Tamiko

Watching memecoin narratives · not financial advice

[Tamiko @TamikoEconpi]

@MinLiBuilds 100克的眼镜已经够夸张了，更爽的是把选模型、拆镜头这些麻烦事都交给Agent，普通人终于不用天天研究参数了。

[实践哥 Li @MinLiBuilds]

元宇宙又复活了。

Meta 眼镜 这次把 VR 干到了 100 克。
比 Quest 3 轻差不多 5 倍，$1300，明年春天发货。

刚好我这两天在云栖大会逛了一圈。

一个非常强烈的感觉：

🔥做 AI 视频的公司，已经多到离谱了。

走几步一家。

广告视频、商品视频、数字人、短剧、自动剪辑……
大家底层接的模型其实也越来越像。

所以我现在看一个 AI 视频产品，已经不太关心：
你又接了几个模型。

能不能让我少操心才关键。

如果乔布斯还在，他会怎么给这副 Meta 眼镜拍一条广告？

🔥我直接 0 帧起手，嘴炮 Pexo。

要求就几个：

100g、轻、未来感、VR 真正变成一副眼镜。

然后让它自己出脚本、拆镜头、做关键帧，再一段段生成。

哪里不对继续聊。

Pexo还能调整细节，直接用 Mark to Fix 圈出来改。

这是 Pexo 跟我在展会上看到一堆视频工具，最大的区别。

现在这个行业太卷了：

Veo、Kling、Seedance、万相……模型一大堆。
15 秒、30 秒、不同分辨率、不同价格、不同积分……

普通用户哪有空天天研究这些破玩意。

一个真正有用的镜头，可能就 3～5 秒。
该用哪个模型，让 Agent 自己选。
该拆成几个镜头，让 Agent 自己想。
Motion、重生成、剪辑、音乐、字幕……

这些东西最好都别让我看到。

AI 视频公司越多，@Pexoai_offical 这种产品反而越有意义。

把这一堆 AI 视频工具，全藏到一个 Agent 后面。

[Tamiko @TamikoEconpi]

@alin_zone 这个语音识别思路这有意思了，混说、改口和方言都能稳稳接住，真实场景体验很期待！

[阿蔺A-Lin @alin_zone]

🔥 前几天前全网还在疯传 Qwen-Image-2.1 的本地无限制版，云栖大会一开场，3.1 又毫无预警连夜端上来了。

就在所有人以为千问全家桶把多模态卷到头的时候，传统语音识别也开始玩花活了。

最近被热议的开源模型 Hojo-ASR-Multi-V1 路线极其激进：直接将 Qwen3 作为 LLM Decoder 融合语音 Encoder。它不再死磕传统的声学拼音对齐，而是直接调用大模型的上下文推理做语义纠错。

这个调整直接搞定了我们 Vibe Coding 狂甩专业名词、以及日常混着家乡话乱讲的识别难题。毕竟我们平时说话哪能一口气说得又快又准，大多都是边想边说、免不了随时改口和调整的。

实测对标行业标杆 Whisper large-v3，差距相当悬殊：

1️⃣ 中英混说：CER 0.00% vs 100.00%（Whisper 经常直接漏掉英文片段）

2️⃣ 代码改口：CER 13.51% vs 37.84%

3️⃣ 方言还原：粤语、川渝话原样输出，绝不自作聪明“翻译”成书面普通话

当语音真正要成为 AI Agent 和普通用户之间的第一输入层，光能听懂普通话早就只是及格线了，能接得住这些复杂的真实场景才是真的强。

[Tamiko @TamikoEconpi]

@xiangxiang103 这确实很亮眼，两个榜单同时登顶太难得了，国产模型的实力越来越强了！

[雨哥向前冲 @xiangxiang103]

太牛逼了！Hugging Face 这周跑出一匹黑马，还是同时跑赢两个赛道的那种

语音识别 Trending 榜第一，压着 OpenAI 的 whisper-large-v3、NVIDIA 的 Nemotron、阿里的 Qwen3-ASR。翻译 Trending 榜第一，压着腾讯的 Hy-MT2、Cohere、Google、Meta 的 NLLB。两个第一都是同一家中国公司，网易有道，很多人印象里还是那个做词典的。模型叫 R2T2 和 T3PO，一个听，一个译，全开源。榜单截图我今天截的，还在第一。

一家原本在学习场景出挑的公司，在 HF 上把两个垂类做到第一，这事本身就值得点开看看。但我更想知道它到底强在哪，所以没在 GPU 上跑，把两个都塞进了一台 M1 Pro 的 MacBook，不联网。把我自己以前的口播按真实时间喂进去，中文实时上屏，英文每说完一句就跟出来。视频里的每个数字都是这台机器上的真实数字。

先说我最在意的一件事

同一段我自己的口播，8.6 秒，每 640 毫秒出一次结果。左边 Whisper 走"每次把收到的音频整段重解一遍"的伪流式，13 步里改写了 7 次，屏幕上已经显示的 93 个字被重写过，"见面了"变成"在这边了"又变回来，最后一句停在"全程媒介一找"。右边 R2T2 是 0 次改写，提交出来的字一个没动过。

更有意思的是 8.32 秒那一帧。R2T2 内部其实已经猜出"全程没接"，但它只提交了"全程"两个字，把"没接"压着没放。0.6 秒后证据够了，提交的是"没截"，对的。它不是猜得慢，它是知道这一刻不该猜。

为什么我在意这个。给人看字幕，闪一下无所谓。但这段文字如果是喂给下一个模型的，比如同传、比如一个要执行动作的 Agent，前面的字一改，下游就得撤销自己刚做的判断。视频第三段就是这条链路，R2T2 每提交完一句，原文直接交给 T3PO，中间没有人工，也不用等整段说完。因为 R2T2 给出来的字不会再改，T3PO 拿到就能翻，翻出来的英文也不会再改。

热词那段也值得看。不给上下文的时候，它把 Codex 写成 codet，Excalidraw 写成 escalator，无限画布写成无线画布。给一行热词之后三个全对。但我的名字"雨哥"，热词给了，离线模式还是写成"宇哥"，流式那一遍倒是对了。同音人名是最难扳的一类，别指望热词包治百病。

几个要说清楚的地方。

一，R2T2 是在 Qwen3-ASR 1.7B 上做的，方法在数据构造和一个叫 Longest Stable Prefix 的训练范式上，技术报告还没出。

二，Mac 上跑的是社区 audio.cpp 的移植版，9 月 19 号刚合进主仓库，brew 装的二进制里还没有，得自己编。这版每一步都重编码整句音频，句子越长越慢，M1 Pro 上 640 毫秒步长能跟上实时，官方 GPU 路线是 160 毫秒。

三，ASR 加 14B 同传同挤一块 M1 Pro 的 GPU。我一开始让 T3PO 边听边探测，结果它把 GPU 吃满，识别反而被拖到落后 3 秒。改成识别优先、每句提交完再交给 T3PO，识别回到实时，英文在每句说完后两三秒整段出来。T3PO 本身支持逐字喂、边听边译，但那需要两张卡，不是一台笔记本能同时伺候的。

四，代码 Apache 2.0，权重是网易自己的 Model License，商用前看一眼。

只增不改这条路线 R2T2 不是第一个走的，Nemotron、Voxtral 都在做。它把这条路线的准确率追到了接近伪流式和离线的水平，然后开源了，这是我觉得它值得开源社区接住的原因。

过去两年大家盯着中国开源模型的目光都在通用大模型上。这次是两个垂类，实时语音识别和同传，分别把 OpenAI、NVIDIA、Google、腾讯的模型压在榜下，而且是一家平时不怎么在这个圈子出声的公司做的。垂类这条路，中国公司是真能跑到第一的！

两个模型都开源了，代码和权重在这：

R2T2 语音识别
GitHub: https://t.co/NvbEcsRqWY
Hugging Face: https://t.co/EwffGART4F

T3PO 同传
GitHub: https://t.co/bokUzLDeFH
Hugging Face: https://t.co/KYhSjsh32l

[Tamiko @TamikoEconpi]

@xiaomovps @Pexoai_offical 这个思路很实用：把长文知识转成视频，再用 Mark to Fix 精准修改，确实能降低创作门槛，也更方便传播。

[小墨同学 @xiaomovps]

你有没有遇到过这种情况：有个好项目？

或者写了篇好文章，想做成视频让更多人看到，却因为不会剪辑，不知道从哪下手？

这次我找了个好搭档——Pexo

@Pexoai_offical，一款 AI 视频创作工具。

跟它聊聊你想做什么视频，它就能帮你生成；哪里不满意，接着说，它就能继续改。

它是给我们提供了一个新的尝试性做法，我们可以把已经整理好的知识，也就是文章或者是解题思路，然后可以根据一个具体的例子，然后自己去确定一下画风，让他去给我们做出视频。

Pexo 提供的 Mark to Fix 如果你是和我一样第一次使用，你也会感觉到非常的惊艳，在内容修改的时候非常的方便，直接可以圈出画面中的位置再说明修改要求。

1、主要可以选择对应的元素 然后过 直接让模型帮你修改 用简单的对话方式就可以完成

2、不满意的地方随时都可以调整，时间线和画面内容也可以动态修改

3、背景音乐和素材图片到整个视频的合成都是通过对话方式完成的

对于我们这一些创作者来说，视频更容易传播，以及更容易让人去接受。因为长篇的文字反而不是那么的很让人能够沉迷地看进去。当然文字和视频搭配起来会更好一些。

这个体验的入口：https://t.co/KA4QiYK3tz

我也给大家争取到了官方福利，使用邀请码MMHC5S，可以领取100积分，限前50名，有需要的可以去试试

[Tamiko @TamikoEconpi]

@hojoHQ The language switching, traffic noise, and bad microphones are exactly where real-world ASR gets interesting; I’d love to see how Hojo handles code-switching in a noisy street recording.

[HojoAI @hojoHQ]

Clean audio is easy. Real conversations aren’t.
People switch languages halfway through a sentence. They change their minds, speak over traffic noise, use bad microphones — and still expect the model to keep up.
So we want to test the messy stuff.
Send us a short, non-sensitive audio sample or tell us about a difficult voice scenario. We’ll test it with Hojo-ASR-Multi-V1 and share what works, what doesn’t, and where the model still needs improvement.
What should we test first?
Model: https://t.co/hDRzYy7Uo5