Audio Action 模型 Thud 实测:比 Gemini Live 快 10 倍、便宜 20 倍
AnhPhuNguyen1 · x · 2026-10-15
Caine Ardayfio 与 AnhPhu Nguyen 展示了他们的音频动作模型 Thud:语音指令不再需要先转成文字再喂给 AI,模型直接「听到就做」。
工作方式是在每个页面预置可执行的动作列表,Thud 监听语音并匹配对应动作直接执行。团队将 Mobile Use 与 Jev 音频结合,宣称速度比 Gemini Live 快 10 倍、成本低 20 倍。作者认为 2026 年的模型已足够聪明,语音交互无需经过文字转写这一中间层。
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)→
「编程与Agent」频道最新
- Yacine：每次审 LLM 写的代码都发现藏着可疑操作 — yacineMTB · 2026-10-15
- 开发者为何还要做 Agent 插件？没有网络效应几乎不存在持久价值 — heyneighbor · 2026-10-15
- 创业者观点:好的个人智能体应像一支弹性随需的团队 — andreisavu · 2026-10-15
- 退潮别去捡贝壳：一条海啸体预告配多 agent 工作台截图 — RileyRalmuto · 2026-10-15
- Google 开放 Deep Review:已评审 1.6 万+ 顶会投稿的智能体审稿系统 — ymatias · 2026-10-15
- Sentry CEO 晒多子智能体协作:子 agent 并行汇报汇入 scope canvas — zeeg · 2026-10-15