start	end	text
0	3760	歡迎收聽聽書Podcast本大由壯菜工程師製作。
3760	11840	那個現在想請你在腦海中稍微想像一下一個我們日常工作極度混亂的場景好了。
11840	13160	嗯,多混亂。
13160	18680	這是你正身處在一個可能有八個人同時講話的那種會議室裡面。
18680	20080	哇,那真的很吵耶。
20080	21520	對,超級吵。
21520	25840	然後有人在為了那個專案的進度激烈爭論,
25840	28880	然後旁邊可能還有人在小聲碎碎唸。
28880	31680	重點是大家不但中英文夾雜
31680	34640	還不斷互相搶話跟疊話
34640	36040	這聽起來就是
36040	39180	每天辦公室會發生的噩夢啊
39180	40260	沒錯沒錯
40260	42560	但這個時候如果你想像一下
42560	43580	如果有一個助理
43580	45600	能在你剛講完話的
45600	48060	呃0.16秒以內
48060	50340	立刻遞給你一份完美的逐字稿
50340	51880	0.16秒
51880	53500	這幾乎是同步了吧
53500	54080	對
54080	56280	而且這份逐字稿上面
56280	58460	還清清楚楚的標記了
58460	60620	刚刚哪一句话是谁说的
60620	63920	甚至连两个人同时开口讲话的内容
63920	65520	它都分得一清二楚
65520	68960	这听起来真的很像某种科幻电影里
68960	70300	才有的可怕科技对吧
70300	70660	真的
70660	73400	一般人听起来一定觉得这不可能啦
73400	75540	但其实这已经不是科幻情节了
75540	77240	它已经真实发生了
77240	79940	就在2026年9月1日
79940	82280	META的超级智慧实验室
82280	84100	也就是那个MSL
84100	85440	哦MSL
85440	85740	对
85740	87920	他们正式发布了最新的
87920	89780	即时音讯感知模型
89780	92040	叫做Muse Voice Transcribe
92040	93640	Muse Voice Transcribe
93640	95340	这名字听起来蛮厉害的
95340	96320	这个技术啊
96320	98860	它不仅做到了你刚刚描述的那种
98860	101560	在极度混乱的场景下完美记录
101560	104040	它甚至在多项基准测试里面
104040	107480	直接击败了Google跟OpenAI的同级产品
107480	110020	哇 直接打败两大巨头耶
110020	112280	所以在这场为你量身打造的
112280	113080	深度探跑中
113080	114580	我们绝点不会只是你知道
114580	116780	很无聊的去念那些声音的规格表
116780	118180	对那太无聊了
118180	118540	没错
118540	120460	我们会带你彻底拆解
120460	122880	这个打败众多科技巨头的核心技术
122880	124460	去了解这个AI
124460	126520	它是如何像我们人类大脑一样
126520	129820	懂得在听话的时候去犹豫
129820	130740	犹豫啊
130740	131900	这个词用的很好
131900	132380	对吧
132380	132920	对吧
132920	136360	然后这项技术将如何彻底颠覆你未来
136360	138520	跟科技装饰互动的方式
138520	139980	比如说你的Mac
139980	143460	甚至是未来的那个AR智慧眼镜
143460	148760	没错,不过其实要真正理解Muse Voice Transcribe到底有多强大
148760	150300	我们必须先回头看看
150300	155060	过去几年的语音辨识技术到底有多么的笨拙
155060	159020	笨拙,所以过去的方法很卡就对了
159020	163480	超级卡,我们得先看看过去的那种拼装车系统
163480	164220	拼装车
164220	168160	对,因为过去如果你想要完成一份会议的逐字稿
168160	171220	它其实不是一个单一的人工智慧在运作
171220	175060	它是需要三套完全独立的系统来接力完成
175060	176980	呃哪三套
176980	178720	首先是那个ASR
178720	180880	也就是自动语音辨识系统
180880	182420	它只负责一件事情
182420	185260	就是把听到的声音转成文字
185260	186940	嗯就单纯听写而已
186940	187400	没错
187400	191180	接着这个文字和音讯会被丢给Diarization
191180	193680	也就是说话者分离系统
193680	195200	等等说话者分离
195200	198420	这听起来就像是一个事后侦探也
198420	199200	对对对
199200	201160	它就是负责回头去分辨说
201160	204680	现在这句话到底是会议室里面的哪个人说的
204680	207300	然后最后还需要过一个叫做
207300	209700	endpointing的端点侦测系统
209700	210760	端点侦测
210760	212180	这又是做什么的
212180	213860	这个就是用来判断说
213860	216080	这个人到底讲完话了没有
216080	218280	系统该不该切断麦克风
218280	220420	哇这听起来就像是一条
220420	223540	非常老旧而且缺乏效率的工厂管线
223540	225960	真的非常贴切的比喻
225960	229000	你可以想象就是三个工人站在输送袋旁边
229000	230720	第一个工人只顾着
230720	232440	听声音写字
232440	233920	然后把写好的纸条
233920	235420	赶快传给第二个工人
235420	236560	然后第二个工人
236560	237840	再去对比声音
237840	239260	猜这到底是谁说的
239260	241280	最后再传给第三个工人
241280	242360	去决定这句话
242360	243580	是不是真的结束了
243580	244060	没错
244060	245300	就是这么繁琐
245300	247440	而且只要其中一个环节出错
247440	249720	整个流程就会大塞车
249720	250140	真的
250140	251280	我之前用过一些
251280	252400	会议记录软体
252400	254240	最常发生的惨剧就是
254240	255000	那个
255000	257680	A老板的话才刚讲到一半
257680	260600	然后旁边B员工稍微咳嗽了一声
260600	262580	哦对系统就切断了
262580	264860	没错系统就以为A讲完了
264860	267160	直接把句子无情切断
267160	269240	然后还把后面半句算在B头上
269240	270620	这超尴尬的
270620	272740	这真的是传统架构的致命伤
272740	276700	过去这种做法通常需要大量的事后处理
276700	278700	也就是等你整段话都录完了
278700	281640	系统才能开始跑这些复杂的对比流程
281640	284600	所以根本不可能做到真正的及时
284600	288780	所以Meta这次的做法是怎么解决这个问题的
288780	291880	他们这次的做法可以说是破坏性的创新
291880	296560	他们把三个工人的工作全部交给了一个超级大脑同时完成
296560	298440	一个大脑全包了
298440	298660	对
298660	300240	Muse Voice Transcribe
300240	307080	它其实是建构在Meta的Muse Spark家族之上的一款自回归多模态模型
307080	308600	等一下先暂停一下
308600	311380	那个自回归多模态模型
311380	315120	这几个字听起来真的很像某种外星语言也
315120	318160	如果我们要用最白话的方式来理解
318160	319780	这到底是什么意思
319780	321140	简单来说了
321140	322580	多摩泰意味着
322580	325380	这个模型它可以同时看懂文字
325380	326920	也能听懂声音
326920	329660	它不是只吃单一一种资料
329660	333300	哦 就是眼观四面耳听八方的感觉
333300	333720	没错
333720	335100	那自回归的话
335100	337260	就像是我们在玩文字接龙一样
337260	339720	它会根据已经接收到的资讯
339720	341940	不断去预测下一步是什么
341940	344500	但最关键的突破在于
344500	347060	Meta在同一个音讯串流里面
347060	349120	直接引入了特殊的标记
349120	350420	也就是TOKENS
350420	352820	这完全打破了我们刚才说的
352820	354340	那个三阶段管线
354340	354920	标记
354920	357340	在在实际运作的画面上
357340	358840	到底会长什么样子
358840	359860	你想象一下
359860	361560	有一条连续的时间轴
361560	363760	当模型在及时聆听的时候
363760	365860	只要它侦测到换人说话了
365860	368020	它不会去呼叫别的系统来帮忙
368020	368900	那它怎么做
368900	371940	它会直接在自己生成的文字流里面
371940	373600	插入一个特殊的标记
373600	375280	叫做Start of Turn
375280	377380	也就是换人说话的标记
377380	378980	然后紧接着标注
378980	381260	这句话是Speaker A说的
381260	383860	哇 直接在同一个时间轴上标出来
383860	384820	对对对
384820	387580	同样的 刚你停顿或者讲完的时候
387580	391660	它也会立刻放入一个Speech Endpoint的语音结束标记
391660	393960	等于说所有的文字内容
393960	396580	还有身份辨识 语气停顿
396580	398660	全都在同一个时间轴上
398660	401820	由这个单一模型一次性全部吐出来
401820	403020	没有错就是这样
403020	408420	哇所以这代表着我们再也不用忍受那种很尴尬的语音输入时刻了耶
408420	412440	你们一定有碰过平时对着手机讲话稍微停顿想个词
412440	414060	系统就以为你讲完了
414060	416120	对然后就无情的把你切断
416120	420840	没错现在这个模型它能真正理解对话的节奏
420840	426200	它知道你只是在脑袋里面那个卡词了而不是真的结束发言
426200	430320	没错,这正是单一串流模型带来的巨大优势
430320	435780	但其实,这背后隐藏着一个极度矛盾的工程难题
435780	437020	怎么说?
437480	439320	既然这是一个超级模型
439320	444140	要及时处理所有的声音、身份和文字
444140	447980	那他怎么知道什么时候该把文字吐出来?
448460	449340	哦,对耶
449340	452100	如果他一听到声音就立刻输出文字
452100	454280	那肯定很容易听错嘛
454280	456680	但如果他为了追求完美
456680	459220	等听完整句话才输出
459220	461440	那又失去了我们刚才说的
461440	462720	及时的意义
462720	463760	这真的很矛盾
463760	466280	这就像我们人类大脑
466280	467840	在听别人说话一样
467840	468920	你想想看
468920	470720	如果有人对我说苹果
470720	472820	就很简单的日常词汇
472820	475240	我的大脑几乎不需要思考
475240	476520	马上就能写下来
476520	477380	对 瞄懂
477380	478700	但如果今天
478700	480000	对方正在讲一段话
480000	490240	但如果今天,對方正在講一個超級複雜的醫學專有名詞,或者是他講話含糊不清,甚至口音很重,我的大腦其實會稍微,呃,猶豫個零點幾秒。
490240	491600	沒錯,會卡一下。
491600	499820	对,就是要等它把所有的音节都发音完整了,然后我在脑海中拼错确认之后,我才敢写下来。
500220	504040	这个AI模型难道也会模仿人类的这种犹豫吗?
504360	506740	这个人类大脑的类比非常到位耶。
507240	511160	其实META的工程师就是循着这个逻辑去设计的。
511680	516800	他们在技术摆笔书里面把这个称之为自适应延迟技术。
517160	520340	自适应延迟,听起来蛮高级的。
520340	530520	为了做到这点,模型在接收音讯的时候,它会把声音切成极小极小的区块,精确来说是80毫秒一个区块。
530760	533020	80毫秒,这也太短了吧?
533460	539980	超短的,也就是说在一秒钟之内,模型会接收到12.5个音讯区块。
540660	546160	而在接收到每一个80毫秒区块的当下,模型都必须做出一个决定。
546340	547020	什么决动?
547020	550200	就是我是要现在立刻输出文字
550200	554240	还是我要输出一个特殊的Next Audio标记
554240	555600	告诉自己说
555600	558340	我需要再多听下一个音讯巨块
558340	559420	这很酷耶
559420	561900	但他怎么知道自己该不该等啊
561900	566240	工程师到底是怎么教懂一个AI学会去内心的呢
566240	569240	这里的关键就在于强化学习
569240	571180	工程师在训练它的时候
571180	574240	设计了一个非常严苛的奖励机制
574240	575280	有多严苛
575280	579900	他们把那个字错率的惩罚跟延迟时间的惩罚
579900	581860	用惩罚结合在一起
581860	584480	你可以想象这是一场极限挑战
584480	586280	如果模型当个快手
586280	587800	一听到声音就乱拆
587800	589260	导致疯狂写错字
589260	590560	他就会被扣分
590560	593140	那如果他想当个腕面主义者呢
593140	593740	哇
593740	598080	如果他为了一个字等了两三秒才输说文字
598080	600280	他一样会被狠狠扣分
600280	601120	哇
601120	605360	这就像是在训练一个极度严格的听打员
605360	607260	你就是不能错
607260	608760	但是你也不能慢
608760	610820	就是这种严格的训练
610820	613320	逼迫模型学会了去判断语境
613320	615520	碰到简单的日常对话
615520	617040	它就立刻秒翻
617040	619420	碰到尖色的专有名词
619420	621200	或者是模糊的发音
621200	624520	它就会选择多等个几十毫秒
624520	627920	收集更多声音特征之后再输出
627920	628960	这蛮合理的
628960	629520	对
629520	631120	在工程界
631120	633480	这被称回达到了Pareto Front
633480	636480	也就是在速度与准确度之间
636480	639500	找到了无法再被超越的最佳边界
639500	641360	最终的结果是
641360	642840	Muse Voice Transcribe
642840	644440	从你讲完话
644440	646800	到萤幕上出现正确文字
646800	649520	只需要惊人的0.16秒
649520	650040	等等
650040	653140	我要在这里稍微挑战一下
653140	654960	0.16秒
654960	657340	人类大脑神经传导
657340	658720	做出反应的时间
658720	660240	搞不好都比这个慢
660240	663960	一个AI模型要在这0.16秒内
663960	665100	切分音讯
665100	666740	决定要不要等待
666740	669040	还要辨识是谁说话
669040	670380	并伸出文字
670380	673920	他怎么可能在这么短的时间内运算完
673920	675820	却不吃垮电脑的效能
675820	678520	这真的是个非常好的质疑
678520	680340	直觉上做这么多事情
680340	682160	应该会严重拖慢系统
682160	683060	对啊
683060	684600	听起来运算量超大的
684600	686660	但实际情况恰好相反
686660	689060	正因为它舍去了过去那种
689060	692580	三套系统互相传递资料的管线架构
692580	695380	它省去了系统之间来回沟通
695380	698300	和对时间轴的庞大运算成本
698300	700800	就不用大家互相等来等去
700800	701400	没错
701400	703880	一个单一的自回归模型
703880	706280	只要硬体的记忆体频宽足够
706280	708560	它处理连续串流的效率
708560	711740	其实远比传统的分工合作还要快得多
711740	713240	这也就是为什么
713240	716960	它能压榨出0.16秒这种极限速度
716960	718680	哇 原来是这样
718680	722280	理论和底层机制听起来确实很惊人啦
722280	723640	但我们都知道
723640	726720	实验室里面的数据是一回事
726720	729620	把模型丢进残酷的真实世界
729620	732120	面对各种混乱的对话场景
732120	734000	那又是另外一回事了嘛
734000	736960	它在真实环境中的表现到底怎么样
736960	740040	那我们就来看看知名的AI评测机构
740040	743200	Artificial Analysis给出的硬数据吧
743200	746900	在纯英文的即时串流测试里面
746900	751240	Muse Voice Transcribe的字错率仅仅只有3.1%
751240	752480	3.1%
752480	754460	这算是很好的成绩吗
754460	755560	非常好
755560	756700	这是什么概面
756700	760140	它直接击败了目前语音领域的王者
760140	762180	也就是那个11实验室
762180	764400	他们的3.6%
764400	765940	哦 11 labs
765940	766480	对
766480	771360	它也赢过了Oper AI的GPT Live Transcribe的3.9
771360	774260	甚至把Google在8月才刚发布的
774260	776900	German Live 3.5 Transcribe Live的4.0
776900	778420	都抛在脑后
778420	780820	哇 全部斩压耶
780820	781340	没错
781340	784300	而且在讲者辨识错误率上
784300	786500	它的错误率只有17.5%
786500	789320	这个数字甚至赢过了市面上许多
789320	793080	允许你事后慢慢处理的那种非即时模型
793080	795540	不过我觉得我们必须拉回现实一下
795540	797640	我们的听众最关心的
797640	800700	绝对不是在一个纯英文
800700	803160	大家都自证强缘的环境里面
803160	803900	它有多准
803900	804980	嗯 确实
804980	805480	对嘛
805480	806520	我们在排湾
806520	809420	平时讲话可是中阴夹杂的耶
809420	810540	像是那个
810540	811800	我明天有个meeting
811800	813460	记得remind我一下
813460	816340	这种句子才是我们最正式的日常啊
816340	818940	Meta其实在这方面下了很大的功夫
818940	820840	这款模型发布的时候
820840	823160	就已经支援了70多种语言
823160	826200	其中有25种是经过完整验证的
826200	827380	最厉害的是
827380	831280	它原生就支援句子内部的鱼马转换
831280	832140	鱼马转换
832140	835220	意思是它不需要我去切换那个语言设定
835220	836780	就能自动听懂吗
836780	837100	是的
837100	839740	在官方释出的测试来源里面
839740	842820	有一段充满硬核科技术语的中文录音
842820	844080	测试者说
844080	846980	用Olama跑了向Meta的Muse Glamour
846980	851540	直接deploy在我的NVIDIA RTX 3090上
851540	854960	我这句话里面充满了英文专有名词数字
854960	858320	而且中英文切换完全是随机的耶
858320	858720	没错
858720	861860	母亲不需要任何提示就能无缝辨识
861860	864020	还能根据文法的上下文
864020	865780	去自动校正评字
865780	867580	说到真实世界的混乱
867580	869080	我看到资料里面
869080	871800	还有一个让我下巴掉下来的测试
871800	873200	你说那个爬山的那个吗
873200	873840	对对对
873840	876260	那个是一个长达一小时的音档
876260	879140	里面竟然有11个人
879140	881040	在洛杉矶讨论爬山
881040	883500	甚至还聊到遇到土狼的经历
883500	884660	你想想看
884660	887080	11个人在闲聊耶
887080	888660	一定有人在大笑
888660	890040	有人互相抢话
890040	892340	背景绝对还有各种环境噪音
892340	893420	这对AI来说
893420	895040	根本是地狱级的考验
895040	895580	真的
895580	898220	结果系统竟然能精准的
898220	900040	把那11个人的发言
900040	902120	一次不漏的拆解开来
902120	904280	还标上speakerA到K
904280	906900	这如果叫人类的听答员来做
906900	908140	听个10分钟
908140	909740	绝对崩溃磁石吧
909740	911360	但这在技术上
911360	912740	到底是怎么办到的
912740	913820	如果两个人
913820	916060	在同一微秒重叠讲话呢
916060	917380	这就是我们刚刚说的
917380	920180	多模态标记发挥威力的地方了
920180	922520	当两个人同时讲话的时候
922520	925560	传统系统的音轨会整个混在一起
925560	927560	变成无法辨识的噪音
927560	929680	嗯就胡称一团
929680	930140	对
930140	931940	但Muse Voice Transcribe
931940	935440	因为是从极短的80毫秒音讯区块
935440	936460	去提取特征
936460	939440	它可以同时触发多个讲者的token
939440	941060	可以同时触发
941060	941600	没错
941600	944460	它会在文字流里面并行输出
944460	946300	Speaker A说了这一段
946300	948660	同时Speaker B正在说那一段
948660	950500	它不是单线程的处理
950500	952460	而是能像解开毛线球一样
952460	955020	把交织在一起的音讯分离出来
955020	956920	这技术真的蛮扯的
956920	959760	不过身为替台湾听众把关的酒色
964500	966000	哦,什麼事實?
966000	974700	就是,根據台灣知名科技媒體電腦王阿達的實際測試,這項技術目前有一個在地化的致命缺陷。
974700	976100	嗯,在地化
976100	980660	对,尽管你对着麦克风说的是很标准的台湾繁体中文
980660	986040	它目前在荧幕上输出的文字依然全都是,呃,简体中文
986040	988140	这确实蛮麻烦的
988140	992560	对啊,不管设定怎么调,目前就是无法原声输出繁体字
992560	996600	这对台湾的使用者来说绝对还是一个不小的痛点啊
996600	999440	这的确是一个很明显的在地化缺陷
999440	1003140	其实这显示出虽然模型的听力没有问题
1003140	1006740	它的神经网络完全能理解中文的语义
1006740	1008260	听得懂但写出来不对
1008260	1008720	没错
1008720	1011780	但在最后的文字渲染与输出层面
1011780	1013360	META的训练资料库
1013360	1016160	可能还是过度向简体中文倾斜了
1016160	1018880	这也反映了全球化大语言模型
1018880	1019860	在落地的时候
1019860	1023620	必然会面临到的文化与区域细节挑战了
1023620	1025400	这部分就需要META后续
1025400	1026820	透过微调来解决了
1026820	1028640	既然提到META的策略
1028640	1031460	我们来聊聊一个很反常的商业布局好了
1031460	1032540	我们都知道
1032540	1036320	Meta过去这一年来一直高举着开源的大旗
1036320	1039920	把他们最大的AI模型免费开放给全世界
1039920	1041600	对 开源界的老大哥
1041600	1042300	没错
1042300	1046620	但这一次Mail Voice Transcribe却选择了封闭权重
1046620	1048800	也就是不开源了
1048800	1049380	为什么
1049380	1052220	这次Meta确实选择了一条不一样的路
1052220	1053600	如果你是开发者
1053600	1055780	你无法直接下载模型版身
1055780	1058760	你必须透过Meta Model API来使用
1058760	1059980	哦 要收费了
1059980	1062080	不过收费其实相当低廉啦
1062080	1065860	大约是每1000分钟的音讯收费3美元
1065860	1069720	换算下来一个小时大概才0.18美元
1069720	1071520	那真的蛮便宜的
1071520	1072060	对
1072060	1076680	另外一般使用者其实可以透过他们新推出的程式撰写工具
1076680	1078020	叫做Muse Code
1078020	1083500	或者是直接在Mac电脑上下载Meta AI的应用程式来使用这项技术
1083500	1085700	所以这到底意味着什么
1085700	1091620	Meta把这个听力超强的模型紧紧锁在自家的生态系里面
1091620	1094600	甚至还跟Mac的键盘深度绑定
1094600	1098580	Mark Zuckerberg到底在盘算什么更大的棋局
1098580	1102520	这不仅仅是为了赚那个0.18美元吧
1102520	1105180	绝对不是为了这点API的零头啦
1105180	1108460	如果我们深入观察 Zuckerberg近期的内部发言
1108460	1112300	他不断强调未来的AI必须是个人化的超级智慧
1112300	1113980	个人化的超级智慧
1113980	1116120	这听起来很抽象耶
1116120	1120100	这跟一个语音转文字的模型有什么直接关系
1120100	1121340	关系太大了
1121340	1123920	如果AI要成为你最贴身
1123920	1125420	最懂你的个人助理
1125420	1126720	它就不能只是一个
1126720	1127900	你对着手机大喊
1127900	1129220	嘿帮我设定闹钟
1129220	1130900	那种死板的声控工具
1130900	1133580	Meta的最终目标是硬体
1133580	1134840	特别是他们正在
1134840	1136740	大力发展的AI视觉眼镜
1136740	1138200	哦 AI眼镜
1138200	1138960	你试想一下
1138960	1140660	你戴着AI眼镜的一天好了
1140660	1142840	你走在台北吵杂的街头
1142840	1144260	旁边有车流声
1144260	1146260	你正在点一杯珍珠奶茶
1146260	1148160	店员问你要几分甜
1148160	1149700	这时你旁边的朋友
1149700	1150780	突然插花问你
1150780	1151940	等下要去哪里
1151940	1154200	哇 这个场景非常真实
1154200	1155620	也非常混乱
1155620	1157580	对 如果你的AI眼镜
1157580	1159000	没有完美的机器听觉
1159000	1160100	它就只是一个
1160100	1161920	戴在脸上的笨重摄影机
1161920	1163960	但有了Muse Voice Transcribe
1163960	1166020	眼睛能在0.16秒内
1166020	1167820	分辨出哪句是电源说的
1167820	1169420	哪句是朋友说的
1169420	1171160	还能过滤掉车流声
1171160	1173120	没错 甚至刚你转头
1173120	1174920	忘记朋友刚才问什么的时候
1174920	1176740	AI已经把答案准备好
1176740	1178320	投射在你的镜片上了
1178320	1180040	哇 这画面感很强耶
1180040	1184220	这就是为什么Meta现在让你只要在Mac电脑上按住FN键
1184220	1187800	就能在任何视窗进行痊愈的及时听写
1187800	1190200	这不是一个单纯的打字工具
1190200	1193780	这是Meta在训练你习惯与AI无缝对话
1193780	1198320	为未来的穿戴式硬体生态系铺设最底层的基础设施
1198320	1202280	今天的探讨真的把很多点都串起来了
1202280	1205800	我们现在正在见证一个历史性的转捩点
1205800	1209880	机器在复杂环境下的听觉处理能力
1209880	1213320	正在以前所未有的速度超越人类
1213320	1214620	对,真的很快
1214620	1218780	他能毫不犹豫地在0.16秒内处理资讯
1218780	1222120	他能同时分辨十几个人的声音
1222120	1224480	他甚至学会了像人类一样
1224480	1227420	在困难的词汇上稍微犹豫一下
1227420	1231440	没错,从过去笨重的三步骤拼装车系统
1231440	1234560	进化到现在单一串流的超级模型
1234560	1237840	这不仅仅是技术指标上的胜利而已
1237840	1241720	更是人机互动方式的一次彻底革命
1241720	1242900	真的是革命
1242900	1246620	虽然目前还像是繁体中文资源不足这样的缺点
1246620	1249720	但这项技术为未来AI眼镜
1249720	1252600	和无缝语音互动所打下的基础
1252600	1255900	其实已经预示了科技的下一步走向了
1255900	1256220	真的
1256220	1259280	在我们结束今天的深度探讨之前
1259280	1262560	我想留给你们一个发人深审的问题
1262560	1264080	想象一下
1264080	1266320	如果未来的每一台装置
1266320	1267700	每一副眼镜
1267700	1269800	都能在0.16秒内
1269800	1271300	完美记录下
1271300	1273160	20个人在会议室里
1273160	1274160	互相强化
1274160	1276760	甚至私下碎碎念的内容
1276760	1278460	并精准标记
1278460	1279740	到底是谁说的
1279740	1281280	这对我们的社会
1281280	1282520	到底意味着什么
1282520	1283060	嗯
1283060	1283960	这蛮可怕的
1283960	1284620	对吧
1284620	1286260	当过去那种
1286260	1288860	听过就算了的随性闲聊
1288860	1291380	全部变成可以被精准搜寻
1291380	1292780	被永久记录的
1292780	1295100	完美数位逐字稿的时候
1295100	1297500	这会让我们的工作与生活
1297500	1298840	变得极度高效
1298840	1301340	还是会让我们在每次开口之前
1301340	1303820	都变得极度焦虑多疑呢
1303820	1306240	这是一个值得你在关掉节目后
1306240	1307860	好好思考的问题
1307860	1309160	谢谢收听
1309160	1310360	欢迎订阅分享
1310360	1311600	听书Podcast频道
1311600	1312620	我们下次见