搜索“语音”

关注发言者和会场的同时，即可阅读眼前的翻译内容，让跨语言交流从“耳机收听”进一步拓展到“抬头可见”。 此次应用由北京市属企业祥龙公司牵头组织，联合亮亮视野、智谱AI等企业共同研发和保障。将人工智能与智能硬件创新转化为具体的会议服务，为不同语言、不同文化背景的嘉宾交流观点、增进理解提供支持。 300台同时在线的背后，是一套完整系统对数百台终端的实时服务。从会场语音采集、AI识别、实时翻译，到低延时传输和眼镜端字幕显示，各环节需要稳定衔接，才能将发言内容及时、连贯地呈现在嘉宾眼前。此次应用在复杂会场网络、多语种交流、高并发接入和长时间连续运行条件下，保持了较高的稳定性、准确性和低延时体验，在扩大服务规模的同时检验了系统成熟度。 这一进展体现了AI眼镜从终端功能创新向系统化服务的延伸。实时翻译与近眼显示，通过组网和现场保障协同进入正式会议服务体系，接受实际并发规模、运行连续性与参会体验的综合检验，为前沿技术服务大型国际活动积累了实践经验。 技术能力的提升，最终服务于人与人之间的理解。文化交流包含知识与观点，也包含讲述者的语气、神情和表达语境。眼镜端的实时字幕，让嘉宾在获取翻译信息的同时保持对

匹配字段正文

5 月推出测试版，目前免费提供，但也提供每月 8.33 美元的 Pro 订阅，适合希望无限量在后台运行任务的用户。 Instinct Instinct 最初因以 25 亿美元估值融资 3.5 亿美元而登上头条。2026 年 9 月，它又融资 10 亿美元，估值达到 100 亿美元。 这款随时可用的智能体可以代你采取行动，而不只是回答问题。用户可以通过文字或语音与 Instinct 交流，并将它连接到已经在用的应用和服务，例如电子邮件、日历、Google Workspace 等。该公司表示，早期用户已使用 Instinct 完成从规划旅行、购买食品杂货到订票和取消订阅等各种任务。 该公司仍处于非公开测试阶段。 Iris Iris 由 Hermes 智能体驱动，旨在让用户直接通过 iMessage 将任务委派给 AI 助理。用户可以连接自己使用的应用，并通过一条简单消息交办任务。随后，该智能体会逐步完成所需步骤，同时保留此前交互中的相关上下文。它还设计为主动跟进用户，而不是等待用户再次提出请求。 Martin Martin 是一款通用型个人助理，可通过短信以及电话、WhatsApp、电子

匹配字段正文

“没有新界面的个人智能体”。 Instinct踩在一条长达六十年的脉络上。 1966年，MIT的ELIZA用关键词替换模拟心理医生对话，人类第一次对着机器倾诉；1995年，ALICE成为第一个广泛商用的聊天机器人；此后二十年，SmarterChild、小i机器人们涌进MSN和QQ，却始终困在“问答机器”的壳里。 2011年，Siri随iPhone 4S发布，语音助手时代开启，Google Now、Alexa、Cortana蜂拥而至。2014年，微软推出小冰，不强调任务执行，主打情感陪伴。但“听懂”和“办到”之间仍有巨大鸿沟：当时的语音识别错误率高达15%-20%，意图理解只能覆盖少量垂直场景，任务完成依赖第三方App开放接口，跨应用调度几乎不可能。助手们普遍沦为“问天气”和“讲笑话”的玩具。 2017年前后，天猫精灵、小度、小爱同学靠补贴大战在中国铺开智能音箱，却又陷入同质化与价格战，入口叙事难以变现。行业逐渐形成一个共识：助手的能力天花板，由底层语言理解技术决定，而不是入口形态。 2022年11月，ChatGPT上线，对话助手第一次具备开放域的知识问答、写作与推理能力。2023年，G

匹配字段正文

商店榜首。但即便Muse最终主导消费级AI领域，Tian仍看到了一个市场：服务于那些希望自己的应用能在消息服务上运行的开发者。这正是Photon提供一整套工具的原因，包括统一API、可扩展的渠道框架、命令行界面（CLI）以及可观测性套件。这些工具组合起来，使开发者能够构建和运营可在iMessage、WhatsApp、Telegram、短信或RCS、电子邮件、语音等平台上运行的智能体体验。 Photon的创意源于联合创始人Tian和CTO Ryan Zhu在学生时代构建消费级应用的经历，他们经常参加黑客松。每次完成一个新应用，他们都会遇到同一个瓶颈：如何让人们发现它。通过构建一个在iMessage内运行的智能体，他们意识到可以通过人们每天都在使用的应用——苹果的Messages——触达用户。 例如，Tian曾构建过一个机器人，能在iMessage上以他的身份回复朋友的消息。当他和Zhu将这项技术在GitHub上开源后，数千名开发者采用了它。于是他们全力以赴。Tian从宾夕法尼亚大学的M&T项目退学，Zhu则离开了高中，后来成为麻省理工学院媒体实验室的访问学生。 如今，Photon的开源版

匹配字段正文

务于旧工作负载的硬件就会成为新工作负载的瓶颈。 1985 年（定制硬件 → CPU）：计算从专门的科学模拟转向需要可编程的通用软件。 2003 年（CPU → GPU）：机器学习和图形渲染等新工作负载要求大规模并行。结果，CPU 成了瓶颈，GPU 成了解决方案。 2026 年（GPU → Cerebras WSE）：如今，随着我们构建多智能体系统、编程助手、语音界面和人在回路的工作流，我们的工作负载再次发生转变。这些工作负载是顺序的、受内存带宽限制的，并且对延迟极其敏感。GPU 并非为此而设计。 幸运的是，硬件层面的转型已经开始了。Cerebras 的晶圆级引擎（WSE）是一块餐盘大小的单芯片，属于更新一代的架构，专为需要低延迟的 AI 工作负载而优化。GPU 需要在芯片与内存之间来回搬运数据，而 WSE 则把所有数据都保留在片上，从而消除了制约 GPU 推理的内存带宽瓶颈。 以下是你如何判断延迟债确实存在的方法：跟着钱走。 在过去六个月里，AI 领域最重要的四家公司都押下了数十亿美元的重注，赌的是更快的推理，而这些押注没有一笔落在目前已经主导 AI 的 NVIDIA 硬件上。Goog

匹配字段正文

的 Agents API，在上面构建各种酷东西。我们很想听听你的反——反馈，如果，你知道，取决于进展如何。 Vibhu [00:17:31]：你有没有看到它影响开发工作流的方式有什么变化？所以 Dots 的一件事就是，你知道，你在 Slack 里看到它。 Ari Weinstein [00:17:38]：是啊。 Vibhu [00:17:38]：你看到人们用语音并构建。Roman 展示的那个例子，改这个应用并沿途给我发截图等等。 Ari Weinstein [00:17:46]：是啊。 Vibhu [00:17:46]：你在采用情况里看到关于人们如何用 Computer Use 做编码工作流的什么吗？人们应该从中得到什么建议吗？ Ari Weinstein [00:17:55]：其实我最喜欢的 Computer Use 用例之一，也是我们在实际中经常看到的，就是 Computer Use 让代理——真正测试代理构建的软件，这比听起来重要得多。因为传统上，你知道，你在 Codex 里构建东西，然后——然后 Codex 帮你构建好，然后你得测试它，而你现在就像是代理的 QA，对吧？所以有了

匹配字段正文

人值守运营——长时间连续运行、自主故障恢复、远程监控与补货提醒； 4. 多场景快速部署与低成本复制——开箱即用、低代码配置、同一底座适配便利店、药房、酒店等多业态。 以下四个案例分别代表四条不同的落地路径： ◇ 银河通用 × 零售：「银河太空舱」无人零售具身智能方案 方案硬件形态为 9 ㎡ 预制舱体，内置 Galbot 双臂轮式人形机器人、多温区货架与支付及语音交互屏。核心技术为 GroceryVLA 端到端模型，可零样本识别透明瓶、软包、异形盒，配合 ± 5mm 偏差自适应补偿、力控柔性执行与 Sim-to-Real 数据管线；运营上依托云端 RaaS 平台，实现远程监控、补货预警与多舱统一管理。 落地场景有两类：一是太空舱智能零售店，已覆盖全国 20 多个城市、超百台舱体，售卖文创、饮料、咖啡、雪糕、零食、烤肠等多品类，单舱日均服务能力达 2000 人次；二是智慧药房（ 24 小时即时零售），截至 2026 年 3 月已累计送出近百万盒药品、服务超 30 万订单，解决了 24 小时药房 " 夜间值守难 " 的问题。 效果数据：泛化抓取成功率超过 95% ，日均订单约 500 笔 /

匹配字段正文

要更实体化的形态。Friend等其他公司也采取了类似的软件先行策略，但Friend主要定位为陪伴型聊天机器人，而非生产力工具。 在DevDay新闻问答环节中，当被问及Dots是否会成为与ChatGPT交互的主要界面时，OpenAI核心产品负责人Thibault Sottiaux表示，公司“很快就会就地演进ChatGPT，使其成为这个了不起的个人助理”，他还认为，随着人们能够通过电子邮件、短信或电话联系自己的AI智能体，交互的切入点“在某个时候都会变得模糊”。Sottiaux说，它将成为“你生活中自然的一部分”。 Altman押注的是，Dots在长期任务上会比市场上此前几代智能体更有用。“这感觉像是一个始终在线的助手、合作者……你可以把非常大量的工作交给它，它会了解你，并随着时间推移主动提供帮助，”他在周二的新闻问答环节中说。 两家公司的主要赌注是，在经历了多年表现平平的AI智能体之后，它们终于能交付一款有用的日常工具，从而打入更广泛的大众市场。但在Muse于Facebook Marketplace上令人担忧的举动，以及Dots在DevDay上出岔子的语音演示之后，显然还有一些工作要做。

匹配字段正文

的时间，即便是这位司机已经拥有40年的驾龄，仍然来不及反应。 去年5月，济青高速交警也披露过一个案例，肇事司机在智驾模式下行驶，随着与前车距离不断缩短，本应起到辅助安全作用的智驾系统不仅未采取减速措施，反而在碰撞发生前一秒突然显示退出，最终酿成追尾事故。 在车质网上，也能看到大量的投诉，比如智驾系统将中央隔离带错误识别为大货车并持续减速，发出“请控制方向”的语音提示后仅4秒，智驾“直接强制退出”，车辆随即剐蹭护栏。车主写道：“高速行驶状态下预留反应时间严重不足，根本无法从容接管车辆。” 还有在正常行驶中，智驾无故退出，导致汽车失控撞护栏，无反应时间接管的投诉。这些虽然没有造成多严重的后果，但几乎都能读到同一句话：“事故前，智驾退出了”。 这些案例拼凑出一幅令人不安的状态，智驾系统在感知到超出自身能力边界的场景时，比如复杂路况、恶劣天气，还是传感器识别错误，都会触发保护机制，将控制权交还给驾驶员。 但问题在于，这个“交还”往往发生在撞击前的最后一两秒，甚至更短。 普通人的紧急反应时间至少需要1到5秒。当智驾在最后一秒突然撂挑子，留给人的反应时间不足1秒。这种极致仓促的瞬间，普通人根本来不

匹配字段正文

止这些。 Vibhu [00:19:57]：有时候甚至不是那样。有时候就是直觉，对吧？比如你甚至没意识到自己想要某个东西，直到模型把它做出来，然后你说“哦，这个感觉立刻就更好了”，对吧？ Thariq Shihipar [00:20:07]：对，没错。 Swyx [00:20:09]：有一件事我一直在反复琢磨，就是我觉得我有一半时间写提示词的方式，比如说我用语音。 Swyx [00:20:16]：我说语音了吗？别人有语音。那正好相反。那就只是我东拉西扯两分钟，按下功能键然后松开，然后希望它能自己搞明白。而且很多时候它确实能。 Thariq Shihipar [00:20:26]：对。 Swyx [00:20:26]：但它不像那种结构化的提示词那样深思熟虑，不像那种像 PRD 或备忘录一样良好组织的沟通。这符合人们实际的做法吗？是不是存在双峰式的提示词，有些提示词你前期花很多时间，另一些你就随手一挥？ Thariq Shihipar [00:20:43]：我不觉得语音就一定是低。我觉得更像是提示词里有多少信息。模型可以。你可以加上几句话 Swyx [00:20:53]：对 Thariq

匹配字段正文

DLC 打包了跟踪的 vLLM-Omni 版本，并为 SageMaker AI 添加了路由中间件。vLLM-Omni 将 vLLM 从文本生成扩展到通过 OpenAI 兼容 API 处理或生成文本、音频、图像和视频的模型。 本文是关于专用 AWS DLC 系列文章的延续。第 1 部分使用 vLLM-Omni 和 SageMaker AI 双向流式传输实现实时语音。第 2 部分涵盖实时和异步推理：图像模型以内联方式返回结果，而运行时间较长的视频模型将其输出写入 Amazon S3。将图像和视频生成与文本转语音演练分开，也使不同模型、负载和响应模式更加清晰。 你克隆代码示例，部署 FLUX.2-klein-4B 用于图像生成，并将其输出传递给 Wan2.1-VACE-1.3B 用于图像条件视频生成。该示例包含命令行工作流和 Streamlit 应用程序。 该解决方案将同一个固定版本的 AWS vLLM-Omni DLC 镜像部署到两个 SageMaker AI 端点。部署脚本更改 SM VLLM MODEL，以在一个端点上加载 FLUX.2-klein，在另一个端点上加载 Wan VACE

匹配字段正文

兴在上述演讲中表示，它不是在城市室内使用，而是面向户外复杂地形、强通过性，用来在野外环境完成任务。 在王兴兴看来，现在整个具身智能、人形机器人技术只发展了三四年，仍处于行业早期，距离机器人大规模走进家庭、大规模民用普及，还需要数年时间。 值得一提的是，王兴兴判断，具身智能赛道未来也必将迎来专属的“ChatGPT 时刻”。当机器人可在 80%的陌生场景中，通过语音具身能力完 80%的任务时，就意味着行业抵达爆发临界点。届时全球企业与各国资源将集中涌入赛道，这一产业拐点有望在未来几年落地。 “但现在行业最大的瓶颈，是AI模型输入输出，和真实物理世界之间的精准匹配不足。” 王兴兴在上述演讲中说道，大语言模型运行在数字空间，文字输入、输出，偏差很小，几乎没有物理损失。机器人不一样，感知、决策、电机执行，每一步都会产生偏差，偏差会不断累积。 王兴兴称，机器人做搬运、移动这类大动作，大体方向没问题。但是到抓取、装配这种精细操作的最后环节，会出现几毫米的误差。看上去动作已经到位，但是这一点点误差，没办法自动修正，直接导致任务失败，整体成功率暴跌。“未来谁能解决这个物理世界对齐的毫米级误差问题，机器人

匹配字段正文

Alexandr Wang在演讲时说得很直接： 你可以让它帮你经营小型业务，或者只是为你完成工作。你可以离开电脑，它会继续为你处理排好队的所有工作。 2、 拥有独立专属邮箱 。 Facebook发力了。 3、 实时视频通话与数字分身 。 Meta这次还端出了全新的 Muse Realtime Avatar 模型，配合Muse Realtime Voice实时语音模型，直接给Muse捏了一张脸、一副身体和声音。 过去那个冷冰冰的无形软件，现在变成了可以实时视频连线的数字分身。视频与声音完全同步，响应延迟不到一秒。 但说这么多，大家也知道，个人助理这个方向，模型根本不是重点。 能干成多少事，还得看同行愿不愿意给你放路。 所以除了软件，Meta也在疯狂动员商业巨头帮亲儿子撑场子。 小Muse刚上线的时候，就已经接进了Shopify的全部商品目录和数十家合作伙伴。 而这次，Meta直接拉来了一整个商业阵营当外援。 购物端，新增了沃尔玛（Walmart）、百思买（Best Buy）、American Eagle Outfitters、DICK’S Sporting Goods、Fanatics、

匹配字段正文

隆重推出 Eleven v4，这是我们迄今为止最具情感表现力的模型。探索跳至内容登录注册联系销售登录 探索更多 获取 API 密钥 自动语音识别 将 Zoom 会议音频转换为团队可用的文本，无需手动记笔记。借助实时语音转文本系统，您的组织可以提供实时转写，为难以跟上口头对话的员工或听障人士提供支持。 过去三年里，实时语音转文本（STT）技术取得了长足进步，Zoom 的内置工具也在不断迭代，以降低 词错误率 （WER）。但对于寻求低延迟替代方案的团队，专业 语音转文本 而通过 ElevenLabs 等平台提供的工具，则可实现更低的 WER。 本指南介绍如何使用内置工具和第三方解决方案转写 Zoom 会议。它详细拆解了原生选项、不同方法的操作步骤、存储在云端的录制文件的处理流程，以及如何为更复杂的用例创建自定义管线。 摘要 AI 驱动的转写支持 90 多种语言和口音，可实现跨国团队的实时协作。 工作人员可以使用内置工具或第三方方案，在 Zoom 会议进行时或存储音频后进行转写。 Zoom 的实时字幕在各版本中均免费，但大多数其他内置转写功能需要付费的 Workplace 账户。 开发者使用

匹配字段正文

07上，一句“你好深蓝”可以完成闲聊、车控、导航，不需要点开不同APP。在姜海荣看来，互联网时代一直有“超级APP”的说法，进入AI时代之后，“OneAgent应该就是一个未来的趋势”。通过统一入口连接车机上的不同应用，一个指令可以连续执行相关任务。“它是用一种听得懂你的话的状态来服务你，就像一个贴身伴侣一样。” 陈婧文则从大模型能力变化解释了这一体验。传统语音助手更多是在“听懂指令”，而大模型能够根据更多元素的信息，理解当前环境下用户相应的需求。过去一句话的意图可能需要对应某个单一功能，但真实需求往往是多元的。“这就是大模型带来的智能化提升。”陈婧文说。 姜海荣介绍，全新深蓝S07可以记录用户声纹，通过这种方式区分不同用户，并基于对用户的了解和记忆提供个性化体验。比如，当用户说“我今天不是很开心”，车机可能会播放一首用户喜欢的音乐。 据其介绍，全新深蓝S07最多支持6组个人声纹，不同用户可以相互独立地与车机交互。在他看来，这一数量在日常生活场景中已经足够满足消费者需求。 陈婧文进一步解释，车辆通过声纹识别用户身份，并关联相应偏好，“整个架构也是用端云协同的一种设计方式”。隐私会被保存

匹配字段正文

果综合成连贯的答案。同一系统可处理安防录像查询（“这个人出现过吗？”）、内容分析（“总结前 30 分钟”）和调查性问题（“碰撞前哪辆车变道了？”）。无需为每个用例单独构建处理流水线。 以下截图展示了该界面，其中提供用于自然语言查询的聊天面板，以及用于文件上传和分析模式选择的侧边栏。 图 1：视频智能聊天界面 关键洞察在于，流水线是在运行时确定的。智能体会针对语音内容问题调用 Amazon Transcribe，针对人脸匹配转向 Amazon Rekognition，并对先前已处理内容的后续问题复用缓存结果。路由由模型处理，而非应用代码。 先决条件 要跟随本文中的实现进行操作，您需要： 一个可访问 Amazon Bedrock（已启用 Anthropic Claude Sonnet）和 Amazon Simple Storage Service (Amazon S3)。对于文档处理，需要 Amazon Bedrock Data Automation (BDA) 或 Amazon Rekognition 与 Amazon Transcribe。请参阅 Amazon Bedrock 中各 A

匹配字段正文

受监管或高后果的决策在推进之前送达合适的人员，帮助组织降低合规风险。 AI 通过以下方式支持程序性合规： 发送所需文件。 收集信息。 检查必填字段是否完整。 检索政策或披露信息。 记录已完成的步骤。 将案件转交给合适的人员。 当法规要求进行解读、需要解决例外情况，或必须做出承担法律责任的决策时，责任仍由人类承担。 例如，英国保险公司 Admiral 为其客户语音智能体设定了明确的适用范围边界。Admiral 将脆弱性和欠款案件转交给人工处理，并在上线前以高验证标准测试受监管的 AI 工作流。 在保留人类专业能力的同时提升效率 AI 可以处理重复性的行政工作、收集信息、准备记录，并推动常规案件向前推进，而无需在每一步都有人参与。对企业而言，其结果可能是更短的处理周期、更少的行政积压，以及让员工有更多精力处理直接影响客户、收入或风险的工作。 Finch Legal 借助 ElevenAgents 将通话成功率从 59% 提升至 93%，同时将规模扩展至每月 15,000 通以上的通话。部署智能体来处理这些流程，意味着人工坐席在电话上花费的时间约为以往部署的六分之一。只有在案件需要其专业知识

匹配字段正文

为 7400 万，6 Astra 为 1.37 亿），Diogo 介绍了 Jev，它随即席卷了 AI 时间线——我们将跳过完整的 Jev 讲解，因为你最喜欢的 AI 网红/教育者可能已经做过一期了。我们还收集了： 来自 Allie 的官方模式与 cookbook，你应该先看这些 Jev 用例 基于速度的——游戏与计算机使用 我们在 1 小时 34 分讨论的语音 + 计算机使用示例 短信中的引导式回复 Jev 用于编码代理有官方指南 jev 用于 linting 压缩工具调用 Theo 提出的合理反驳——Diogo 发表了一篇关于《KV Cache 的暴政》的说明，你应在播客后作为 Jev + 编码代理的后续阅读，因为他相信缓存统治一切 构建于 Jev 之上的编程语言（Diogo 的最爱） Jev 用于分析回放与用户旅程回顾 Jev 的一个核心目标是“消失在背景中”——例如像正则表达式一样不起眼 融合 transformer 与分类器 关于 confidence api Jev 与 GLiNER（注意差异/反驳，同意，同意，同意） Jev 论电车难题 Jev Bush 相反，我们将聚焦

匹配字段正文

该发生什么。智能体不是从一小组脚本化答案中挑选，而是： 解读：智能体读取被赋予的目标，并确定用户实际需要什么。 检索：智能体提取相关上下文，包括文档、先前的对话历史和工具输出。 决策：智能体选择使用哪个动作或工具，以及以什么顺序使用。 适应：当新信息改变情况时，智能体调整其方法。 执行：智能体采取行动，然后对结果进行推理以确定下一步。 以一个处理账单争议的 语音智能体为例。 传统的 IVR 脚本可以将来电者转接到“账单”部门，然后就此结束。而智能体工作流可以调取客户账户、查看付款历史、依据退款政策核实争议、在批准限额内发放信用额度，只有在超出限额时才升级给人工处理。 智能体工作流的关键组成部分与特征 大多数智能体工作流都共享相同的基础构建模块，无论具体平台或用例是什么。 以下是每个组件功能的概述： 组件 功能 LLM 推理层 解读意图、规划下一步，并决定使用哪个工具或路径。 动作与 集成 让智能体采取真实行动，例如更新 CRM、检查库存或发放退款。 检索增强生成（RAG） 将智能体的回复建立在企业实际文档和知识库之上，而非通用训练数据。 记忆与上下文 将对话历史和先前输出向前传递，使智

匹配字段正文

：“规范出具的标识检测材料，可以成为有价值的技术凭证。它能够把各方对标识要求的理解落实到同一份可核验的结果上，减少仅凭口头说明进行确认的情况。对稀宇科技而言，这与我们已经开展的跨平台测试和标识互认验证具有直接衔接价值。” AIGC内容检测让深度伪造无所遁形 平台AIGC内容检测模块严格遵循《互联网信息服务深度合成管理规定》要求，融合多类算法模型，实现对文本、语音、图像、视频等多模态AI生成合成内容的检测。 功能背后，周晓榕提出了来自业务一线的评价口径：“我们会重点看两类问题：一类是漏检，也就是应识别的生成合成内容没有被发现；另一类是误报，也就是非合成内容被错误判断为生成合成内容。”她补充道：“就企业选用检测服务而言，我们希望平台能够用业务样本持续验证检测效果。这样的评价方式，才能支撑其长期应用，也有助于减少对正常创作的误伤。” 智能代码审计与普惠化服务 智能代码审计功能结合安全大模型构建多Agent协同代码审计架构，输出含触发路径、可控性分析及PoC的结构化漏洞报告，帮助企业在研发阶段筑牢代码安全防线。 贾开教授认为，四大板块完全契合当前人工智能技术研发及其应用的行业痛点。“模型安全测

匹配字段正文