Mega ASR 开源：专啃嘈杂烂音频，不到 5GB 消费级显卡就能跑
语音识别模型 Mega ASR 正式发布，专攻真实环境下的抗噪转录。它通过 260 万个样本覆盖混响、削波与遮挡等问题，在恶劣声学条件下比主流模型提升近 30%。整体不到 5GB 并开放微调脚本，大多数消费级显卡就能在本地运行。
端侧AI
查看更新的新闻
微软发布商业版 Surface：搭酷睿 Ultra 3，主打端侧 AI 与一键防窥
Microsoft 推出新版 Surface Pro 与 Surface Laptop 商业版，搭载 Intel Core Ultra 3 系列芯片，支持会议实时听写与离线出图等端侧 AI。新机型续航最长 23 小时，部分版本配备一键激活的集成防窥屏。年内还将追加高通 Snapdragon X2 版本。
Apple 预览 AI 无障碍功能：用眼神开轮椅，自然语言声控全系统
Apple 公布一系列由 Apple Intelligence 驱动的无障碍更新，预计今年晚些时候上线。语音控制支持自然语言「所见即所说」，旁白与放大器能对画面进行追问；全生态支持端侧自动生成字幕。此外，Apple Vision Pro 还将支持通过眼球追踪操控电动轮椅。
腾讯开源翻译模型 HYMT2：最小 1.8B 可跑在手机上，专精复杂格式
腾讯开源多语言翻译模型系列 HYMT2，覆盖 18 亿到 300 亿参数，支持 33 种语言。该模型专门优化了指令遵循能力，能在翻译时严格保留占位符、JSON 及排版格式，最小的 1.8B 版本甚至能在手机端运行。
ReactiveGWM 开源：给游戏世界模型加上 NPC，提示词也能控对手
研究团队开源游戏世界模型 ReactiveGWM。它将玩家按键操作与 NPC 策略解耦，允许玩家一边按键出招，一边用提示词指挥对手进攻或防守。模型基于 Wan 2.2 构建且相对轻量，可在本地中高端显卡上运行。
Kimi 推出浏览器扩展：让 AI Agent 直接操控本地浏览器
Kimi 推出浏览器扩展（原 Kimi WebBridge），让 AI Agent 能直接在 Chrome 或 Edge 中点击、输入和抓取。它通过本地协议复用真实浏览器，数据不离开设备，并新增了侧边栏入口。这意味着 Agent 不用开沙箱就能替你填表和调研。
面壁智能开源 MiniCPM-V 4.6：1.3B 端侧模型，6GB 内存流畅跑
面壁智能联合清华大学及 OpenBMB 正式开源端侧多模态模型 MiniCPM-V 4.6。模型仅 1.3B 参数，约 6GB 内存即可在端侧设备流畅运行，性能超越同级 Qwen3.5-0.8B，计算 Token 消耗仅为其十九分之一。这大幅降低了端侧多模态部署门槛，一张消费级显卡即可完成微调。
Google 推出 Gemini Intelligence：Android 迎来跨应用自动化与生成式小组件
Google 推出深度整合系统的 Gemini Intelligence，可跨应用自动完成订餐、叫车等复杂流程，并带来口语精炼工具 Rambler 与用自然语言定制桌面组件的 Create My Widget。功能将于今夏率先推送至 Galaxy S26 和 Pixel 10，年内逐步扩展至手表与车机。
为了让 MacBook 闭盖跑 Agent，开发者流行买 9 美元虚拟显示头
开发者 Will DePue 在 X 上分享，为了让 MacBook 合盖后持续运行 AI Agent，不少人开始使用虚拟显示插头。插上假插头能欺骗系统保持合盖运行；相比用终端命令或防休眠软件，拔掉即可休眠的物理方案更省事，花费仅需几美元。
Rivian 上线车载 AI 助手：能升降底盘开前箱，还能帮你改日程
Rivian 推出深度整合车机系统的 Rivian Assistant。它不仅能直接调节车身高度、开启前备箱或按复杂语境调温，还具备智能体能力，可联动 Google 日历并自动代发短信。目前仅支持英语，且需订阅 Connect+ 服务。
Pixal3D 开源：靠像素对齐做图生 3D，生成超高精度几何网格
图生 3D 模型 Pixal3D 开放本地运行代码。它摒弃了传统生成模型在规范空间松散匹配图像的做法，直接将 2D 像素与 3D 结构明确对应。其输出的 3D 网格在几何精度与纹理细节上逼近真实重建水平，效果显著超越同类工具。
开源 2B 文本转语音模型：几秒音频克隆声音，5GB 显存可跑且可商用
一款 20 亿参数的开源文本转语音模型发布，只需几秒音频即可实现零样本声音克隆，连耳语和结巴等细节也能还原。该模型支持跨语言合成，基础大小仅约 5GB，能在消费级显卡上运行，并采用 Apache 2 许可证完全开放商用。
Scenema Audio 开源：从 LTX 2.3 提取的语音模型，用舞台提示词演情绪
ScenemaAI 开源情感语音模型 Scenema Audio。它从 LTX 2.3 中提取出音频扩散架构，允许用舞台动作标签实时控制情绪起伏与环境音效，还支持零样本声音克隆。模型最低仅需 16GB 显存即可本地运行，支持 13 种语言。
Perplexity 推出 Mac 版 Personal Computer：智能体跨本地文件与应用干活
Perplexity 发布全新 macOS 应用，推出 Personal Computer 功能。它能调度多智能体，自主跨本地文件、原生应用和网络执行任务，还支持通过 iPhone 远程发起与审批。最值得关注的是它可常驻后台，配合 Mac mini 能打造全天候自主工作的 AI 中枢。
因 Apple Intelligence 迟到：苹果同意支付 2.5 亿美元和解集体诉讼
Apple 同意支付 2.5 亿美元以和解一项集体诉讼。诉讼指控其在 iPhone 16 和 iPhone 15 Pro 宣传中误导消费者对 Apple Intelligence 及新版 Siri 上线时间的预期。符合条件的美国购机用户每台可获 25 至 95 美元赔偿。Apple 否认有不当行为。
Google 为 Gemma 4 推出 MTP 草稿模型：推理最高提速 3 倍
Google 为 Gemma 4 系列模型推出多 Token 预测（MTP）草稿模型。该方案采用推测解码技术，由轻量草稿模型先行预测多个 Token，再由大模型并行验证，在保证质量零损耗的同时实现最高 3 倍推理加速。草稿模型已按 Apache 2.0 开源，支持 vLLM 与 Ollama。
MIT 打造可穿戴 AI：实时引导身体动作，零基础也能弹钢琴
据 SciTechera 5 月 5 日报道，麻省理工学院打造出一套可穿戴 AI 系统，能够实时接管并引导身体动作。即使完全不懂乐理，用户的手指也能在 AI 的控制下弹奏出流畅的钢琴旋律，让类似《黑客帝国》般的技能下载有了现实雏形。
Google 误上架实验性助手 COSMO：内置端侧模型，支持浏览器代理
据 9to5Google 报道，Google 在 Play Store 意外上线实验性 Android AI 助手 COSMO 并随后下架。该应用大小达 1.13 GB，内置端侧 Gemini Nano 模型，支持浏览器代理、Deep Research 与记忆召回等技能。目前该应用已被下架。
OmniShotCut：精准识别视频剪切与转场，模型仅 164MB
OmniShotCut 是一款专用于视频剪辑分析的轻量 AI 工具，能自动识别视频中的硬切、溶解、淡入淡出及滑动等转场并标记时间戳。模型体积仅 164MB，支持本地部署运行，目前已在 Hugging Face Space 上线免费试用体验。
Scenema Audio 开源：把声音与情绪解耦，用舞台指示给克隆声音演戏
Scenema AI 开源语音生成模型 Scenema Audio，它从 LTX 2.3 提取而来，支持将声音音色与情绪表演解耦。只需几秒参考音频，就能靠提示词里的舞台指示改变情绪、呼吸节奏甚至口音，还能中途切换状态。量化版本最低需 16GB 显存并在本地运行。