Thud 音频动作模型:语音操控智能眼镜,200ms 响应且完全本地运行
AnhPhuNguyen1 · x · 2026-10-14
开发者 Anh Phu Nguyen 实测了 Thud——号称首个「音频动作模型」(Audio Action Model):听懂语音、选择动作并执行,全程仅 200ms,号称比 Gemini Live 快 10 倍、便宜 20 倍。演示中他用语音让 Thud 打开应用、导航菜单、发消息,并完全靠语音操控 Mira 智能眼镜。作者补充强调 Thud 可完全本地运行,不依赖云端。
所属事件:Thud 音频动作模型实测：200ms 响应，比 Gemini Live 快 10 倍(2 条相关)→
「具身」频道最新
- RoboParty 发布 RP1:全栈开源人形机器人平台 — GuanyaShi · 2026-10-15
- SNU 发布 HumanoidToolBench:18 任务评测人形机器人工具使用,真实 G1 数据 3.1k — snupilab · 2026-10-15
- NYU 提出时序流策略 TFP:让机器人记忆按物理时间演化,真实任务时序成功率更高 — newyorkuniversity · 2026-10-15
- G³VLA 向视觉-语言-动作模型注入多相机几何,提升机器人操作 — Yue Peng · 2026-10-15
- 港中文等发布 Agentic Robots 综述:模型/数据/环境/框架四大域 17 类全景 — Chonghan Qin · 2026-10-15
- 腾讯 ARC 发布 Player-1:用合成经验学游戏操控,MineDojo 成功率提至 38% — TencentARC · 2026-10-15