dodo

Froggyo was born somewhere

[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

[dodo @froggyoxyz_]

@hojoHQ 我是一名驾驶员，在枯燥的路途中，喜欢打开麦克风与ai进行对话，来使得我大脑保持清醒，我发现有些ai软件会把导航的声音也识别进去，所以我觉得，导航播放的内容、音色都与我的原声差别很大，这个是否能优化

[dodo @froggyoxyz_]

@jinglian 这个好像叫sprite图，就是做循环动画，我之前也用codex做过，适合做小游戏的时候制作游戏资产

[前端哥Liam @jinglian]

🔥 I saw this insanely viral GPT-Image 2.5 “Pixel Battle GIF” trend blowing up on Japanese X, so I tested it myself with Liangzi.

The result was seriously impressive — and the workflow is ridiculously simple. Just follow the screenshots in the tutorial.

👇 Here’s what makes it so good.

━━━━━

🎯 GPT-Image 2.5 just got a major upgrade, with improvements aimed directly at the biggest pain points:

1️⃣ Much faster — latency is down by 50% compared with the previous generation, making generation feel noticeably smoother.

2️⃣ Better image quality — more natural lighting and textures, with much stronger consistency in preserving facial features.

3️⃣ Pixel-level editing — change exactly what you point to while keeping the parts of the original image you want untouched.

━━━━━

💡 There are also two modes designed for different use cases:

⚡ Flare — the speed-focused mode, with significantly lower latency.

✨ Sunburst — the precision-focused mode, built for creative work where details really matter.

━━━━━

🎁 Where can you try it?

GPT-Image-2.5 is now available on ZenMux @ZenMuxAI

They’re also running a limited-time top-up promotion:

💰 Pay $50, get $70 credit — $20 bonus
💰 Pay $100, get $150 credit — $50 bonus
⚠️ The promotion only lasts 7 days, and each account can claim it once.

#ZenMux #Image2_5

[dodo @froggyoxyz_]

@alin_zone 模型上，豆包跟顶尖模型有差距，但是对于国内职场需求的适配上，豆包这类国产ai工具做的挺好的，我也一直在用，包括自动化爬虫什么的，做信息数据整理真心不错

[阿蔺A-Lin @alin_zone]

预告一波，准备发一篇豆包工作从 0~1 的保姆级入门教程，把里面那些非常杂乱的入口给大家一次讲清楚。

不知道是不是因为豆包工作还在比较早期的阶段啊。这篇文章我前后整理了好几轮。技能、连接器、工作伙伴、小队……第一次打开，新手可能真不知道从哪里入手。很多东西放在同一个界面里，实际用途又不太一样。

我把里面的主要界面都打开核对了一遍，截图也标了好几版。希望大家看完，就知道每个入口什么时候用。以后忘了，也能翻回来当说明书看一下。

整理这些资料的过程中，也用到了几个比较好用的工具和插件，一起推荐给大家：
1️⃣ Obsidian 主题插件 Apex，文字观感非常舒适 https://t.co/QhrZnCEZTM
2️⃣ ego lite 浏览器，目前用过的 Agent 调用最方便的浏览器了。
https://t.co/IFbMrIlb3B
3️⃣ Today AI 助手，也是最近用的比较爽的 AI 助手 @TodayAIofficial

尤其是 Today，我把稿子和查证资料给它，让它帮忙梳理一下。后面聊到豆包最近的动态，它找到了“多智能体并行”的更新，还联系到了稿子里讲工作模式的部分，给了我一个补充思路。

前面交代过的背景，后面能接着聊，不用每次都重新解释我正在做什么。

第二天早上打开今日简报，它又提到了这篇豆包教程，连“先讲界面，实操以后另写”的安排都记着，还提醒我确认发布计划。这次都不用先去问它。

以前这些事情都得自己记着：资料查到哪了，稿子还有什么没处理。现在第二天打开，它还能接着昨天的事情提醒我一句。对我来说，这比每次都从头交代背景要顺手不少。

现在教程还在收尾阶段，整理好就会发出来，想了解豆包工作入门的可以关注一下嗷。

[dodo @froggyoxyz_]

@aehyok @higgsfield 关键是目前平台的政策是否允许，以及观众是否认可ai直播，因为ai直播可复制性高，如果放开的话，会出现大量账号，抢占正常的真人直播市场，说实话，我对于ai人物直播没什么粘性，或许套个皮或者做成ip性质的，是个好思路

[AI少年 @aehyok]

你敢相信，这场直播居然是 AI 完成的吗？

想象一下：你在睡觉，而你的数字人还在 24 小时不停的直播、跟观众互动，甚至持续帮你赚钱。

现在，这件事真的被实现了。

N3on 的这场无限 AI 直播由 GPT-6 Astra 和 @higgsfield.ai 来完成的，而且不只是单纯的循环播放——观众还能直接在直播间和他互动。

GPT-6 Astra 这几天展现出来的应用场景越来越深入了。

如果 AI 已经可以做到「真人数字分身 + 24 小时无限直播 + 实时互动」，那接下来还能做到什么？

仔细想想，这里面能玩的、能做的、甚至能赚钱的事情，可能比我们现在想象的多得多。

我甚至觉得，接下来每个人都值得开始关注、尝试，甚至投入 AI Livestream 这条赛道。

N3on 的无限 AI 直播，可能真的只是一个开始。

别错过这一波。

直播链接在此有兴趣可以去看看：https://t.co/QUl0sECP1r

[dodo @froggyoxyz_]

@aehyok 有点意思，就是我不大理解这类模型的应用场景，去卷这些方言识别的目的是什么，多语言识别这个确实没问题，我就是觉得如果一个用户连普通话都无法标准的说出来，他还有用ai的需求吗

[AI少年 @aehyok]

万万没想到奥特曼昨夜放了大招，有一种王者归来的气势。原来我一直以为 OpenAI 的 Whisper 已经到了语音识别的天花板了。看来是我认知太浅薄了。

由于老婆就是川渝那边的，方言的味道绝对十足。如果走在街上，加上外界环境的嘈杂声，我之前用的 Whisper 测试过简直就是个瞎子，识别出来叽里呱啦的一大串乱七八糟的字符真的有点神奇。

这两天无意间看到了这个开源的模型，Hojo-ASR-Multi-V1，据说是语音识别领域的新星。

🔥 Hugging Face Open ASR Leaderboard 多语言榜全球第 7，开源多语言 ASR 第 1。
🎉五语种平均 WER 3.54%，模型权重开放、评测公开、结果可复现。
😄同时支持普通话、英语、粤语和四川话等多语言、多方言识别。

特意找来测试了一下，发现真的有意思。

更有意思的是 Hojo 的处理过程：声音 → Qwen3-Omni 音频编码器听懂声音 → Adapter 转换特征 → Qwen3-4B 生成文字。

通俗一点的讲就是：声音进来 → 音频编码器先“听懂”声音 → Adapter 把声音信息翻译成大模型能理解的格式 → Qwen3-4B 再把它变成文字。

而 Whisper：声音进来 → 转成频谱图 → Whisper 编码器提取声音信息 → Whisper 解码器直接生成文字

两者对比就是Whisper 的重点是 听声音 → 写文字，而 Hojo 则更偏向 听声音 → 理解声音 → 再根据理解生成文字。

所以最后我在本机做了一个测试结果还是非常不错的。
先解释一个百分比，CER = Character Error Rate，字符错误率，百分比越小越好。
然后可以看看我的视频 hojo 和 whisper的对比，做了三个例子，川渝话、广东话、普通话。

川渝话：hojo CER= 0%, whisper CER=42.9%
广东话：hojo CER=18.8%, whisper CER=43.8%
普通话：hojo CER=16.7%, whisper CER=25.0%

应该说 hojo这一套效果还是非常不错的。

最后附上他们的开源模型，有兴趣的可以本地部署玩玩看：https://t.co/T16qyzJca5

[dodo @froggyoxyz_]

@Stellakjbk 可惜我电脑跑不起来本地模型，不然我也想试试了，不花钱就跑大模型是什么感受

[九尾狐-FoxFairy🦊 @Stellakjbk]

https://t.co/XZaN1MNR9l

[dodo @froggyoxyz_]

@xiaomovps 那我注册试试，现在稳定靠谱又好注册的u卡不多

[dodo @froggyoxyz_]

@alin_zone 今天刷到了，在玩了，我在让他做一些小时候玩过的小游戏，看看能复刻到什么效果

[阿蔺A-Lin @alin_zone]

这几天一直在玩文生图，今天突然不太满足于只生成一张图了。

于是换了个玩法：文生游戏。

我在 Gear Zero 里只写了一句话：
“做一个清新治愈的浮岛冒险游戏：玩家借助风场滑翔，穿过草地、瀑布与古老遗迹，在风暴到来前收集 3 枚灵感种子并唤醒中央古树。”

然后一个可以玩的网页游戏就这么水灵灵的出来了

我把它叫作《风种群岛》🌿👇

[dodo @froggyoxyz_]

@aehyok @gearzero_alaya 真流畅的3d画面是认真的么？我对ai做游戏的印象还停留在2d平面小游戏

[AI少年 @aehyok]

这辈子想都不敢想，自己不用写代码也能做一个魔兽争霸冰封王座- 类DotA 的游戏，而且自己能玩上瘾了。

学生时代最爱玩的游戏莫过于DotA了，尤其是跟同学在宿舍里 10 个人一起联机那场面，一个个彻夜不眠的黑夜，都是美好的回忆。

正好看到了一个游戏平台 @gearzero_alaya ，而且可以免费哈。于是我就想着这牛逼的AI能不能帮我复刻一个牛逼的游戏：“魔兽争霸 dota 五打五 游戏”

可以看看视频，我是真的想不到能交付出这样的游戏：震惊啊，我自己玩着玩着都非常上瘾。这不是交付给我一个简单的网页小游戏，画面、布局、动作、音效、建筑......竟然全都有了。

这一切都是AI帮我完成的，我们完全不用学什么游戏框架，完全可以不会写代码，也不用找美工设计，我们只要玩过游戏，直接口喷叫 gear zero 帮我们实现，然后等着就完事了。执行完毕之后如果你觉得游戏的那一部分不太符合你的心意，继续口喷叫他改就完事了，开发游戏就是这么so easy 啊。

我使用的这个制作网页游戏的网页入口就是：https://t.co/0PksjHFSBW
最重要的是这个平台目前来做游戏完全免费，制作完游戏发布到他的平台后，就又获得积分，可以制作新的游戏，有一种无限白嫖的感觉。这种爽感前所未有，有兴趣的快来体验吧。

[dodo @froggyoxyz_]

@MainCaseZ 最近经常刷到这个百灵模型，也有本地部署的教程，是时候体验一下了

[Main CaseZ·美學 @MainCaseZ]

https://t.co/MfsF086fkO