行分析，完全无法分析你的语调和发音问题。 Gemini2.0的多模态功能完美解决了这个问题，目前他可以非常强的理解你的真实发音，而不是单纯的转换成文字后纠正，他可以真正的触达你的真实声音。 下面是我自己练习时的视频，它是可以真正的分析你的发音，真的太强大了！
3:28

使用 Google Gemini 做出了目前最强的英语口语学习软件。Gemini的多模态能力目前来说应该是世界第一。 之前也尝试过用OpenAI的语音模式学习英语，问题是我英语本来就不是很好，每次回答还默认英语，而且他也无法识别语调，发音等问题，实际上那种模式是通过语音转文字后进行分析，完全无法分析你的语调和发音问题。 Gemini2.0的多模态功能完美解决了这个问题，目前他可以非常强的理解你的真实发音，而不是单纯的转换成文字后纠正，他可以真正的触达你的真实声音。 下面是我自己练习时的视频，它是可以真正的分析你的发音，真的太强大了！

Box (mainnet arc)

141,528 views • 1 year ago

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
0:59

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

52,478 views • 2 years ago

大家默认 奥特曼的Whisper 是 语音识别（ASR） 天花板。 我用四川话测了一句：巴适。 Whisper 听成了八式，它从没学过四川话。 同一批音频，Hojo-ASR-Multi-V1：错误率0.0%。 接着，我给了它们一段成都街头的环境音，全程没有一个人说话。 · Whisper 吐出 100 个 嗨 · Hojo 吐出 5 个字符 两个都幻觉了，但一个是 100 字，一个是 5 字。嘈杂街头声音解码，是常用的场景。 我用两个模型做了详细评测。最有意思的是 Hojo 的底座 —— 语音编码器来自 Qwen3-Omni-30B，语言解码器是 Qwen3-4B。 🚀一个文本大模型，凭什么能做语音识别？ 因为 ASR 从来就是两半：声学 + 语言。 「bā shì」这个音，在波形里根本分不出是「巴适」还是「八式」—— 声音里没有这个信息。能定夺的只有语言知识：哪个词真的存在、在这个语境里说得通。 Qwen3-4B 读过整个中文互联网，知道「巴适」是个四川话词。 🔥接法很巧：训练一个适配器，把音频编码成2560维向量，刚好Qwen3-4B刚好接受2560 维。 两个数字一对上，Qwen 就以为自己在读词，其实在听声音。 所以这不是从头训语音识别模型，而是后训练：拿 Qwen3-4B 当初始化权重，连同音频编码器一起全参数微调。 我把它的解码器和原版 Qwen3-4B 逐层比对过，每一层都有变化。所以不是白嫖 Qwen 的语言知识，避免了从零预训练语言能力。这条路叫 Encoder-Adapter-LLM。 最后还有一个牛逼的点： Open ASR Leaderboard全球第 7，开源多语言 ASR 第 1。 五语种平均 WER 3.54%，而且权重开放、评测公开、结果可复现。 现已支持四川话、广东话小语种。 Apache 2.0 开源。
1:25

大家默认 奥特曼的Whisper 是 语音识别（ASR） 天花板。 我用四川话测了一句：巴适。 Whisper 听成了八式，它从没学过四川话。 同一批音频，Hojo-ASR-Multi-V1：错误率0.0%。 接着，我给了它们一段成都街头的环境音，全程没有一个人说话。 · Whisper 吐出 100 个 嗨 · Hojo 吐出 5 个字符 两个都幻觉了，但一个是 100 字，一个是 5 字。嘈杂街头声音解码，是常用的场景。 我用两个模型做了详细评测。最有意思的是 Hojo 的底座 —— 语音编码器来自 Qwen3-Omni-30B，语言解码器是 Qwen3-4B。 🚀一个文本大模型，凭什么能做语音识别？ 因为 ASR 从来就是两半：声学 + 语言。 「bā shì」这个音，在波形里根本分不出是「巴适」还是「八式」—— 声音里没有这个信息。能定夺的只有语言知识：哪个词真的存在、在这个语境里说得通。 Qwen3-4B 读过整个中文互联网，知道「巴适」是个四川话词。 🔥接法很巧：训练一个适配器，把音频编码成2560维向量，刚好Qwen3-4B刚好接受2560 维。 两个数字一对上，Qwen 就以为自己在读词，其实在听声音。 所以这不是从头训语音识别模型，而是后训练：拿 Qwen3-4B 当初始化权重，连同音频编码器一起全参数微调。 我把它的解码器和原版 Qwen3-4B 逐层比对过，每一层都有变化。所以不是白嫖 Qwen 的语言知识，避免了从零预训练语言能力。这条路叫 Encoder-Adapter-LLM。 最后还有一个牛逼的点： Open ASR Leaderboard全球第 7，开源多语言 ASR 第 1。 五语种平均 WER 3.54%，而且权重开放、评测公开、结果可复现。 现已支持四川话、广东话小语种。 Apache 2.0 开源。

实践哥 Li

46,958 views • 11 days ago

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。
1:35

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 views • 1 year ago

🚨阿里巴巴发布实时视频语音模型：Wan Streamer 这不是普通数字人。 它更像是让你和 AI 打一通“实时视频电话”： 你说话，它看着你听。 你打断，它能接住。 你表情变了，它也能反应。 半秒内接话，几乎没有冷场。 真正的重点是： 以前虚拟人是拼流水线： 语音识别 → 转文字 → 大模型思考 → 语音合成 → 表情驱动 → 视频生成 每一步都要排队，所以延迟高、互动僵硬。 Wan Streamer 直接把听、看、想、说、表情生成，塞进一个端到端大模型里。 一个 Transformer 直接处理实时音视频交互。 模型端响应约 0.2 秒，整体延迟约 0.55 秒。 这意味着 AI 不再只是“回复你”，而是开始像一个能实时交流的视频对象。
0:40

🚨阿里巴巴发布实时视频语音模型：Wan Streamer 这不是普通数字人。 它更像是让你和 AI 打一通“实时视频电话”： 你说话，它看着你听。 你打断，它能接住。 你表情变了，它也能反应。 半秒内接话，几乎没有冷场。 真正的重点是： 以前虚拟人是拼流水线： 语音识别 → 转文字 → 大模型思考 → 语音合成 → 表情驱动 → 视频生成 每一步都要排队，所以延迟高、互动僵硬。 Wan Streamer 直接把听、看、想、说、表情生成，塞进一个端到端大模型里。 一个 Transformer 直接处理实时音视频交互。 模型端响应约 0.2 秒，整体延迟约 0.55 秒。 这意味着 AI 不再只是“回复你”，而是开始像一个能实时交流的视频对象。

Vincent

12,627 views • 2 months ago

网易有道开源了子曰4大模型，27B参数内，数理 SOTA 但真正让我觉得有趣的是它那个语音功能！！ 克隆个声音不稀奇，ElevenLabs 早能做 但它们都有个通病，跨语种会串口音 拿你的中文声音去说日语，它带着一口中国腔，一听就是外国人在硬讲 子曰4 主打的，就是把这口音去掉 你的声音说日语，听着就是个日本人在讲 3 秒克隆，支持 14 种语言（可以看视频演示） 做口播、配音、数字人，省钱效果还好，对不对？ 而且子曰4 这大模型是真开源，给的是权重不是 API 54 个 G 权重直接下载，能本地跑 有道龙虾那个全场景智能体，也是 100% 开源的 大模型开源了，龙虾也开源了，全往外送 有道图啥？靠什么赚钱？ 我还真扒到了它赚钱的秘密下面👇：
0:55

网易有道开源了子曰4大模型，27B参数内，数理 SOTA 但真正让我觉得有趣的是它那个语音功能！！ 克隆个声音不稀奇，ElevenLabs 早能做 但它们都有个通病，跨语种会串口音 拿你的中文声音去说日语，它带着一口中国腔，一听就是外国人在硬讲 子曰4 主打的，就是把这口音去掉 你的声音说日语，听着就是个日本人在讲 3 秒克隆，支持 14 种语言（可以看视频演示） 做口播、配音、数字人，省钱效果还好，对不对？ 而且子曰4 这大模型是真开源，给的是权重不是 API 54 个 G 权重直接下载，能本地跑 有道龙虾那个全场景智能体，也是 100% 开源的 大模型开源了，龙虾也开源了，全往外送 有道图啥？靠什么赚钱？ 我还真扒到了它赚钱的秘密下面👇：

铁锤人

141,497 views • 3 months ago

GPT-Realtime-2 语音模型发布 语音首次接入 GPT-5 推理能力 OpenAI一口气发布了三个实时语音模型： GPT-Realtime-2 GPT-Realtime-Translate GPT-Realtime-Whisper 其中GPT-Realtime-2 是其中的主角，这是 OpenAI 第一次把“GPT-5 级推理”塞进语音模型，同时把上下文从 32K 扩到 128K... GPT-Realtime-2：首个具备 GPT-5 级推理能力的语音模型，能在对话中推理复杂请求、并行调工具、处理打断和纠错，上下文窗口从 32K 升到 128K GPT-Realtime-Translate：实时语音翻译模型，支持 70+ 种输入语言、13 种输出语言，跟着说话人的节奏边听边译，能处理口音和专业词 GPT-Realtime-Whisper：流式语音转文字模型，边说边出字，专门给实时字幕、会议纪要、客服转写这类不能等的
1:45

GPT-Realtime-2 语音模型发布 语音首次接入 GPT-5 推理能力 OpenAI一口气发布了三个实时语音模型： GPT-Realtime-2 GPT-Realtime-Translate GPT-Realtime-Whisper 其中GPT-Realtime-2 是其中的主角，这是 OpenAI 第一次把“GPT-5 级推理”塞进语音模型，同时把上下文从 32K 扩到 128K... GPT-Realtime-2：首个具备 GPT-5 级推理能力的语音模型，能在对话中推理复杂请求、并行调工具、处理打断和纠错，上下文窗口从 32K 升到 128K GPT-Realtime-Translate：实时语音翻译模型，支持 70+ 种输入语言、13 种输出语言，跟着说话人的节奏边听边译，能处理口音和专业词 GPT-Realtime-Whisper：流式语音转文字模型，边说边出字，专门给实时字幕、会议纪要、客服转写这类不能等的

小互

31,189 views • 4 months ago

你的手机刚刚变成了一台声音克隆机。无需云端，无需联网，无需任何权限。只需输入几秒钟的音频——它就能以惊人的准确度重现你的声音……且完全离线运行。这不是演示，这是在设备端实际运行。Neuphonic 推出的 NeuTTS 正在将语音 AI 推向一个新时代： • 仅需几秒音频即可实现即时声音克隆 • 极其逼真的输出，听起来完全像真人 • 在中端手机、笔记本电脑甚至树莓派上都能实时运行 • 原生支持西班牙语 • 轻量化 GGUF 模型 • 100% 本地化 = 数据绝不离开你的设备 这打破了目前 AI 面临的最大瓶颈：对云端的依赖。没有 API，没有订阅，没有监控。我们正在经历从： 云端 AI → 个人 AI 租赁模型 → 自有模型 这种转变发生的速度比人们想象的要快。 语音 AI 不再是你“访问”的对象，而是你“运行”的工具。仓库地址：REPO
0:27

你的手机刚刚变成了一台声音克隆机。无需云端，无需联网，无需任何权限。只需输入几秒钟的音频——它就能以惊人的准确度重现你的声音……且完全离线运行。这不是演示，这是在设备端实际运行。Neuphonic 推出的 NeuTTS 正在将语音 AI 推向一个新时代： • 仅需几秒音频即可实现即时声音克隆 • 极其逼真的输出，听起来完全像真人 • 在中端手机、笔记本电脑甚至树莓派上都能实时运行 • 原生支持西班牙语 • 轻量化 GGUF 模型 • 100% 本地化 = 数据绝不离开你的设备 这打破了目前 AI 面临的最大瓶颈：对云端的依赖。没有 API，没有订阅，没有监控。我们正在经历从： 云端 AI → 个人 AI 租赁模型 → 自有模型 这种转变发生的速度比人们想象的要快。 语音 AI 不再是你“访问”的对象，而是你“运行”的工具。仓库地址：REPO

Bill The Investor

10,600 views • 4 months ago

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。 这是全球第一个实时多模态世界模型。 它不只是生成画面，还能同时生成真实世界的声音。 视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。 以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。 这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。
2:15

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。 这是全球第一个实时多模态世界模型。 它不只是生成画面，还能同时生成真实世界的声音。 视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。 以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。 这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

Berryxia.AI

37,309 views • 3 months ago

上海交大和微软开源的一款【端到端的语音到语音翻译系统：TransVIP】，它可以保持原声特征、保持源语音和目标语音时长同步 它的声音特点和说话的节奏感保持的非常不错，比较自然流畅，时长控制的也比较精确，很适合做视频配音、跨语言直播或实时语音翻译 直接从源语音到目标语音，无需中间步骤，处理延迟低 源语音和目标语音时长保持一致，可以避免口型不同步问题 项目： github： #AI实时翻译 #TransVIP
0:34

上海交大和微软开源的一款【端到端的语音到语音翻译系统：TransVIP】，它可以保持原声特征、保持源语音和目标语音时长同步 它的声音特点和说话的节奏感保持的非常不错，比较自然流畅，时长控制的也比较精确，很适合做视频配音、跨语言直播或实时语音翻译 直接从源语音到目标语音，无需中间步骤，处理延迟低 源语音和目标语音时长保持一致，可以避免口型不同步问题 项目： github： #AI实时翻译 #TransVIP

AIGCLINK

56,071 views • 1 year ago

用一小时在本地从0复现了一个Typeless 个别的单词有识别不准确的情况，长文本分段需要自己个性化调优，其他的几乎和原版98%一致 现在看，Typeless 底层大概率并不是什么神秘牛逼的模型，更像是高性价比语音转写模型 + 一整套工程化后处理 真正拉开体验差距的，不一定是ASR本身，还可能是：分段、断句、术语词典、上下文 prompt、口语清洗、改口修正、LLM 重写等等 也就是说，复现Typeless的关键不是找个更强的模型，而是把 ASR + context + rewrite 这条链路打磨到位
0:46

用一小时在本地从0复现了一个Typeless 个别的单词有识别不准确的情况，长文本分段需要自己个性化调优，其他的几乎和原版98%一致 现在看，Typeless 底层大概率并不是什么神秘牛逼的模型，更像是高性价比语音转写模型 + 一整套工程化后处理 真正拉开体验差距的，不一定是ASR本身，还可能是：分段、断句、术语词典、上下文 prompt、口语清洗、改口修正、LLM 重写等等 也就是说，复现Typeless的关键不是找个更强的模型，而是把 ASR + context + rewrite 这条链路打磨到位

Laughing🪁

18,974 views • 5 months ago

豆包实时语音模型3.0 API 上线 看演示还是很牛P的，能干不少事情了 全双工：能同时听和说，像真人聊天那样可以随时插话 端到端：语音进、语音出，不进行转录，更快、更自然。 精准遵循 + 适时参与： 你可以一句话给它定规矩，比如多人聊天时说「现在先别出声，聊到世界杯时再加入」， 它就安静待命，等话题真到了再主动接话 最关键的一步升级： 它支持自定义工具，能在实时对话里直接调用工具完成任务，预定日历、发邮件、总结文档、发起查询，一句话语音就在对话流里办完。 这等于从「语音助手」往「语音 Agent」迈了一步
1:38

豆包实时语音模型3.0 API 上线 看演示还是很牛P的，能干不少事情了 全双工：能同时听和说，像真人聊天那样可以随时插话 端到端：语音进、语音出，不进行转录，更快、更自然。 精准遵循 + 适时参与： 你可以一句话给它定规矩，比如多人聊天时说「现在先别出声，聊到世界杯时再加入」， 它就安静待命，等话题真到了再主动接话 最关键的一步升级： 它支持自定义工具，能在实时对话里直接调用工具完成任务，预定日历、发邮件、总结文档、发起查询，一句话语音就在对话流里办完。 这等于从「语音助手」往「语音 Agent」迈了一步

小互

27,139 views • 2 months ago