阿里新模型错字率全球第一，医疗听中率超95%

1. 看到韶音即将推出首个AI耳机，感觉总算有品牌瞄准办公真实需求了。这款产品已经完成了广东省生成式AI服务登记，合规这块稳稳落地，还和头部大模型深度合作，底子很扎实。 据说韶音会自建专属测试语料库，着重打磨行业真实使用场景，这点很认可，尤其是面对带口音的方言、谈判里密集专业术语，才是检验能力的关键。李现最新路透也曝光了这款耳机，从外观看，大概率就是OpenFit系列的新品了，深灰色配色看上去也比较沉稳。支持录音转写、AI自动整理纪要、跨语言实时翻译，完美适配经常开会、跨国交流的人群，主打一个实用，爆料称8月份上市，我到时候也会做实测，如果体验在线，耳机就不止是听歌设备了

新浪微博 2026-07-29 00:00:00

2. Y2A-Auto 是一套将 YouTube 视频全流程自动搬运到 AcFun / bilibili 的一体化工具，覆盖下载、ASR 语音识别、字幕翻译、内容审核到最终上传的完整链路，并内置 Web 管理后台和 YouTube 监控能力。项目支持 Docker 与本地双模式部署，兼容 CPU 与 NVIDIA / Intel / AMD 硬件加速。核心功能包括频道与关键词定时监控、任务队列管理、字幕后处理与质检、AI 生成标题简介标签、可选阿里云内容审核，以及企业微信 / Server酱 / message-pusher 多渠道通知推送。通过 CookieCloud 可一键同步 YouTube Cookies，免去手动导出；AcFun 与 bilibili 支持扫码登录；Web 后台提供分组配置与人工审核入口，方便精细控制投稿流程。适合需要长期、批量搬运 YouTube 内容的个人或团队使用。GitHub：github.com/fqscfqj/Y2A-Auto

新浪微博 2026-07-25 00:00:00

3. Hugging Face 开源了一个低延迟语音智能体框架地址：github.com/huggingface/speech-to-speech主要是串联这个过程：麦克风音频 → VAD → 语音识别 STT → 大模型 LLM → 语音合成 TTS → 播放音频里面的语音识别、LLM、语音合成都可以自己指定来源，可以本地可以云端。#How I AI#

新浪微博 2026-07-31 00:00:00

4. 【Agent 始终在场：语音交互从“对讲机”进化到“同声传译”】阿里 QwenAudio 团队开源的 qwen-audio-agent 并非单纯的语音模型，而是一个实时语音运行时。它通过 ACP 架构实现了前台语音交互与后台任务处理的解耦，支持全双工通信和自然打断。这意味着当 Agent 正在调用工具或检索资料时，对话不会陷入死寂，用户可以随时追问进度或修改指令，任务完成后结果会自动回归对话上下文，目前已提供 macOS 桌面悬浮球和多种主流 Agent 接入支持。过去 AI 语音交互最大的痛点是“回合制”带来的断裂感，这种延迟让用户觉得在对着机器录音而非与人交流。这个项目试图建立一种新的交互标准：让 Agent 具备一边干活一边聊天的并行能力。这种架构上的进化比单纯提升模型响应速度更有意义，它标志着 AI 助理正从一个被动响应的工具转向一个具备持续在场感的数字实体。对于开发者而言，这种解耦设计降低了为现有 Agent 增加高质量语音界面的门槛。 github.com/QwenAudio/qwen-audio-agent

新浪微博 2026-07-31 00:00:00