YOHO AI

标签： AI助手

  • 苹果 iOS 27 公测开放：重做版 Siri 终于能打 ChatGPT 了？

    这么多年，Siri 一直是那种你喊它定个闹钟还行、稍微复杂点就装听不懂的助手。苹果显然也知道。今年 WWDC 上它亮出了”史上最大改版”的 Siri，当时只给开发者玩；现在 iOS 27 公开测试版一推，普通用户也能上手了——这是苹果头一回把这套 AI 版 Siri 大面积放开。

    全球揣着 iPhone、iPad、Mac 的人加起来有 25 亿。哪怕只有一小撮人装公测，这场测试的规模也够吓人：它等于把苹果重写后的 AI 助手，直接丢进真实生活里接受拷打，对手是 ChatGPT、Gemini、Claude 那些早就上桌的玩家。

    这次 Siri 到底变了什么

    过去的 Siri 像个只会念预设台词的播音员，新版则更像一个能翻你手机、懂你上下文的助手。它能读你设备上的邮件、照片、短信，能看你屏幕正显示什么，也能接住”今天本地有什么活动””刚才新闻说了啥”这类本来得搜网页才答得出的问题。

    入口也比以前多。除了老办法”嘿 Siri”和按侧边键，你还能从灵动岛往下滑把它叫出来；它甚至还塞进了 iPhone 自带的聚光搜索（Spotlight），等于顺手把搜索框也变成了问答框。苹果头一回给 Siri 做了个独立 App——虽然对已经深度嵌进系统的它来说，单独开个 App 多少有点多余。

    iOS 27 上的 AI 版 Siri
    iOS 27 公测里的 AI 版 Siri：能读邮件照片、看屏幕、跨设备调用

    底层是和谷歌一起”蒸馏”出来的

    说到内核，新版 Siri 靠的是 Apple Intelligence，以及苹果自己跑在设备上的基础模型，再加上私有云计算（Private Cloud Compute）。有意思的是，这些模型是苹果拉着谷歌、用 Gemini 当老师”蒸馏”出来的——但不是把 Gemini 改个名就拿来用，而是用苹果自己的数据和针对 Apple 芯片做的瘦身版。好处是模型小、跑得快，还能在端侧保护隐私：Private Cloud Compute 保证你的个人数据不会被苹果存下来，也不会被它翻看。

    开发者测试里，Siri 已经能找准相册里某张照片、总结群聊、把短信里的约会塞进日历，甚至对着镜头告诉你手里的食物大概多少卡。但它也会犯傻——有次被问”伊朗最新消息”，它跑去通讯录里找叫 Iran 的联系人。

    别急着全靠它

    苹果自己也说，公测归公测，真要设备一天都不能出岔子，最好还是等 9 月正式版。今年的开发者测试版整体算稳，比前几年靠谱，但 bug 仍在。另外，欧盟地区暂时还用不上这套 Siri。

    • 覆盖 iPhone、iPad、Mac、Apple Watch、CarPlay、AirPods、Apple TV、Vision Pro 全系设备
    • 不靠开 App 也能用，随时唤醒，更容易渗进日常
    • EU 用户暂被排除，是这版最大的区域遗憾

    说到底，Siri 这次不再是那个只会定闹钟的梗了。它能不能真的追上 ChatGPT 们，还得看秋天正式版和那 25 亿设备上的真实表现。但至少，苹果把”AI 助手”这堂课，补上了最该补的一节。

    📎 原文来源：Apple opens its new Siri AI to everyone with the iOS 27 public beta（TechCrunch / Sarah Perez）

  • Siri终于像样了？苹果借iOS 27公测，把AI助手交给25亿用户

    苹果这周干了一件酝酿了快两年的事：把重做后的 Siri，通过 iOS 27 的公开测试版，直接交到普通用户手里。之前这套 AI 助手只在开发者圈子里转，现在只要你愿意装个测试系统，就能提前摸一摸苹果口中的”对标 ChatGPT、Gemini、Claude”到底是什么水平。

    为什么这事值得拿出来说？因为苹果手里攥着大约 25 亿台活跃设备。哪怕只有一小撮人装了公测版，这次实测的规模也远超任何一家 AI 公司的内测。对苹果来说，这是新版 Siri 第一次真正意义上接受大众检验。

    新版 Siri 不再只是个会听指令的语音助手，它能翻看你手机里的邮件、照片和短信，能读懂屏幕上正在显示的内容，也能像现代聊天机器人一样去回答现实世界的问题。

    它到底能干什么

    这次升级是六月 WWDC 上正式公布的。最大的变化是 Siri 终于开始碰手机里的真实上下文：你让它从一堆群聊里总结今天说了什么，把短信里提到的约会加进日历，或者对着相机拍到的食物查热量，它都接得住。

    唤起方式也比以前多。除了老办法”嘿 Siri”和按侧边键，现在还能从顶部的灵动岛往下滑把它叫出来；它还被塞进了 iPhone 自带的聚光搜索（Spotlight），几乎什么问题都能直接搜。苹果甚至头一回给 Siri 做了个独立 App——对已经用惯 ChatGPT 那种对话框的人，这个体验可能更顺手。

    而且它不只活在 iPhone 里。iPad、Mac、Apple Watch、CarPlay、AirPods、Apple TV、Vision Pro，全线都能用。

    藏在底下的模型，是苹果和谷歌一起熬的

    Siri AI 的底座是 Apple Intelligence，用的是苹果自己的 Foundation Models，跑在设备本地，需要时再走 Private Cloud Compute 云端。有意思的是，这批模型是苹果拉着谷歌的 Gemini 一起做的，但别误会成”换皮 Gemini”——苹果用 Gemini 当老师，蒸馏出更小巧、更省电、专门给 Apple Silicon 跑的模型，喂的是自己的专有数据。至于隐私，Private Cloud Compute 的设计就是确保你个人的数据不会被苹果存下来、也不会被它看到。

    苹果在 WWDC 2026 展示的新版 Siri
    苹果在 WWDC 2026 上展示的重做版 Siri，现已随 iOS 27 公测向普通用户开放。

    实测下来还有什么坑

    开发者版本里，Siri 已经能稳稳处理不少基础活儿：找相册里的某张照片、总结群消息、加日程、查眼前食物的营养信息，还有那些本来得搜网页才能知道的本地活动、新闻动态，它都接得住。

    但它也会犯傻。文章作者就举了个例子：有回他问 Siri 最新的伊朗（Iran）新闻，结果 Siri 跑去通讯录里找了个叫 Iran 的联系人。这种小乌龙在测试版里还不算少见。

    好消息是，今年的开发者测试版整体算稳，所以这次的公测比往年更值得装。当然，测试系统始终是测试系统——如果你的手机必须丝滑无错地干活，那还是等九月正式版 iOS 27 更稳妥。一个小提醒：目前欧盟地区的 iOS、iPadOS 和 watchOS 上，Siri AI 暂时还用不了。

  • Gemini Spark 登陆 Mac：谷歌把智能体助手塞进了你的桌面

    Google 把 Gemini Spark 这个”管家型”AI 助手搬上了 Mac。它不算什么全新概念——能帮你整理文件、盯梢你关心的话题、顺手把发票变成预算表——但放到桌面端之后，它第一次能直接碰你电脑里的东西，终于可以和 Claude Desktop、Copilot 这些老对手正面杠上了。

    从聊天框变成会动手的助手

    Spark 是五月底跟着 Google I/O 一起亮相的，定位是”24 小时在线的个人智能体”。这次上了 Mac，它被塞进现有的 Gemini 桌面 app 里，beta 阶段只向美国的 Google AI Ultra 订阅用户开放。最关键的变化是：它不再只能在网页里跟你聊，而是能读取你电脑上的文件、按指令整理下载文件夹，或者把一堆发票直接拼成一张预算表。

    皮查伊在 I/O 上开玩笑说，Spark 跑在云端虚拟机上，”所以你可以合上笔记本了”——这话明显是在暗戳戳怼那些必须让电脑一直醒着才能干活的本地智能体。

    补上了被吐槽最狠的短板

    上个月 Spark 刚出来时，TechCrunch 的编辑专门点名：这玩意儿居然连 Google 自家的 Keep 笔记都接不上，想记个简单的打包清单都得塞进 Docs，太别扭。这次更新总算把 Tasks 和 Keep 补上了，还顺手接了一堆第三方应用：Canva、Dropbox、Instacart、OpenTable、Zillow Rentals。也就是说，你能让它帮你订餐厅、买每周的菜、做租房传单，甚至安排看房。

    开始”实时盯盘”

    另一个新花样是实时话题追踪。Spark 现在能跟着体育比分、股价、突发新闻走，也能盯着社交媒体、博客、购物网站和天气。谷歌还放风说要支持自定义的 MCP 协议，让你把自己常用的 app 直接接进来，把助手调教成更贴合你自己的样子。

    手机端的多步任务还没上线，但谷歌说”很快”就能在手机上派活儿，比如远程让桌面的 Spark 去翻 Mac 里某个文件。说白了，谷歌想让 Spark 成为你数字生活里那个随叫随到、还真的会动手的帮手——至于大家愿不愿意为它每个月掏 Ultra 的订阅费，那就是另一回事了。

    Gemini Spark 在 Mac 桌面端的界面截图
    Gemini Spark 现已作为智能体助手登陆 macOS 版 Gemini 桌面应用（图源：TechCrunch / Google）

  • ChatGPT语音终于学会闭嘴：OpenAI GPT-Live全双工上线

    ChatGPT语音模式升级示意
    OpenAI 用 GPT-Live 重写 ChatGPT 语音模式，让它学会”边听边说”（图：The Verge）

    用过 ChatGPT 语音模式的朋友大概都经历过这种尴尬：你话才说到一半，正组织下一句，AI 突然插进来”好的，我理解你的意思是……”，而你后面那半句它压根没听见。这不是你表达有问题，是旧版语音模型的底层架构决定的——它只能等你彻底闭嘴，才轮到它开口。

    7 月 8 日，OpenAI 给这个问题从根上动了刀。新发布的 GPT-Live-1 和 GPT-Live-1 mini 两款语音模型，第一次在 ChatGPT 里实现了”全双工”：它能一边听你说话，一边组织自己的回答，你随时可以打断、插话、改口，它都接得住。

    “它终于学会闭嘴了”

    The Verge 给这篇报道起的标题特别传神——”ChatGPT 升级后的语音模式更擅长闭嘴了”。OpenAI 产品负责人 Atty Eleti 在发布会上解释：”这是一个全双工模型，意味着它可以同时说话和听。从模型侧看，它能持续、同时地处理输入流、产出输出流。”

    OpenAI 研究负责人 Kundan Kumar 把 GPT-Live-1 称为公司”迄今最聪明的语音模型”。它会在需要推理或联网搜索时，自动把你的请求转交给 GPT-5.5 这类最强文本模型，再回头把结论用说话的方式讲给你听。

    换句话说，以前语音助手是”听写—理解—朗读”三段流水线，现在声音本身就是输入也是输出，延迟从秒级压到了毫秒级，对话节奏终于像人跟人聊天了。

    几个真实用得上的新花样

    全双工带来的不只是”不打断你”这么简单，还顺手解锁了几个挺实用的能力：

    • 实时翻译：你还在说中文，它已经同步翻成英文，不用等你停下
    • “听口令再开口”：你可以让它先闭嘴，等你喊它才接话
    • 会”嗯、对、收到”：它用这些词告诉你”我在听”，对话更自然
    • 聊天气、股票、赛事时，会顺手生成对应的图片辅助说明

    OpenAI 说，新版语音模式就是为了让人能”更长时间地 Hands-free 聊天”。产品负责人 Eleti 自己就说，他散步时跟语音助手聊过 30 到 40 分钟。看得出来，OpenAI 想让 ChatGPT 从一个”要打字的工具”，变成一个”能一直挂着的对话入口”。

    不是 AI 伴侣，也还有翻车的时候

    OpenAI 特意划了一条线：GPT-Live 不是要做”AI 伴侣”，不打算跟你谈情说爱。它内置了 safeguards，对青少年给年龄合适的回答，聊到自伤这类话题会转接专业危机热线。毕竟 OpenAI 正背着一串”ChatGPT 诱发妄想、伤害用户心理健康”的官司，安全这块不敢马虎。

    不过 demo 也不是完美。展示印地语实时翻译时，助手带着一股浓重的美式口音，印地语说得生硬又书卷气。OpenAI 承认新模型针对”大多数主流语言”做了优化，但没说清到底是哪些。这也是全双工语音要真正好用，还得跨过的一道坎。

    谁能先用上

    GPT-Live-1 已经推到 iOS、安卓和网页端。Go、Plus、Pro 订阅用户默认用更大的 GPT-Live-1，免费用户则是轻量版的 GPT-Live-1 mini。苹果和亚马逊也在把自家的语音助手往”更会接话、更懂上下文”的方向改，Sesame 这类创业公司也在做类似的事。语音这条赛道，下半年只会更挤。

    对普通用户来说，最直观的变化可能就是：以后跟 ChatGPT 打电话，它终于不会在你喘气的功夫抢话了。

  • ChatGPT这次把嗓子和耳朵焊一起了：GPT-Live-1学会边听边插嘴

    OpenAI 这周二给 ChatGPT 换了一套全新的语音内核。新模型叫 GPT-Live-1 和 GPT-Live-1 mini，听着像普通版本号更新，其实改的是最底层的交互逻辑——它第一次让 AI 在跟你说话的时候，也能同时听你说话。

    以前是“你一句我一句”，现在能直接打断

    老版本的高级语音模式本质上是三段流水线：先把你的话转成文字，再丢给大模型想答案，最后用语音合成念出来。这种方式有个老毛病，你话还没说完它就可能抢答，中间停顿一下它又以为你说完了。GPT-Live-1 把这三段压成了一个“语音到语音”的统一模型，声音本身就是输入输出，不用再绕一圈文字。最直观的变化是，你可以在它说话时直接插一句“等一下我说的不是这个”，它能接住你的打断，顺着上下文继续。

    它把“聪明”和“说话”分开了

    OpenAI 在简报里说，新模型遇到要查资料、要推理、要调工具的活儿，会把任务甩给后台的 GPT-5.5，自己只管把对话顺畅地接下去。换句话说，语音层负责“像人一样聊”，脑子层负责“想明白”。产品负责人 Atty Eleti 说他自己遛弯时跟语音助手聊过三四十分钟，模型还能安静地听很久、把上下文攒着等被叫到。

    “我们觉得，语音慢慢会变成人们操作电脑的一种主要入口，甚至是处理那些又长又复杂的智能体任务的方式。”——ChatGPT Voice 负责人 Atty Eleti

    不是来当陪聊的

    虽然话术上强调“更自然”，但 OpenAI 反复划清界限：这不是要做一个 AI 伴侣。模型里内置了针对青少年的适龄回应，以及遇到自残这类话题时给资源引导的护栏。它也顺手支持实时翻译、用视觉卡片甩出天气和股票——代价是，目前优化的是“大多数口语”，具体哪些语言并没列清楚。

    对手们也没闲着

    苹果和亚马逊都在把自家助手往“更会聊”的方向改，Oculus 联合创始人搞的 Sesame 也上线了能边干活边聊天的助手。有意思的是，OpenAI 自己放风说今年可能出一副带 AI 的无线耳机——把语音做成主入口，硬件才是真正的落点。

    • 全双工架构：说话和聆听同步进行，支持中途打断与插话
    • 免费用户默认用 GPT-Live-1 mini，付费档可切到更大的 GPT-Live-1
    • 复杂任务转交后台 GPT-5.5，语音层只负责把对话接顺
    OpenAI GPT-Live-1 全双工语音模型概念图
    GPT-Live-1 让 ChatGPT 的语音交互从“轮流发言”走向“自然对话”

    当然，演示里也露了怯。现场秀印地语实时翻译时，助手带着一股浓重的美式口音，腔调还有点书呆子气。这说明“全双工”的架子搭起来了，但离哪种语言都顺溜还有距离。

  • OpenAI放出GPT-5.6，顺手把Codex做成了人人可用的办公搭子

    OpenAI GPT-5.6 与 ChatGPT Work 概念图
    OpenAI GPT-5.6 与全新的 ChatGPT Work 智能体（配图）

    两周前，GPT-5.6 其实已经”发布”过一次，但那时候普通用户根本摸不到。6 月 26 日那波上线，只向大约 20 家提前报备过的机构开放——因为特朗普 6 月 2 日签的行政令要求，AI 公司在全面公开前沿模型之前，得先把模型交给政府做能力评估。这等于 OpenAI 自己定的发布日，被外部按了暂停键。

    等了两周，才拿到放行条

    美国商务部下属的 AI 标准与创新中心把模型审了两周，7 月 8 日放行，GPT-5.6 这才算真正面向所有人开放。Sam Altman 在 X 上给它的评价是”我们做过的最强模型”。系统卡片里写得挺坦率：Sol 在网络安全、生物这两个领域能找出漏洞和攻击的”零件”，但在测试条件下没能自己拼出一条完整的攻击链。这也解释了为什么管控会下沉到产品层——部分 API 调用可能被拦截，甚至在生成到一半时被暂停，交给安全系统复核。

    ChatGPT Work：把 Codex 塞给普通人

    OpenAI 挑在同一天抛出了另一个东西：ChatGPT Work。简单说，它是把 ChatGPT 和 Codex 揉到了一块儿。Codex 本来是给写代码的人用的，现在 OpenAI 想让不懂编程的普通人也能用它干非编程的活——从你指定的 App、文件和工作流里收集上下文，直接产出文档、表格、演示文稿，甚至网页应用。

    OpenAI 在博客里说，ChatGPT Work 能从你选择的工具里收集上下文，产出文档、表格、演示文稿和网页应用；一个”统一插件目录”让它能连上 Slack、Gmail、Google Drive、日历和各类 CRM。

    说白了，它不再只是一个聊天框，而是想坐到你工作流的正中央。落地范围也够大方：Mac 和 Windows 的桌面端，连免费用户都能立刻用上；手机和网页端先给 Pro、Enterprise、Edu 这几个档位，Plus 和 Business 会在接下来几天陆续放开。OpenAI 的说法是，全球已经开始推送，24 小时内基本铺满。

    一家人，三种打法

    GPT-5.6 不是单个模型，而是一家人。Sol 是旗舰，主打智能和效能；Terra 是均衡的日常工作模型；Luna 走性价比路线，便宜又快。OpenAI 还加了一个 Ultra 模式，默认让四个智能体并行干活，对付复杂任务。

    • Sol 在一项智能体”考试”里比 Anthropic 的 Fable 5 高了 13 分，而且用的 token 更少。
    • Terra 和 Luna 在某些评测里，用大约十六分之一的成本就能打平 Fable 5。
    • 这一家人背后就一个信号：模型不光要比谁聪明，还要比谁便宜。

    顺便给微软递了颗定心丸

    OpenAI 说 GPT-5.6 会成为 Microsoft Copilot 的”首选模型”。这话多少有点针对性：这周彭博刚报道微软为了省钱，开始更多依赖自家 MAI 模型，外界一度猜测两家要闹掰。OpenAI 这波等于公开把”我们还是好搭档”写在脸上，也顺手压了压”分家”的传闻。

    把最近几件事连起来看挺有意思：Codex 并进了 ChatGPT，Atlas 浏览器退场，能力改由 Chrome 扩展承接。模型在 API 里打价格战，产品在桌面上抢入口——OpenAI 的意图很直白，就是想让你电脑上那个”替你干活的东西”只叫一个名字。聊天框时代的 ChatGPT 是个浏览器标签页，智能体时代的 ChatGPT，想变成你电脑里常驻的那一层。

  • Anthropic给Claude加了块「使用报告」，这盘算计比你想的深

    最近AI被骂得挺凶，数据中心抗议、 backlash新闻一个接一个。就在这当口，Anthropic给Claude悄悄推出一个叫Reflect的新功能。表面看，它就是个使用仪表盘——把你跟Claude聊过什么、用AI的习惯、常求助的任务类型，全给可视化出来。

    但这块仪表盘真正想做的事，是悄悄改变你怎么看待AI这件事。它把Claude摆成一个”你天天在用的生产力工具”，一种已经嵌进你工作流里的东西，顺带还把它包装成一项你可以”有觉知地”去用的技术。

    它不只是给你看数据

    Reflect不会真的算你靠AI省了多少时间，但把Claude帮过的活儿一件件摊在你面前，那种感觉会让你越来越把Claude当成离不开的日常。Anthropic还说，Reflect会时不时蹦个问题出来，比如”有什么事，哪怕Claude能更快做完，你也想自己动手？”——这其实是在引导你，怎么”更有意识”地跟AI相处。

    连”防沉迷”都安排上了

    挺有意思的是，这个原本为了让人多用AI的功能，顺手还给了你设置”安静时段”、提醒你该歇会儿的选项。毕竟聊天机器人永远秒回、还主动接话，这种黏性谁用谁知道。Anthropic大概也清楚，得做点姿态出来。

    Claude Reflect AI使用习惯仪表盘概念图
    Claude Reflect把你的AI使用习惯摊在面前，潜移默化地强化依赖

    早在2012年，Google就推过Gmail Meter，把你邮箱的使用数据做成饼图。当年那玩意儿主要是让技术宅自嗨，但也顺带用数字证明了一件事：Gmail已经成了你数字生活的中心。Reflect干的是同一件事，只是往前多走了一步——它还会教你，怎么把AI用得更好。

    隐私怎么说

    Anthropic说，比较敏感的对话也可能出现在Reflect里，但只会以”高层面”呈现；连着健康类整合工具的对话，则完全不进统计。而且这些洞察数据不会被拿去干别的事。

    Reflect目前向开启了记忆功能的Free、Pro、Max用户开放beta，之后还会加上”你到底在Claude上花了多少时间”的视图。一块使用报告而已，但Anthropic打的算盘，显然不止是让你多看一眼。

  • Notion 砍了邮箱 App，转头做了个「Agents」：把 ChatGPT、Gemini、Claude 全塞进一个聊天框

    Notion Agents iPhone 应用界面示意图
    Notion Agents 把 ChatGPT、Gemini、Claude 收编进一个聊天框（配图由 AI 生成）

    Notion 这公司最近有点”拆东墙补西墙”的意思。上个月它刚宣布砍掉做了刚好一年的邮箱 App Notion Mail；这个月，它就端出了一个全新的 iPhone 应用，叫 Agents。

    它不是另一个笔记 App

    7 月 7 日上线的 Notion Agents，和它家那个主力的笔记 App 不是一回事。它不让你写文档，而是专门用来”聊”——跟你自己的 AI 代理聊，也跟接进来的大模型聊。目前支持三个：Anthropic 的 Claude、Google 的 Gemini，还有 OpenAI 的 GPT。换句话说，Notion 自己不下场做模型，而是做了个”代理集散中心”，把别人的模型都接进来。

    用法上挺直白。你可以在里面问代理问题，也可以随手记点东西：打一段文字、录一段语音、拍张照片，代理会自己判断这些内容该归到哪。它连着你真实的 Notion 工作区和你那一整套工具栈，所以回答不是凭空编的，而是从你自己的文档和数据里长出来的。

    Notion 主 App 是个”仓库”，你把东西存进去；Agents 是个”前台”，你动动嘴，它去仓库里翻、去帮你办。

    砍邮箱、做代理，Notion 在赌什么

    把 Notion Mail 的退场和 Agents 的登场放一起看，逻辑就清楚了。做邮箱那一年，Notion 想的是”AI 帮我处理收件箱”；现在它发现，比起替你盯邮件，更值钱的是做一个”你随时能调度的代理中枢”。邮箱是入口之一，但不是非争不可的入口；而”代理能连你的全部工作”这个位置，谁占住谁就掌握主动。

    • “懂你的工作”：接的是你真实的文档和工具，不是凭空编的答案
    • “即时捕捉任何东西”：文字、照片、语音，代理自己决定放哪
    • 能直接干活：建页面、起草周报、跨工具搜东西，全在一个聊天框里

    当然，Agents 现在还是个 iPhone 专属应用（iPad 和 Mac 上能勉强跑，但没专门适配）。对于一个主打”随时随地处理工作”的工具来说，桌面端的缺位有点尴尬。而且它本质上是个聚合层——模型能力好不好，最终还是 Claude、Gemini、GPT 说了算。

    Notion 的护城河，在于它握着你的文档、数据库和项目，也就是”上下文”。代理再聪明，没有你的真实数据也是空转。所以这事挺典型的：大厂做 AI，拼到最后往往不是谁模型最强，而是谁最贴近你的真实工作流。Notion 把赌注压在”上下文”上，砍掉边缘业务、All in 代理，这一步走得够干脆。

  • 亚马逊秘密项目Moonraker曝光：要让Alexa真正像个能办事的Agent

    亚马逊 Alexa AI 代理概念图
    亚马逊秘密项目 Moonraker 旨在让 Alexa 升级为 AI 代理（概念图）

    Amazon 的 Alexa 一直被吐槽”听懂了但办不成事”。最近 Business Insider 翻出一批内部规划文件，曝光了一个此前没对外说过的项目，代号”Moonraker”——亚马逊想让 Alexa 从一个”问答机”变成能一口气跑完多个动作的 AI 代理。

    从”一句话”到”一串动作”

    现在的 Alexa+ 已经能帮用户叫车、买票，不过得靠 Uber、Ticketmaster 这些合作伙伴接好接口，本质上还是”你说一句、它办一件”。Moonraker 要做的，是让一次请求触发一连串操作。文件里举了个例子：”帮我叫辆车，再给我朋友发条消息”——以前 Alexa 大概率会卡在第二步，现在它要自己把这两件事都办了。

    这个方向一点都不新鲜，Google、OpenAI、Anthropic 早就推出了能自己上网、跑多步流程的 agent 产品。亚马逊只是终于坐不住，要把 Alexa 也推进这条赛道。

    代价是真贵

    但让 Alexa 变聪明，烧钱也烧得吓人。内部文件直接把 Moonraker 标成 Alexa+ 这轮升级里”成本最高”的新项目，预计 2026 年光 GPU 费用就要超过 1 亿美元。有文件甚至建议，要么推迟、要么缩水，给成本压力降降温。

    一些亚马逊高管觉得，团队在喂 Alexa 的 AI 模型上花超了，运行这些模型的费用已经成了内部越来越大的心病。这其实不是亚马逊一家的问题——整个硅谷都在经历一场”token 账单”的清醒：当先进 AI 真正铺开，账怎么算都肉疼。

    Alexa 的”成长的烦恼”

    翻翻 Alexa+ 的履历，麻烦一直没断过。助手在美国的铺开被推迟了好几回，年初才扩大可用范围；内部 beta 测试的时候还曝出幻觉、答非所问的问题，有个员工的 Alexa 误把鱼缸过滤器关了，鱼当场没了。CEO 贾西在最新的股东信里倒是很乐观，说大家跟 Alexa+ 聊天翻了一倍、下单频次是以前的三倍，但也没忘补一句：”Alexa 离成为全世界最好的个人助理，还早得很。”

    为了撑起 Moonraker，亚马逊去年底就备好了几百张英伟达 GPU，测试时还用了 Anthropic 的 Sonnet 模型做高级推理和视觉回应。不过面对 BI 的提问，亚马逊选择了不置评。

    说到底，Moonraker 是亚马逊给 Alexa 的一场豪赌：它想让语音助手真正”办成事”，而不只是”聊聊天”。只是这门生意的账，目前怎么看都不便宜。

  • OpenAI放出新语音模型：能随时打断、还能实时翻译，但口音有点出戏

    AI语音助手与声波动画
    GPT-Live-1 让 ChatGPT 的语音对话更接近真人

    OpenAI 今天把 ChatGPT 的「嘴」和「耳朵」换了一套新引擎。新模型叫 GPT-Live-1，还有个轻量版 GPT-Live-1 mini，官方说法是听起来更自然，也更会把握说话的节奏，不会再动不动就抢你的话。

    这次升级最关键的一点，是它变成了「全双工」模型——也就是能边听边说。你可以随时插话打断它，它也能在你说的时候默默听着，而不是像老版那样非得等你彻底说完、停顿一下才开口。实时翻译这种场景，靠的也是这个能力。

    从「三件套」到「一根线」

    之前的语音模式其实是拼起来的：先靠语音转文字把你说的话写成字，再丢给大模型想答案，最后用文字转语音念出来。环节一多，就容易出岔子——要么在你说话时突然打断，要么脑子跟不上、答非所问。

    新模型把这条链路收拢了。OpenAI 说，它会把你的提问交给最新的文字模型（比如 GPT-5.5）去做搜索、推理或者调度 Agent，同时语音对话还在继续，不用停下来等。它甚至能憋着不说话，安静听你讲上一长段，把上下文都接住，等被叫到才接话。

    我们觉得长远来看，语音会成为操作电脑的一种主要方式，也能用来打理那些越来越复杂、跑得很长的 Agent 任务。

    上面这句话出自 ChatGPT Voice 的产品负责人 Atty Eleti。他透露，自己散步时跟语音功能聊过三四十分钟。OpenAI 有意把语音往「能扛长时间复杂工作」的方向推，外界也一直传它今年可能出一副带 AI 的耳机，不过这次公司没提任何硬件。

    不是伴侣，但还在打磨

    默认情况下，免费用户会拿到 mini 版，付费档才能用上更大的 GPT-Live-1，它会逐步替换掉现在的 Advanced Voice Mode。OpenAI 强调，他们并不想把它做成「AI 陪伴」，而是加了护栏：对青少年给适龄的回应，聊到自残这类话题会提供求助资源。

    竞争对手也没闲着。苹果和亚马逊都在把自家的助手改得更会接话、更懂上下文；由 Oculus 联合创始人创办的 Sesame，也在做能边聊边在后台干活的助手。OpenAI 的方向和大家一致：让你能 hands-free 地跟助手聊更久。

    演示翻车的一幕，也值得记住

    新模型当然还有毛糙的地方。现场演示印地语实时翻译时，助手一口浓重的美式口音，说出来的印地语生硬又书面，听起来很出戏。OpenAI 说新模型是针对「大多数常用语言」优化的，但究竟覆盖哪些，它没细说。

    • 全双工 + 随时打断，是这次最实在的进步，聊天不再像在跟自动语音菜单较劲。
    • 接上 GPT-5.5 之后，语音能干的活明显变多，甚至能顺手给你看张图。
    • 口音和少数语言仍是短板，离「全世界都能自然聊」还早。

    OpenAI 透露，现在每个月有超过 1.5 亿人用语音或听写跟 ChatGPT 说话。从「能对话」走到「聊得像个真人在旁边」，GPT-Live-1 算是往前迈了一大步——只是这一步迈得还不够稳，尤其是当你说的不是英语的时候。

    📎 原文来源：OpenAI releases new voice models for more natural live conversations（TechCrunch / Ivan Mehta）