昨天看完Google I/O 后第一感觉就是Google一下子变成臃肿、缓慢缺乏新意的“大公司”。虽然早就有这个感觉，但从来没有这个直观过。也许Google还是那个Google，但时代变了。

说回发布会，虽然这次发布的产品很多，Google在AI软硬件上也有不少积累，但最让人兴奋的还是Project Astra。现场demo还是比较粗糙，反馈速度和交互细节有点别扭，但和前一天的GPT-4o结合起来看，纯语音、多模态、连续对话确实是一个值得投入的方向。

目前的人机交互大多为对话框，可以向前追溯至聊天室甚至更早的命令行时代。但纯粹的语音互动，并且给AI赋予更多的输入方式，更符合人与人之间的交流习惯。从产业上讲，AI将不再受制于硬件的输入限制，耳机、眼镜，甚至一个随身摄像头都有可能搭载一个完全功能的智能体。

这个视频是五一假期和闺女一起策划的，选择了8个国内外大模型，让他们分别对图片进行识别，并完成相应的任务。说实话这些任务都不简单，有的需要大模型能够识别并分析图中的元素，有的需要掌握背景知识，有的则需要具备相当的分析能力。

从评估的结论看，GPT-4、Gemini Pro 1.5 表现出色，国内的通义千问也很厉害。

Gemini 1.5 Pro：6
GPT-4：4.5
通义千问：4
智谱清言：3.5
文心一言：2.5
Claude 3：2.5
讯飞星火：2
海螺AI：1.5

其实在日常使用中，尤其是生活场景，拍照提问要比输入文字语音常用得多，这也是我们做这个评测初衷。评测方法肯定是很不严谨的，大家带着娱乐的心态看待就好。

xhslink.com

今天开始写一些团队和自己应用AI的案例。第1期，哈哈。

我是Memo（图1）的早期用户，这是一个利用本地算力进行语音识别的工具，识别出的语音可以生成字幕、以及转录为其他语言。其实剪映也在前不久上线了这个功能（图2），但出于安全考虑，操作者必须验证语音，与原视频的语音一致才可以使用（图 3）。

我们最近有一个项目正好用上，不过是自己搭建的转录流程。这个客户是一家面向全球的机械公司，疫情期间拍了很多小视频介绍自己的产品，效果不错。他们希望面向海外市场重新拍摄这些视频，放到TikTok上传播。但视频拍摄成本挺高，把外国演员和设备档期凑到一起也不容易，所以想看看能不能通过AI手段实现。正好，语音转录+deepfake搞定，客户满意也节省人力。

HeyGen这个数字人在真实性和场景广泛读上又更进一层。不仅仅是能动了，而且把数字人的应用场景从固定信息传达扩展开了。
xhslink.com

介绍一下孩子使用AI的经历，我觉得我这辈子被AI替代不可能了，我已经被年轻人替代，AI没这个机会，但一零后还是要提前接触一下。

世界需要Sora，也需要完成特定任务的AI工具。我的需求很简单，就是让照片动起来，几秒钟就够了。现在用的是LeiaPix，输出 720P免费。

这次春节去新加坡玩，很多看不懂的标牌都交给ChatGPT了，AI识图和理解功能真强大啊。有些场景我自己还真是会懵圈。

OpenAI昨晚发布的视频生成大模型Sora，和视频部门的小伙伴们研究了每一个样片，真的很震撼，解读都放视频里了，推荐视频行业的朋友看看。

最近开始用Google Gemini，效果还不错，目前中文也支持Pro模型了。

哄哄，拜年模拟器，大模型好像找到出圈的方式了。这次是个极限玩法，一句话把亲戚噎回去。