11
0Episode: 9月16日AI日报：Gemini 3.8 Live领衔语音爆发
Duration: approximately 9 minutes
Level: 入门
---
[Mike]: 欢迎来到从零开始学AI！先问你一个问题，如果你话还没说完，AI就已经听懂，还能插话接上，你觉得是方便，还是有点吓人？
[Sarah]: 又方便又吓人吧。今天可是热闹了，9月16日的日报一共13条，光语音相关的就来了四条，像约好了一样。
[Mike]: 对，先把菜单报一下。最重的是Google DeepMind发布Gemini 3.8 Live，还有个会深度思考的版本。然后是阶跃星辰的StepAudio 3系列，一口气发了五个。
[Sarah]: 还有生数科技的Vidu S2，数字人实时聊天加视频实时改。加上第三方榜单，OpenAI的GPT-Live-1拿了语音对话第一。
[Mike]: 配菜也硬。Perplexity自己造数据库，一年最多省1亿美元。Google还发了个能离线用的翻译小模型。
[Sarah]: 按老规矩，先讲概念，再聊新闻。第一个概念，什么是实时语音对话？
[Mike]: 打个比方，它像同声传译。不是等你说完一整段再翻译，而是边听边想，边想边说，还得允许你随时打断。
[Sarah]: 跟平时打字聊天不一样？打字可以等，对方说完你再慢慢回。
[Mike]: 对，打字能等，语音不能等。停顿超过1秒，人就觉得卡了。所以模型得做到三件事，听得快、想得快、说得自然，还不能抢话抢得太难看。
[Sarah]: 第二个概念，Extended Thinking，深度思考版本，这是什么意思？
[Mike]: 就是快思考和慢思考的区别。问今天天气怎么样，秒回就行。让你规划一次三天两夜的旅行，还得订票查路线，那就得多想一会儿。
[Sarah]: 所以一个模型配两个档？简单的直接答，复杂的慢慢想？
[Mike]: 就是这个意思。Gemini 3.8 Live主打近实时语音对话，Extended Thinking版本专门啃复杂任务。一个人，两副牌，看菜下饭。
[Sarah]: 概念齐了，进入主菜。Google这次具体发了什么？
[Mike]: 发了两个近实时语音对话模型，定位很清楚，语音智能体和复杂任务执行。官方博客是9月15日深夜发的，日报今天收录。
[Sarah]: 语音智能体，听着有点玄。是不是就是能打电话办事的那种AI？
[Mike]: 差不多。比如你说帮我约个理发，AI直接开口跟店员聊时间，还能应对对方的追问。以前是文字转语音硬读，现在是全程用语音思考。
[Sarah]: 第二道主菜，阶跃星辰的StepAudio 3，一口气五个，是哪五个？
[Mike]: Realtime、ASR、TTS、Gen和Music。拆开讲就明白了，ASR负责听懂，TTS负责说话，Realtime是全程对话，Gen和Music一个搞声音生成，一个搞音乐。
[Sarah]: 一条龙啊，从耳朵到嘴都包了。还说在Artificial Analysis榜单上多款全球第一？
[Mike]: 对，已经在阶跃开放平台上线了。榜单第一这个说法是官方口径，具体分榜单可以去原文核对。但一次发五个，确实是冲着语音全家桶去的。
[Sarah]: 第三条，第三方裁判来了。Artificial Analysis的语音对话榜，OpenAI的GPT-Live-1以81.5分登顶？
[Mike]: 没错，用的是Astra后端加中等推理强度。第二名是Grok Voice Think Fast 2.0 High，81.3分，只差0.2分。
[Sarah]: 0.2分，这不就是一个身位的差距吗？第三名呢？
[Mike]: 第三是Sol后端配置的同一模型，80.1分。等于前三里，OpenAI自己占了两个，中间夹着一个Grok。今天语音赛道是真挤。
[Sarah]: 我发现个规律，越是大家都发语音，越需要这种第三方榜。你自己说第一不算，跑分才算？
[Mike]: 对，就像运动会，总得有个秒表。榜单不能全信，但能看出谁在第一梯队。今天的第一梯队，全是语音。
[Sarah]: 第四条，Vidu S2。这个我熟，生数科技做视频的，这次发了Avatar和Editing两个模型？
[Mike]: 对，Avatar管数字人实时交互，你说话，屏幕里的人直接开口回你。Editing管视频流实时编辑，边播边改。
[Sarah]: 边播边改是什么意思？像直播时换背景那样吗？
[Mike]: 比那更狠。比如视频里的人正走着，你说把背景换成雪山，画面直接就变了，不用停下来重新生成。还探索了面向VR头显的实时空间视频。
[Sarah]: 空间视频，就是戴上头显能前后左右看的那种？
[Mike]: 对，普通视频是平的，空间视频是有进深的。你转头，画面跟着变。Vidu等于把实时从语音一路做到了视频。
[Sarah]: 四条语音过完，换个口味。Perplexity自己造数据库CobbleDB，一年最多省1亿美元？
[Mike]: 这条我最喜欢。Perplexity CEO自己宣布的，用自研的键值数据库替代AWS的DynamoDB，专门扛快速网页抓取。
[Sarah]: 键值数据库，听着好硬核。能不能用人话讲讲？
[Mike]: 就是个超级仓库， key是门牌号，value是货。你报门牌，它秒把货扔出来。网页抓取就是不停存网页、取网页，仓库一慢，全线都慢。
[Sarah]: 数据呢？真省了1亿美元吗？
[Mike]: 官方说法是每年最多省1亿美元，这是上限口径。硬数字是延迟，热存储批量读取，P50从31.4毫秒降到5.60毫秒，官方研究称快了约5倍。
[Sarah]: 从30多毫秒到5毫秒，眨眼要100多毫秒，这已经比眨眼快20倍了。最离谱的是，两个人加数百个智能体，两个月干完？
[Mike]: 对，两名工程师带着数百个持续运行的智能体，两个月搭完核心。以前是人带着工具干，现在是人带着一群AI干。
[Sarah]: 剩下的咱们快过一遍。Google说语言技术覆盖300多种语言，86%人口，还发了TranslateGemma？
[Mike]: 对，轻量开源翻译模型，支持55种语言，能离线跑。手机没网也能翻，这对很多地方太重要了。
[Sarah]: Claude给小企业加了43个工作流和27个集成，Shopify、Salesforce都在里面，安装超90万次？
[Mike]: 而且默认是审批模式，发送、发布、付款都得人点头。今秋还在10个美国城市办免费工作坊，挺会抓小老板的心。
[Sarah]: Vercel把销售团队从10人压到1.25人，靠AI销售智能体，年成本才几千美元？
[Mike]: 90%自动化了。1.25人这个数字很有意思，等于一个人全职加一个人兼职，剩下全是AI在干。
[Sarah]: 还有两条偏严肃的。OpenAI的莉莉计划，时薪超50美元的人工审核真实聊天记录？
[Mike]: 404 Media曝光的，内部代号莉莉计划。看的是匿名化后的记录，评回复切不切题，有没有AI腔和谄媚味。机器要学得像人，还得人先来当裁判。
[Sarah]: 另一条，Anthropic和OpenAI提议协调放缓前沿开发，Cohere CEO等人质疑动机？
[Mike]: 对，Dario Amodei呼吁协调放缓，还想要反垄断豁免，Sam Altman和Elon Musk表示同意。批评者觉得，这到底是为安全，还是为拉开差距，值得打个问号。
[Sarah]: 13条过完，收一下。今天最吵的是四个语音选手，最安静却最省钱的是那个自己盖仓库的。
[Mike]: 你这么一数，我发现个好玩的。台上四个都在比谁更会说话，台下Perplexity一句话不说，直接把仓库账单砍掉1亿美元。
[Sarah]: 会说话很重要，会算账也一样重要。下次你跟语音AI聊得正开心，可以想一下，它每回你一句，背后有多少个仓库在转。
[Mike]: 感谢收听从零开始学AI，把这期转给那个还在用打字跟AI聊天的朋友吧。
[Sarah]: 明天见！下一期日报，咱们继续一组一组过，保证每条都听得懂。
