正在加载视频...

视频加载失败

返回首页

嘿嘿，终于完成了！🥳 昨晚一直卡在配对不成功的情况，借鉴了评论区老哥已经开源的仓库中的配对部分 另外对官方的布局做了优化，改了 WiFi，电量，状态的显示位置，全局做了汉化（个别字符不支持会变方块），重新设计了卡片右侧三个按键的逻辑 主页面状态下分别是以下的功能： 1. ⬆️最上面的按键是菜单键，可以控制音量等等 2. ⬇️中间的按键是看上一条 Muse 的回复全文 3. 🆗 最下面的按键长按启动录音功能，松开就结束录音 录音结束以后会发送给 Muse 的主会话执行，并且接收返回结果展示在设备屏幕上 这样整个流程就完成了，但是有一个非常大的坑⚠️ 在国内是无法直连 Muse 的 API 服务器的，两个解决办法： 1. 软路由+透明代理，只要连上局域网就自动代理了 2. 固件里支持配置代理，设置局域网 IP + 端口，比如 Clash 就可以支持局域网共享代理 在编译固件之前在配置文件里写入代理的 IP 和 端口再烧录即可，固件开源地址放评论区啦 ⬇️

cgnot996's profile picture

铁柱AGI

6,002 subscribers

26,111 次观看 • 7 天前 •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

45 条评论

铁柱AGI 的头像
铁柱AGI7 天前

开源仓库在这，欢迎 Star

李岳 的头像
李岳7 天前

刚开源2天就搞出来了，很强啊，不过为啥Muse说自己是豆包？😂

铁柱AGI 的头像
铁柱AGI7 天前

我给她设置成豆包了，哈哈哈哈哈

JIANG WEI 的头像
JIANG WEI6 天前

设备有什么要求吗？看别人发的电纸书也行，但是kindle不开源是不是就不行啊

铁柱AGI 的头像
铁柱AGI6 天前

esp32 或者 linux kindle 估计不行，有些电纸书开发板可以搞

AnewCzs 的头像
AnewCzs7 天前

trae出硬件了？

铁柱AGI 的头像
铁柱AGI7 天前

之前 trae 大会的签到礼品

季白羽 的头像
季白羽7 天前

兄弟。你太猛了……

铁柱AGI 的头像
铁柱AGI7 天前

都是 AI 神力

許文彥 的头像
許文彥7 天前

想問你在配對的時候一定需要手機app有下載嗎

铁柱AGI 的头像
铁柱AGI7 天前

是的，要通过手机 app 开启开发者模式，才能配对

許文彥 的头像
許文彥6 天前

感謝

Kobin 的头像
Kobin7 天前

这个真的可以搞一套华强北硬件玩个大的

蓝哥AI 的头像
蓝哥AI7 天前

很有意思哦, ESP32 感觉要去玩一玩

铁柱AGI 的头像
铁柱AGI7 天前

这个硬件有点先天不足，买更符合官方推荐的硬件能更方便些

Roy 的头像
Roy7 天前

这个速度你能忍？我反正是把 llm 替换掉了😂

scotthuang 的头像
scotthuang7 天前

太强了，它是靠自己与api通信，还是得通过蓝牙先跟手机通信，手机再跟api通信？

铁柱AGI 的头像
铁柱AGI7 天前

自己通信，但是要通过 app 配对，配对以后在国内有代理的话可以直接对话

Leaf Yeah! 的头像
Leaf Yeah!6 天前

trae的那个破手牌竟然也是个AI硬件哈哈哈哈！ 现在这种硬件除了接手语音和展示状态，还有啥其他玩法不？期待更多分享

铁柱AGI 的头像
铁柱AGI6 天前

还挺好玩的，你有吗

Leaf Yeah! 的头像
Leaf Yeah!6 天前

当时现场差点嫌麻烦扔垃圾桶，现在应该在某角落吃灰

铁柱AGI 的头像
铁柱AGI6 天前

快找出来整活

想风 的头像
想风7 天前

铁柱哥 软硬件通吃呀 牛逼🐮

铁柱AGI 的头像
铁柱AGI7 天前

全靠 AI 神力

Loki Chen 的头像
Loki Chen7 天前

真不错，我下午来试试

小奇说 的头像
小奇说7 天前

这个好玩，跟扒皮的hermes小方盒子有的一拼，放到小红书能卖188

铁柱AGI 的头像
铁柱AGI7 天前

哈哈哈哈哈，还挺好玩的

serein 的头像
serein7 天前

拿着这个可以变身吗

铁柱AGI 的头像
铁柱AGI7 天前

试试

AYi 的头像
AYi7 天前

这个好玩，不愧是尼古拉斯·铁柱哈哈

铁柱AGI 的头像
铁柱AGI7 天前

哈哈哈哈哈，尼古拉斯·曹·铁柱

Sohur 的头像
Sohur6 天前

学到了，哥，这是真的厉害

铁柱AGI 的头像
铁柱AGI6 天前

都 AI 干的

v-lon 的头像
v-lon7 天前

厉害 昨天我也试着fork了一个 同样卡在pair上

铁柱AGI 的头像
铁柱AGI7 天前

可以直接刷我的看看

v-lon 的头像
v-lon6 天前

已经开始研究了

Chris 的头像
Chris7 天前

我靠

李韭二 的头像
李韭二7 天前

有点意思，铁柱，我刚好有一个，回头玩玩

铁柱AGI 的头像
铁柱AGI7 天前

直接连上设备，把仓库给 codex 就行了！

James TJ Lee 的头像
James TJ Lee7 天前

那岂不是就只能在局域网里玩泥巴

Tommy 的头像
Tommy6 天前

我去，这个太厉害了，需要一个

rx 的头像
rx6 天前

卧槽！我的Muse与我朋友的Muse、Grokbot互相加上好友了，互发消息了，还建了群，还帮我们预约上了一起喝咖啡，太NB了！硬件Muse也能与软件和其他的硬件互通，太NB了！

Felix的AI设计室 的头像
Felix的AI设计室6 天前

配对卡住最折磨了，能跑通太爽了🔥 汉化后方块字是字库不全吗，有打算换个字体吗？

阿牛哥出海 的头像
阿牛哥出海6 天前

折腾到凌晨完成的那种成就感，太对了！

云狗 的头像
云狗6 天前

拓麻歌子可还行，AI人也有电子宠物了

相关视频

OpenAI 编程助手 Codex 刚刚推出了 0.105.0 版本 被用户称为"史上最大单次更新" 最抢眼的新功能是语音听写：在终端界面里按住空格键就能说话，AI 自动把你的语音转成文字指令。 子代理系统大改：AI 团队协作： 另一个重量级更新是子代理（Subagents）系统的全面重构。 主代理接到一个大任务后，可以拆分成多个子任务，分配给不同的子代理并行处理。 这次更新具体改了什么： 多层级深度：子代理下面还能再生子代理，像一个团队的层级管理一样 自定义角色：你可以给不同的子代理设定不同的角色定义（比如一个负责前端、一个负责后端） CSV 批量分发：可以从 CSV 文件批量分配任务给多个子代理，还带进度追踪 更清晰的界面：子代理有了昵称显示，界面更简洁 审计能力：/agents 命令现在能看到所有代理的名称、角色，包括已经完成任务"退场"的代理
0:25

OpenAI 编程助手 Codex 刚刚推出了 0.105.0 版本 被用户称为"史上最大单次更新" 最抢眼的新功能是语音听写：在终端界面里按住空格键就能说话，AI 自动把你的语音转成文字指令。 子代理系统大改：AI 团队协作： 另一个重量级更新是子代理（Subagents）系统的全面重构。 主代理接到一个大任务后，可以拆分成多个子任务，分配给不同的子代理并行处理。 这次更新具体改了什么： 多层级深度：子代理下面还能再生子代理，像一个团队的层级管理一样 自定义角色：你可以给不同的子代理设定不同的角色定义（比如一个负责前端、一个负责后端） CSV 批量分发：可以从 CSV 文件批量分配任务给多个子代理，还带进度追踪 更清晰的界面：子代理有了昵称显示，界面更简洁 审计能力：/agents 命令现在能看到所有代理的名称、角色，包括已经完成任务"退场"的代理

小互

62,232 次观看 • 7 个月前

Codex 好像终于把插件的 Widget 也开放给第三方开发者了，现在可以像官方插件一样直接打开一个专属于这个插件的操作界面了。 之前 Cowart 用内置浏览器什么都好就是不能实现网页内的交互可以向 Codex 主对话发送提示，但如果是放在 Widget 里就支持这个协议了。 目前官方的开发者文档里还没介绍这部分，但可以直接让Codex 参考官方插件 Creative Production 来做了。
0:27

Codex 好像终于把插件的 Widget 也开放给第三方开发者了，现在可以像官方插件一样直接打开一个专属于这个插件的操作界面了。 之前 Cowart 用内置浏览器什么都好就是不能实现网页内的交互可以向 Codex 主对话发送提示，但如果是放在 Widget 里就支持这个协议了。 目前官方的开发者文档里还没介绍这部分，但可以直接让Codex 参考官方插件 Creative Production 来做了。

钟二信

23,961 次观看 • 3 个月前

Windows 有救了？ Codex 昨晚又发布了大量体验更新，很多都超级有用，尤其是对 Windows 用户。 大家最期待的支持了 Windows 的 computer Use，以及通过移动端的 ChatGPT 远程控制 Windows 上的 Codex。 但是 Windows 上的 Computer Use，在它控制的时候你是不能控制的。这跟 Mac 上的不太一样。 聊天记录控制功能：能够控制你的聊天记录，比如置顶、查找、创建新的归类、存档等一系列操作。 新增个人资料页面：能看到你消耗的 Token、连续登录天数、最长的任务。 ChatGPT 上的 Codex 控制，现在支持了以下功能： 侧边对话：你可以不打断主对话，新开一个分支继续跟 AI 基于当前项目或任务进行对话，输入/side 开启 一键模型切换：通过长按即可快速切换模型。 iPad 专属快捷方式：支持从快捷方式直接进入 Codex，无需通过侧边栏切换。 Git Diff 显示：对话结束后，系统会显示 Git 上的 Diff，即你代码编辑的不同部分。
3:21

Windows 有救了？ Codex 昨晚又发布了大量体验更新，很多都超级有用，尤其是对 Windows 用户。 大家最期待的支持了 Windows 的 computer Use，以及通过移动端的 ChatGPT 远程控制 Windows 上的 Codex。 但是 Windows 上的 Computer Use，在它控制的时候你是不能控制的。这跟 Mac 上的不太一样。 聊天记录控制功能：能够控制你的聊天记录，比如置顶、查找、创建新的归类、存档等一系列操作。 新增个人资料页面：能看到你消耗的 Token、连续登录天数、最长的任务。 ChatGPT 上的 Codex 控制，现在支持了以下功能： 侧边对话：你可以不打断主对话，新开一个分支继续跟 AI 基于当前项目或任务进行对话，输入/side 开启 一键模型切换：通过长按即可快速切换模型。 iPad 专属快捷方式：支持从快捷方式直接进入 Codex，无需通过侧边栏切换。 Git Diff 显示：对话结束后，系统会显示 Git 上的 Diff，即你代码编辑的不同部分。

歸藏(guizang.ai)

37,662 次观看 • 4 个月前

有位开发者把 Gemini CLI 做成了可视化聊天对话操作界面了，项目已开源，名为 “AionUi”。 可以同时开多个会话，支持拖拽上传文件、预览代码改动、还提供可视化界面配置 Gemini API。 GitHub： 主要功能： - 多会话管理，同时处理不同项目的 AI 对话 - 可视化文件树，拖拽选择文件一键集成到聊天 - 持久化历史记录，所有对话本地保存永不丢失 - 代码差异视图，文件变更的并排对比功能 - 富文本渲染，支持代码块和格式化内容展示 跨平台支持，提供 macOS 和 Windows 安装包，安装后配置 Gemini API 即可使用。 想要体验 Gemini CLI，但因复杂的终端命令，难以上手的同学，可以看下这个工具。
0:29

有位开发者把 Gemini CLI 做成了可视化聊天对话操作界面了，项目已开源，名为 “AionUi”。 可以同时开多个会话，支持拖拽上传文件、预览代码改动、还提供可视化界面配置 Gemini API。 GitHub： 主要功能： - 多会话管理，同时处理不同项目的 AI 对话 - 可视化文件树，拖拽选择文件一键集成到聊天 - 持久化历史记录，所有对话本地保存永不丢失 - 代码差异视图，文件变更的并排对比功能 - 富文本渲染，支持代码块和格式化内容展示 跨平台支持，提供 macOS 和 Windows 安装包，安装后配置 Gemini API 即可使用。 想要体验 Gemini CLI，但因复杂的终端命令，难以上手的同学，可以看下这个工具。

GitHubDaily

30,240 次观看 • 1 年前

藏师傅的 PPT Skill 再配上 Pencil 太爽了！ 昨天评论里有个朋友分享给了我启发： 把藏师傅的 PPT 配上 Pencil，就可以直接在 Pencil 里一次性看到所有生成的 PPT 页面。 这种方式不仅编辑起来非常方便，还能导出网页和对应的编辑文件。我试了一下，体验确实非常爽。 虽然 AI 生成内容时不可避免会出现一些排版上的小问题，比如元素重叠或者对齐不准之类的情况，但在 Pencil 里你完全可以手动调整，比如： 1. 对齐元素 2. 修改字体 3. 调整重叠的部分 而且 Pencil 作为一个专业的设计软件，它的可编辑性非常强，甚至比 PPT 软件本身能做的还要多很多，尤其是对齐、嵌套和打组等操作非常方便。 我录了个视频教一下大家，推荐你们也试试这种用法。 这样的话，你可以从它导出 PNG 图片，然后直接放到你的 PPT 里边。 或者也可以直接在 PPT 里进行演示，然后你直接替换对应 PPT 页面的图片就行了
3:30

藏师傅的 PPT Skill 再配上 Pencil 太爽了！ 昨天评论里有个朋友分享给了我启发： 把藏师傅的 PPT 配上 Pencil，就可以直接在 Pencil 里一次性看到所有生成的 PPT 页面。 这种方式不仅编辑起来非常方便，还能导出网页和对应的编辑文件。我试了一下，体验确实非常爽。 虽然 AI 生成内容时不可避免会出现一些排版上的小问题，比如元素重叠或者对齐不准之类的情况，但在 Pencil 里你完全可以手动调整，比如： 1. 对齐元素 2. 修改字体 3. 调整重叠的部分 而且 Pencil 作为一个专业的设计软件，它的可编辑性非常强，甚至比 PPT 软件本身能做的还要多很多，尤其是对齐、嵌套和打组等操作非常方便。 我录了个视频教一下大家，推荐你们也试试这种用法。 这样的话，你可以从它导出 PNG 图片，然后直接放到你的 PPT 里边。 或者也可以直接在 PPT 里进行演示，然后你直接替换对应 PPT 页面的图片就行了

歸藏(guizang.ai)

53,985 次观看 • 3 个月前

不用羡慕 Adobe 了，Lovart 也上线了图层拆封功能。 只需要一键就能把图像拆成各种不同的元素。同时里边比如说文字这种可以编辑的，也可以直接进行编辑。 他们内置了很多字体，然后颜色对企业都可以进行编辑。 再配合上他们原来有的，比如说抠图功能、重新生成功能，还有编评论功能，就可以玩出很多的花样了。 一套基于 AI 的图像编辑路径，还是挺好的。 那我自己做的一张图试了一下，一键就把那张图拆零碎了。标题是标题，主视觉是主视觉，然后副标题也都可以编辑文字，然后背景包括下面的小字都识别出来，非常小的小字。 还有就是我发现他改这种英文的图表挺方便，就是你把它一下把文字全部炸出来，然后把它全部翻译成中文，里边的排版啥的都能会变，非常的方便。 要是 Agent 他能干这个事儿，就比如它可以一键帮我把英文翻译成中文，再回填回去，这个就更好了。希望他们的评论 Agent 后边能支持这种功能。
0:33

不用羡慕 Adobe 了，Lovart 也上线了图层拆封功能。 只需要一键就能把图像拆成各种不同的元素。同时里边比如说文字这种可以编辑的，也可以直接进行编辑。 他们内置了很多字体，然后颜色对企业都可以进行编辑。 再配合上他们原来有的，比如说抠图功能、重新生成功能，还有编评论功能，就可以玩出很多的花样了。 一套基于 AI 的图像编辑路径，还是挺好的。 那我自己做的一张图试了一下，一键就把那张图拆零碎了。标题是标题，主视觉是主视觉，然后副标题也都可以编辑文字，然后背景包括下面的小字都识别出来，非常小的小字。 还有就是我发现他改这种英文的图表挺方便，就是你把它一下把文字全部炸出来，然后把它全部翻译成中文，里边的排版啥的都能会变，非常的方便。 要是 Agent 他能干这个事儿，就比如它可以一键帮我把英文翻译成中文，再回填回去，这个就更好了。希望他们的评论 Agent 后边能支持这种功能。

歸藏(guizang.ai)

23,064 次观看 • 11 个月前

Figma 正式推出了官方的远程 MCP 服务器，现在不需要安装 Figma 客户端 只需要在支持的软件比如 Cursor、Cluade code 里面添加，并在打开的网页里面完成账户授权就行 而且现在设计组件和前端组件的映射信息也可以通过 MCP 获取到，如果你的团队有设计系统的话，然后你的设计稿组件采用程度高 前端可以一键用 AI 生成全部的前端代码，而且保证高还原度，设计师和前端协作会到一个新的时代
0:29

Figma 正式推出了官方的远程 MCP 服务器，现在不需要安装 Figma 客户端 只需要在支持的软件比如 Cursor、Cluade code 里面添加，并在打开的网页里面完成账户授权就行 而且现在设计组件和前端组件的映射信息也可以通过 MCP 获取到，如果你的团队有设计系统的话，然后你的设计稿组件采用程度高 前端可以一键用 AI 生成全部的前端代码，而且保证高还原度，设计师和前端协作会到一个新的时代

歸藏(guizang.ai)

157,848 次观看 • 1 年前

Cursor 推出炼蛊模式！一口气能开8个代理！ 给大家带来 Cursor 2.0 更新内容！这个分量的确够得上一个大版本更新。 首先，推出了炼蛊模式，你最多可以开8个 Agent 并行运行同一个任务，然后矬子里面拔大个，选你觉得AI生成的最好的结果。 其次，cursor 早就传出内部在炼大模型，终于推出了！目前宣传点是生成速度，这个我一会儿会单独放出这个模型的评测视频！ 然后！可以在Cursor里面直接打开浏览器了！这叫一个真套娃了，本身就是 Electron，又套个 chromium。跑题了，这个最大的作用其实是为大模型进行视觉设计或debug铺平道路。是个非常不错的功能。就是不知道大家内存抗不扛得住。 还有！现在支持语音输入了，终于可以真的当老板了用嘴命令它干活了。 剩下就是一些小改进了，包括可以在一个chat里面看多个文件的修改啦，其实跟github的合并pr的模式差不多。 命令可以运行在安全沙箱，再也不用担心输入了个波浪线，大模型灭门事件了。 团队配置集中管理啦，可以在后代运行多个 plan mode，玩田忌赛马等等等等。 总之，请确保你的订阅套餐够烧
1:15

Cursor 推出炼蛊模式！一口气能开8个代理！ 给大家带来 Cursor 2.0 更新内容！这个分量的确够得上一个大版本更新。 首先，推出了炼蛊模式，你最多可以开8个 Agent 并行运行同一个任务，然后矬子里面拔大个，选你觉得AI生成的最好的结果。 其次，cursor 早就传出内部在炼大模型，终于推出了！目前宣传点是生成速度，这个我一会儿会单独放出这个模型的评测视频！ 然后！可以在Cursor里面直接打开浏览器了！这叫一个真套娃了，本身就是 Electron，又套个 chromium。跑题了，这个最大的作用其实是为大模型进行视觉设计或debug铺平道路。是个非常不错的功能。就是不知道大家内存抗不扛得住。 还有！现在支持语音输入了，终于可以真的当老板了用嘴命令它干活了。 剩下就是一些小改进了，包括可以在一个chat里面看多个文件的修改啦，其实跟github的合并pr的模式差不多。 命令可以运行在安全沙箱，再也不用担心输入了个波浪线，大模型灭门事件了。 团队配置集中管理啦，可以在后代运行多个 plan mode，玩田忌赛马等等等等。 总之，请确保你的订阅套餐够烧

karminski-牙医

21,725 次观看 • 11 个月前

2分钟搭建Linux独立代理SOCKS5 IP 现在行情不好的情况下，不妨好好提升自己，大多撸毛的兄弟应该都是买的代理IP，和买的VPN，有时候还会在群里看到很多兄弟问哪里的飞机场好用便宜，自己搭建就好了 github上有一堆一键搭建的脚本，学会自己搭建一方面能节省代理成本，另一方面可以多一台24小时不关机的远程电脑跑跑脚本，最终要的一点是，自己搭建的独立IP干净可靠，有效降低女巫风险 ❚ 一键搭建SOCKS5 安装之前先准备一台linux，一定是linux，windows不行，然后输入以下开源的脚本到linux系统，回车，等待安装，完成后会随机生成账号密码端口，把这些信息记录下来（代码都是免费开源的，放心食用，命令放在第二篇帖子） ❚ 云服务器开启防火墙 搭建成功后会发现还是连接不上代理，那是因为云服务器代理商一般都会自己做一定的限制，所以你需要登陆上云服务器的控制台，找到对应的防火墙，然后把上面的随机端口添加上 完成以上两个步骤，代理IP就算是搭建成功了，最后随便找个指纹浏览器测试下
1:33

2分钟搭建Linux独立代理SOCKS5 IP 现在行情不好的情况下，不妨好好提升自己，大多撸毛的兄弟应该都是买的代理IP，和买的VPN，有时候还会在群里看到很多兄弟问哪里的飞机场好用便宜，自己搭建就好了 github上有一堆一键搭建的脚本，学会自己搭建一方面能节省代理成本，另一方面可以多一台24小时不关机的远程电脑跑跑脚本，最终要的一点是，自己搭建的独立IP干净可靠，有效降低女巫风险 ❚ 一键搭建SOCKS5 安装之前先准备一台linux，一定是linux，windows不行，然后输入以下开源的脚本到linux系统，回车，等待安装，完成后会随机生成账号密码端口，把这些信息记录下来（代码都是免费开源的，放心食用，命令放在第二篇帖子） ❚ 云服务器开启防火墙 搭建成功后会发现还是连接不上代理，那是因为云服务器代理商一般都会自己做一定的限制，所以你需要登陆上云服务器的控制台，找到对应的防火墙，然后把上面的随机端口添加上 完成以上两个步骤，代理IP就算是搭建成功了，最后随便找个指纹浏览器测试下

Dazmon

37,626 次观看 • 9 个月前

推荐一下 张咋啦 的 PPT Skill：frontend-slides。 对于我这种不爱做 PPT，但又有演示需求的人来说，实在是太友好了。 这个 Skill 的思路是把 PPT 变成网页。 并且动画效果比 PowerPoint 好、生成的是单个 HTML 文件、浏览器直接打开。 AI 会生成多个不同风格的预览，每个风格都是定制的，字体、配色、动画都不一样。 同时还能直接在浏览器里编辑文字，改完自动保存。 如果你有现成的 .pptx 文件，也能直接转成网页版。 经常做 PPT 的话，可以试试，链接放评论区。
1:02

推荐一下 张咋啦 的 PPT Skill：frontend-slides。 对于我这种不爱做 PPT，但又有演示需求的人来说，实在是太友好了。 这个 Skill 的思路是把 PPT 变成网页。 并且动画效果比 PowerPoint 好、生成的是单个 HTML 文件、浏览器直接打开。 AI 会生成多个不同风格的预览，每个风格都是定制的，字体、配色、动画都不一样。 同时还能直接在浏览器里编辑文字，改完自动保存。 如果你有现成的 .pptx 文件，也能直接转成网页版。 经常做 PPT 的话，可以试试，链接放评论区。

余温

117,049 次观看 • 6 个月前

Damn，OpenAI刚刚扔出的这个开源仓库，直接把语音交互的未来砸到了所有人脸上🤯🤯🤯 他们发布了gpt-realtime-1.5的官方语音控制组件，现在你真的可以用自然语音，直接控制应用的UI状态，而不是转成文本再下命令。 视频里的演示蛮震撼的， 说一句切换深色模式， 整个界面瞬间变黑。 对着表单念你的姓名生日， 字段自动填充，进度条实时更新。 最绝的是下棋，说骑士走到F3，棋子直接移动，说重置棋盘，一秒清空， 就好像模型永远知道当前屏幕上是什么状态，语音操作和鼠标键盘完全等价。 讲真这么玩的话，这就不是简单的语音转文字的小升级了，我理解属于交互范式的真正转折。 以前语音是输入层，现在语音变成了应用的顶层控制层。 就是科幻电影里那种，对着屏幕说一句话，东西就自己变了的感觉🤩 更狠的是他们直接把整个实现开源了🤯🤯🤯 这个realtime-voice-component不是一个半成品demo，是一个完整的React参考实现。 一行代码加个浮动按钮，用Zod定义几个工具，十分钟就能给你现有的Web应用加上语音控制。 最聪明的设计是工具完全由应用拥有，模型只能调用你预定义的窄动作，不能乱动浏览器，安全又可控。 这比之前的Computer Use靠谱一万倍。 Computer Use是让AI瞎点屏幕，而这个是让AI直接调用你写好的接口。 一个是黑箱，一个是完全可控的白箱，这才是能真正落地到生产环境的方案。 现在已经有人用它接了蛋白结构可视化工具，接了设计软件，接了企业内部仪表盘。 未来你能想到的所有需要双手操作的场景，开车，做饭，做设计，做手术，未来都可以用语音控制。 这意味着语音正在成为操作系统级别的接口。 而OpenAI已经把所有的轮子都给你造好了。 想玩的直接去fork仓库，配个API Key，跑demo就能感受到那种说一句世界就变了的魔力。 老规矩GitHub地址评论区自取👇
2:05

Damn，OpenAI刚刚扔出的这个开源仓库，直接把语音交互的未来砸到了所有人脸上🤯🤯🤯 他们发布了gpt-realtime-1.5的官方语音控制组件，现在你真的可以用自然语音，直接控制应用的UI状态，而不是转成文本再下命令。 视频里的演示蛮震撼的， 说一句切换深色模式， 整个界面瞬间变黑。 对着表单念你的姓名生日， 字段自动填充，进度条实时更新。 最绝的是下棋，说骑士走到F3，棋子直接移动，说重置棋盘，一秒清空， 就好像模型永远知道当前屏幕上是什么状态，语音操作和鼠标键盘完全等价。 讲真这么玩的话，这就不是简单的语音转文字的小升级了，我理解属于交互范式的真正转折。 以前语音是输入层，现在语音变成了应用的顶层控制层。 就是科幻电影里那种，对着屏幕说一句话，东西就自己变了的感觉🤩 更狠的是他们直接把整个实现开源了🤯🤯🤯 这个realtime-voice-component不是一个半成品demo，是一个完整的React参考实现。 一行代码加个浮动按钮，用Zod定义几个工具，十分钟就能给你现有的Web应用加上语音控制。 最聪明的设计是工具完全由应用拥有，模型只能调用你预定义的窄动作，不能乱动浏览器，安全又可控。 这比之前的Computer Use靠谱一万倍。 Computer Use是让AI瞎点屏幕，而这个是让AI直接调用你写好的接口。 一个是黑箱，一个是完全可控的白箱，这才是能真正落地到生产环境的方案。 现在已经有人用它接了蛋白结构可视化工具，接了设计软件，接了企业内部仪表盘。 未来你能想到的所有需要双手操作的场景，开车，做饭，做设计，做手术，未来都可以用语音控制。 这意味着语音正在成为操作系统级别的接口。 而OpenAI已经把所有的轮子都给你造好了。 想玩的直接去fork仓库，配个API Key，跑demo就能感受到那种说一句世界就变了的魔力。 老规矩GitHub地址评论区自取👇

AYi

121,770 次观看 • 5 个月前

Microduck 本身只开源了microduck 和 microduck_rl，它在电脑上无法操控，不方便~ 于是乎，我耗费了一周的使用额度，做了个 microduck-studio 并开源了，希望以后玩 Microduck 的人，能少踩一点我踩过的坑。 开发机器人的时候，真正折磨人的很多时候不是代码，而是环境、端口、进程、socket、仿真和运行时散落在各处。服务明明都启动了，机器人就是不动，然后开始一个终端一个终端排查，这些坑我已经踩过一遍了，就没必要让后来的人再踩一遍，所以我做了三件事： ① 把开发环境串起来 Docker、robotd --sim、MuJoCo Viewer、Web 服务统一到一条可重复的一键启动链路里。 不用再开一堆终端，手动拼端口、socket 和进程。 ② 把状态直接摆出来 robotd、MuJoCo、策略、仓库状态都可以直接查看，也可以执行移动、停止和技能指令。 哪里出了问题，不用再靠猜。 ③ 把“启动成功”变成“真的能用” 服务启动后会继续做联通测试，真正发送控制指令，确认仿真机器人能够移动。 不是网页能打开就算成功，而是整条控制链路真的跑通。 microduck-studio 不替代 microduck，也不替代 microduck_rl。 它只是把原本零散的开发流程，整理成一个更容易使用、更容易排错的“本地控制室”。 如果它能让后来开发 Microduck 的人少踩几个坑、少开几个终端、少浪费几个小时排查问题，那这个项目就已经有价值了。 自己踩过的坑，顺手填上。 自己走通的路，给后来的人留个路标。 项目地址放评论区了 🔽
1:33

Microduck 本身只开源了microduck 和 microduck_rl，它在电脑上无法操控，不方便~ 于是乎，我耗费了一周的使用额度，做了个 microduck-studio 并开源了，希望以后玩 Microduck 的人，能少踩一点我踩过的坑。 开发机器人的时候，真正折磨人的很多时候不是代码，而是环境、端口、进程、socket、仿真和运行时散落在各处。服务明明都启动了，机器人就是不动，然后开始一个终端一个终端排查，这些坑我已经踩过一遍了，就没必要让后来的人再踩一遍，所以我做了三件事： ① 把开发环境串起来 Docker、robotd --sim、MuJoCo Viewer、Web 服务统一到一条可重复的一键启动链路里。 不用再开一堆终端，手动拼端口、socket 和进程。 ② 把状态直接摆出来 robotd、MuJoCo、策略、仓库状态都可以直接查看，也可以执行移动、停止和技能指令。 哪里出了问题，不用再靠猜。 ③ 把“启动成功”变成“真的能用” 服务启动后会继续做联通测试，真正发送控制指令，确认仿真机器人能够移动。 不是网页能打开就算成功，而是整条控制链路真的跑通。 microduck-studio 不替代 microduck，也不替代 microduck_rl。 它只是把原本零散的开发流程，整理成一个更容易使用、更容易排错的“本地控制室”。 如果它能让后来开发 Microduck 的人少踩几个坑、少开几个终端、少浪费几个小时排查问题，那这个项目就已经有价值了。 自己踩过的坑，顺手填上。 自己走通的路，给后来的人留个路标。 项目地址放评论区了 🔽

玉米_AlphaNotes

25,076 次观看 • 1 个月前

实测了一下 Claude 3 的多模态与代码生成能力！用 Anthropic Research Engineer Emmanuel Ameisen 的方法，代码示例： 拿自己上周“科技变革与美股投资”的直播视频部分字幕和 Keynote 截图，让 Claude-3-Opus 理解给它的图片和字幕文本，重写并自动生成简洁清晰的图文讲解网页，非常成功🎉 Claude 生成的网页： 这也是上周末开发出来的一套工作流，我用 GPT-4 读取字幕重写后转发的这篇长文，可读性很强。实现流程也很简单，先用工具生成字幕，然后在按照内容结构分成若干 chunks，这样可以提高精准度，设定输出 tokens 长度和 temperature 到 0.8 左右，最后修改下连接处文本插入配图即可完功！ 对于经常做直播后需要整理文档发博客的同学会很有用。现在用 Claude 3 的多图理解功能，连配图这个环节都能自动化了😄
0:55

实测了一下 Claude 3 的多模态与代码生成能力！用 Anthropic Research Engineer Emmanuel Ameisen 的方法，代码示例： 拿自己上周“科技变革与美股投资”的直播视频部分字幕和 Keynote 截图，让 Claude-3-Opus 理解给它的图片和字幕文本，重写并自动生成简洁清晰的图文讲解网页，非常成功🎉 Claude 生成的网页： 这也是上周末开发出来的一套工作流，我用 GPT-4 读取字幕重写后转发的这篇长文，可读性很强。实现流程也很简单，先用工具生成字幕，然后在按照内容结构分成若干 chunks，这样可以提高精准度，设定输出 tokens 长度和 temperature 到 0.8 左右，最后修改下连接处文本插入配图即可完功！ 对于经常做直播后需要整理文档发博客的同学会很有用。现在用 Claude 3 的多图理解功能，连配图这个环节都能自动化了😄

indigo

73,201 次观看 • 2 年前

平时使用 Mac 电脑时，经常同时打开十几个应用程序，桌面变得特别混乱，想找个特定软件需找半天，切换起来更是麻烦。 面对这个问题，FlashSpace 开源免费工具提供了一个巧妙的解决方案，让我们可以把不同用途的应用程序分组管理。 它的原理就像给桌面划分区域，比如一个区域专门放开发工具，另一个区域放设计软件，还可以设置一个娱乐区域，然后通过快捷键瞬间在这些区域间切换。 GitHub： 主要功能： - 创建多个虚拟桌面区域，每个区域放不同类型应用 - 通过热键瞬间切换到指定区域，速度超快 - 支持多显示器独立管理不同区域 - 可以预览所有区域布局并快速跳转 - 支持浮动应用，让某些软件在所有区域都显示 - 提供命令行控制接口 通过 Homebrew 安装后简单配置即可使用，对经常需要同时处理多个项目任务的 Mac 用户来说，该工具很实用。
0:30

平时使用 Mac 电脑时，经常同时打开十几个应用程序，桌面变得特别混乱，想找个特定软件需找半天，切换起来更是麻烦。 面对这个问题，FlashSpace 开源免费工具提供了一个巧妙的解决方案，让我们可以把不同用途的应用程序分组管理。 它的原理就像给桌面划分区域，比如一个区域专门放开发工具，另一个区域放设计软件，还可以设置一个娱乐区域，然后通过快捷键瞬间在这些区域间切换。 GitHub： 主要功能： - 创建多个虚拟桌面区域，每个区域放不同类型应用 - 通过热键瞬间切换到指定区域，速度超快 - 支持多显示器独立管理不同区域 - 可以预览所有区域布局并快速跳转 - 支持浮动应用，让某些软件在所有区域都显示 - 提供命令行控制接口 通过 Homebrew 安装后简单配置即可使用，对经常需要同时处理多个项目任务的 Mac 用户来说，该工具很实用。

GitHubDaily

52,980 次观看 • 1 年前

🎉 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。
0:52

🎉 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

27,192 次观看 • 1 个月前

小龙虾套壳的风波终于是卷到了国外 Perplexity 出了一个 Personal Computer，马斯克也说要做类似的东西 在你的电脑里有一个长期稳定的助手，一个可以操作软件和文件的客户端。 跟一个配置好的 Open Claw 能做的事情差不多。 但比较好的是，它的交互非常舒服： 1. 你可以直接语音输入 2. 它收到以后直接语音回复，不打扰 它是常驻在右上角的，这种设计就很舒服。而且安全性、稳定性各方面都表现得比较好。 你还可以通过他们的 Perplexity 移动 APP 远程控制桌面端的 Personal Computer。 需要候补名单，感觉也是刚立个项，可能也就做了个 demo 出来。
1:27

小龙虾套壳的风波终于是卷到了国外 Perplexity 出了一个 Personal Computer，马斯克也说要做类似的东西 在你的电脑里有一个长期稳定的助手，一个可以操作软件和文件的客户端。 跟一个配置好的 Open Claw 能做的事情差不多。 但比较好的是，它的交互非常舒服： 1. 你可以直接语音输入 2. 它收到以后直接语音回复，不打扰 它是常驻在右上角的，这种设计就很舒服。而且安全性、稳定性各方面都表现得比较好。 你还可以通过他们的 Perplexity 移动 APP 远程控制桌面端的 Personal Computer。 需要候补名单，感觉也是刚立个项，可能也就做了个 demo 出来。

歸藏(guizang.ai)

41,482 次观看 • 7 个月前