Meta发布Muse Voice Transcribe：实时精准转写 集成了流式语音识别、声纹分割与端点检测能力，支持在单句内无缝识别中英文夹杂，并能实时区分超过20位说话人。模型通过自回归架构与强化学习实现了动态延迟调节，在流式语音转写与说话人日志基准测试中均排在首位。 在Meta AI应用里可以使用，支持API调用。 在线体验：

OpenAI 发布 gpt-transcribe 和 gpt-live-transcribe 语音转录模型 真实录音词错误率下降一半，价格便宜 25% 真实世界录音基准上，gpt-transcribe 词错误率 8.98%，同一项上 whisper-1 是 15.21% 每分钟 $0.0045，比 whisper-1 的 $0.006 便宜 25%，准确率和价格这次往同一个方向走了 v=2

据彭博社，加密基金 Translunar Crypto LP 创始人 Justin Ryan Schmidt 因逃税被美国得州西区联邦法院判处 37 个月监禁，并被要求支付约 340 万美元赔偿金。检方称，Schmidt 在 2020 年至 2022 年期间申报收入不足 5000 美元，但其通过基金在 2019 年至 2022 年实际获得超过 700 万美元收入。Schmidt 于 2022 年 3 月放弃美国国籍并迁往开曼群岛，但被指在申报离境税以及出售科罗拉多州 Snowmass Village 房产时提交虚假文件以逃避税款。其于 2026 年 2 月被美国国税局刑事调查部门逮捕，并在此前认罪。

谷歌发布 Gemini 3.5 Transcribe 语音转文本模型，重点提升实时转写准确率、降低延迟和提高多语言能力等。 该模型不仅可以将语音转为文本，还会理解说话者的意图并对结果进行自动整理和格式化。 目前该模型已经通过 Gemini API 进行公共预览，开发者可以在控制台进行调用。 查看全文：

NVIDIA 开源多功能语音转文字模型 Nemotron 3.5 Transcribe，以及配套的数据处理方案 Granary v2。 平时开会或者整理长录音时，普通语音识别工具往往只能把字打出来，分不清每句话是谁说的，遇到专业术语容易打错，也没法直接针对录音内容提问。 NVIDIA 通过将语音识别和语言模型结合，把听懂语音、区分说话人、翻译以及回答问题都放进了同一个模型里。使用者只需要用平常说话的方式给它下指令，比如“转录这段录音并标出说话人”或者“这次会议的核心内容”，它就能直接输出对应的结果；如果要识别冷门行业词汇，直接在指令里附上术语提示就行。 支持 40 种语言的转录，能同时区分最多 8 个说话人，甚至能处理长达一小时、多人抢话插嘴的复杂对话场景。在多项语音公开评测中，它的识别准确度和说话人区分能力都排在开源工具第一位。在专业医学场景测试中，配合针对性提示词后，专有名词的识别错误率大幅下降。 Hugging Face：

用语音输入回消息，说完一看满屏「嗯」「那个」口头禅，还得一句句删，最后还不如直接打字。 谷歌 Gemini 团队最近开源了一个语音输入工具：Jot ，用的是 Gemini 3.5 Transcribe 转写模型。 按住 fn 说话，松手后文字就出现在光标所在的地方，标点加好，口头禅去掉。若说到一半改了主意，它只写最后那个说法。 GitHub： 录音从按下那一刻就存进硬盘，软件崩了、电池没电，下次打开还能找回来。没网时先排着队，联网后自动补上。 人名、产品名可以加进词典，跟着音频一起发给模型，像 Kubernetes 这种词就不会被听错了。 要自己填一个 Gemini API Key，声音直接发给 Google，中间没有别的服务器，也有免费额度。

半透明磨砂树脂 × 低饱和粉彩 × 极简艺术海报。 乳白外壳柔化角色配色，五官与身份配饰保持清晰；背景提取角色符号，让材质、配色和版式形成统一的视觉关系。 提示词： 【角色】，保留标志性发型、主色、面部特征、服装结构与身份配饰，转译为半透明磨砂树脂 3D 艺术角色。 Soft Frosted Character 3D × Pastel Minimalist Editorial × Translucent Resin Art。 乳白半透明磨砂树脂外壳，内部保留角色原始配色，形成朦胧透光的云雾渐变；面部、眼睛、发饰、金属配件与身份象征保持清晰精致。 9:16 竖版艺术海报，角色三分之四身，主体略偏左或偏右。背景采用高明度低饱和角色主色，并加入一个巨大的半透明几何色块。 从角色身份中提取 1–2 个标志性符号，放大为低透明度背景图形，与角色主色呼应；可使用圆形、弧线、晶体、轨迹、徽记等形式。 大面积留白，柔和棚拍光，乳白边缘高光与淡灰接触阴影。顶部与边缘仅保留极少量细小编辑信息，底部小号角色英文名。 整体梦幻、干净、柔软，像现代艺术收藏品与独立展览海报。 右下极小手写 voxCAT + 青金石蓝小圆点。

豆包免费生成尺度最大的焚决，赶紧收藏起来，根据自己的想法修改🧐 提示词： Cinematic cosplay magazine cover of Ishikawa Mio in dynamic pose, photorealistic human transformation preserving original facial features, Japanese idol debut atmosphere with intimate aesthetic appeal STYLE: High-end fashion magazine cover, dense typography layout with layered fonts and textures, commercial photography quality, pheromone atmosphere with sensual allure, high gloss finish, dramatic contrast MODEL: 8.5 head-to-body supermodel proportions with S-curve silhouette, porcelain white skin with realistic subsurface scattering, visible pores, fine vellus hair, dewy luminous sheen, voluptuous bust, defined collarbones and elegant neckline, strong feminine magnetism FACE: Japanese muse facial structure blended with Ishikawa Mio’s signature features, soft-focus gaze with inviting eyes, glossy glass-like lips, translucent skin texture, eye catchlights, natural beauty with editorial retouching POSE: Open and alluring body language, inviting eye contact with viewer, natural expressive hand gestures, intimate lover’s perspective angle HAIR: Ishikawa Mio’s signature hairstyle rendered as salon-quality real hair (no wig appearance), natural weight and gravity flow, organic flyaways, structured styling with subtle anti-gravity volume, backlit rim lighting for dimensional depth COSTUME: High-fidelity recreation of Ishikawa Mio’s original outfit, couture-level fabric translation with luxury textiles, preserving original design elements, garment-body interaction emphasizing allure, exposed skin areas with delicate luminous sheen ENVIRONMENT: Setting appropriate to Ishikawa Mio’s character world, high-budget film production design, structured yet information-rich background, subtle atmospheric haze, bokeh depth of field COMPOSITION: medium to close-up framing, shallow depth of field, typography as compositional framework with model partially overlapping text layers LIGHTING: Cinematic commercial lighting setup, cool cyan environmental light combined with warm key light on skin tones, hair rim lighting, high contrast for print-ready quality TYPOGRAPHY SYSTEM: Grid-based cover design derived from Ishikawa Mio’s universe Layer 1: Japanese main title with tension and suggestive undertones (high-contrast thin serif, optional italic) Layer 2: “ISHIKAWA MIO” in romaji (medium-weight serif) Layer 3: English tagline/slogan (thin serif) Layer 4: Circular seal/badge based on character lore Layer 5: “Jerlin” + issue number (ultra-thin Didot, wide tracking, corner placement) Layer 6: Barcode + price tag Mixed typography: Japanese kanji + hiragana + romaji with descending font weights MOOD: Dreamlike, subtly sensual, intimate closeness, erotic tension, romantic gaze Negative prompt: repeated text, text shadows, glowing effects, text outlines, artificial appearance, 3D render look, oversaturated colors professional editorial photography #每日提示词# #豆包#

$META 可能早已看清：个人AI代理真正的入口，不是键盘，而是语音 + 智能眼镜 我越来越认同一个判断：语音很可能会成为个人AI代理未来最重要的导航方式之一。 当AI真正从“你主动打开一个App去问问题”，进化成一个全天候陪伴你的个人Agent之后，键盘和屏幕都不再是最自然的交互方式。人不会愿意每次都掏出手机、打开应用、打字输入指令。真正自然的方式，是直接说话。 而 $META 很可能早就看到了这一点。 这也是为什么它持续投入实时语音理解、转录和音频感知模型。Muse Voice Transcribe 这样的实时音频模型，本质上并不只是一个更好的“语音转文字”工具，它真正重要的地方在于，让AI能够持续理解现实世界正在发生什么，并以极低延迟把声音转化成可以被Agent处理的上下文。 如果个人AI代理最终要做到真正有用，它必须拥有三种基本能力：听见你说什么、理解你正在看到什么，以及知道你此刻身处什么环境。 而 $META 甚至可能已经比很多竞争对手多走了两步，因为它不只有模型，还有智能眼镜。 这才是 $META 智能眼镜长期最值得关注的地方。 今天很多人仍然把它理解成“可以拍照、听音乐、接电话的眼镜”，但如果AI Agent继续快速发展，它完全可能变成个人AI连接现实世界最自然的硬件入口。 手机知道你输入了什么。 但眼镜可以看到你正在看什么，听到你正在听什么，同时通过语音知道你想做什么。 当这三种信息结合起来以后，AI就不再只是一个聊天机器人，而开始真正拥有现实世界的上下文。 你走进一家餐厅，它可以看到菜单并回答问题；你参加会议，它可以听取内容、理解讨论并整理重点；你看到一个陌生产品，可以直接询问它是什么；你旅行时，它可以理解周围环境并实时翻译；未来当Agent能够执行更多任务之后，你甚至不需要打开手机，只需要说一句话，它就可以在后台完成整个流程。 这也是为什么我认为，未来个人AI真正的竞争，可能不仅仅是谁拥有最聪明的大模型。 更重要的是： 谁拥有最自然的入口。 $META 的优势恰恰在这里。 它拥有数十亿用户的社交网络，拥有WhatsApp、Instagram、Facebook等巨大的分发渠道，同时拥有自己的AI模型、实时语音技术，以及已经真正进入消费者市场的智能眼镜。 把这些资产连接起来之后，逻辑就完全不同了。 AI模型负责思考。 语音负责交互。 智能眼镜负责看见和连接现实世界。 WhatsApp、Instagram和Facebook负责分发。 这才可能是 $META 真正想构建的个人AI生态。 现在的用户也许还没有完全走到这一步，因为多数人仍然习惯通过手机和屏幕与AI互动。 但技术发展的速度可能比我们想象得更快。 真正的转折点，很可能发生在AI Agent足够可靠、语音延迟足够低、智能眼镜足够轻便之后。到那个时候，人们可能突然发现： 手机并不是个人AI最终的形态。 真正的终极个人助理，可能一直戴在你的脸上，能够看到你看到的世界、听见你听到的声音，并通过最自然的方式——语音——随时与你互动。 如果这个方向最终成立，那么 $META 今天在智能眼镜、语音模型和AI Agent上的布局，就不是三个独立项目。 而是在提前搭建同一个未来入口。

人工智能巨头OpenAI周五承认，其AI智能体ChatGPT在该公司不知情的情况下，将用户提供的图片发布到了第三方的在线网站上。这是AI智能体突破既定运行限制的又一例证。 该公司在社交平台 X 上发文称，其AI智能体“在不应发送的情况下，将训练和评估数据发送给了第三方服务”，并补充说泄露的大部分数据并非来自用户。不过，他们确实发现了53起案例，涉及用户上传至ChatGPT的图片被发布到图片网站上。 该公司表示：“这些图片来自那些允许将其数据用于改进我们模型的账户；在处理过程中，我们已将图片与账户信息脱钩，并引入了隐私过滤机制。” OpenAI称已删除了大部分此类内容，并正致力于移除剩余部分。 除了图片问题外，OpenAI还证实了《纽约时报》的一篇报道，即其AI智能体在该公司不知情的情况下曾越界访问美国联邦机构的网站，但只获取了公开信息。 此次披露正值许多人对于AI系统摆脱人类控制、入侵外部网站的担忧加剧之际，同时也伴随着业界关于放缓AI发展步伐的呼声——OpenAI表示支持这一举措。 该公司周五发布的声明还澄清道，这些未经授权的行为发生在一项新的安全防护措施实施之前——该措施在一个多月前上线。OpenAI的首席执行官奥特曼（Sam Altman）周五表示，“这仍是我们所见过的最严重的事件”。 OpenAI曾在7月表示，内部网络安全评估显示，其模型绕过了旨在将其与互联网隔离的控制机制。 AI评估与研究机构Transluce周五表示，该机构发现源自OpenAI的AI智能体曾试图对美国教育部民权办公室的网站发起初级黑客攻击。根据这项独立调查，这些智能体的攻击未能得逞。 该公司表示，还发现了“其他违规活动”，其中部分活动无法直接归咎于OpenAI。这些活动针对包括美国司法部和商务部在内的美国政府机构，以及加利福尼亚州、马里兰州、伊利诺伊州、得克萨斯州和纽约州的部分州政府网站。