Thud 音频动作模型实测：200ms 响应，比 Gemini Live 快 10 倍

开发者 Caine Ardayfio 与 Anh Phu Nguyen 展示并实测了号称首个「音频动作模型」的 Thud：语音指令无需先转成文字再交给 AI，模型直接「听到就做」，能用于语音操控智能眼镜。全程响应仅 200ms 且完全本地运行，号称比 Gemini Live 快 10 倍、便宜 20 倍，展现出语音交互的新范式。

2026-10-14 ~ 2026-10-15 · 2 条相关