Mega ASR 開源：專啃嘈雜爛音訊，不到 5GB 消費級顯示卡就能跑
語音識別模型 Mega ASR 正式釋出，專攻真實環境下的抗噪轉錄。它通過 260 萬個樣本覆蓋混響、削波與遮擋等問題，在惡劣聲學條件下比主流模型提升近 30%。整體不到 5GB 並開放微調指令碼，大多數消費級顯示卡就能在本地執行。
裝置端AI
檢視更新的新聞
微軟釋出商業版 Surface：搭酷睿 Ultra 3，主打端側 AI 與一鍵防窺
Microsoft 推出新版 Surface Pro 與 Surface Laptop 商業版，搭載 Intel Core Ultra 3 系列晶片，支援會議即時聽寫與離線出圖等端側 AI。新機型續航最長 23 小時，部分版本配備一鍵啟用的整合防窺屏。年內還將追加高通 Snapdragon X2 版本。
Apple 預覽 AI 無障礙功能：用眼神開輪椅，自然語言聲控全系統
Apple 公佈一系列由 Apple Intelligence 驅動的無障礙更新，預計今年晚些時候上線。語音控制支援自然語言「所見即所說」，旁白與放大器能對畫面進行追問；全生態支援端側自動生成字幕。此外，Apple Vision Pro 還將支援通過眼球追蹤操控電動輪椅。
騰訊開源翻譯模型 HYMT2：最小 1.8B 可跑在手機上，專精複雜格式
騰訊開源多語言翻譯模型系列 HYMT2，覆蓋 18 億到 300 億引數，支援 33 種語言。該模型專門優化了指令遵循能力，能在翻譯時嚴格保留佔位符、JSON 及排版格式，最小的 1.8B 版本甚至能在手機端執行。
ReactiveGWM 開源：給遊戲世界模型加上 NPC，提示詞也能控對手
研究團隊開源遊戲世界模型 ReactiveGWM。它將玩家按鍵操作與 NPC 策略解耦，允許玩家一邊按鍵出招，一邊用提示詞指揮對手進攻或防守。模型基於 Wan 2.2 構建且相對輕量，可在本地中高階顯示卡上執行。
Kimi 推出瀏覽器擴充套件：讓 AI Agent 直接操控本地瀏覽器
Kimi 推出瀏覽器擴充套件（原 Kimi WebBridge），讓 AI Agent 能直接在 Chrome 或 Edge 中點選、輸入和抓取。它通過本地協議複用真實瀏覽器，資料不離開裝置，並新增了側邊欄入口。這意味著 Agent 不用開沙箱就能替你填表和調研。
面壁智慧開源 MiniCPM-V 4.6：1.3B 端側模型，6GB 記憶體流暢跑
面壁智慧聯合清華大學及 OpenBMB 正式開源端側多模態模型 MiniCPM-V 4.6。模型僅 1.3B 引數，約 6GB 記憶體即可在端側裝置流暢執行，效能超越同級 Qwen3.5-0.8B，計算 Token 消耗僅為其十九分之一。這大幅降低了端側多模態部署門檻，一張消費級顯示卡即可完成微調。
Google 推出 Gemini Intelligence：Android 迎來跨應用自動化與生成式小元件
Google 推出深度整合系統的 Gemini Intelligence，可跨應用自動完成訂餐、叫車等複雜流程，並帶來口語精煉工具 Rambler 與用自然語言定製桌面元件的 Create My Widget。功能將於今夏率先推送至 Galaxy S26 和 Pixel 10，年內逐步擴充套件至手錶與車機。
為了讓 MacBook 閉蓋跑 Agent，開發者流行買 9 美元虛擬顯示頭
開發者 Will DePue 在 X 上分享，為了讓 MacBook 合蓋後持續執行 AI Agent，不少人開始使用虛擬顯示插頭。插上假插頭能欺騙系統保持合蓋執行；相比用終端命令或防休眠軟體，拔掉即可休眠的物理方案更省事，花費僅需幾美元。
Rivian 上線車載 AI 助手：能升降底盤開前箱，還能幫你改日程
Rivian 推出深度整合車機系統的 Rivian Assistant。它不僅能直接調節車身高度、開啟前備箱或按複雜語境調溫，還具備智慧體能力，可聯動 Google 日曆並自動代發簡訊。目前僅支援英語，且需訂閱 Connect+ 服務。
Pixal3D 開源：靠畫素對齊做圖生 3D，生成超高精度幾何網格
圖生 3D 模型 Pixal3D 開放本地執行程式碼。它摒棄了傳統生成模型在規範空間鬆散匹配影像的做法，直接將 2D 畫素與 3D 結構明確對應。其輸出的 3D 網格在幾何精度與紋理細節上逼近真實重建水平，效果顯著超越同類工具。
開源 2B 文本轉語音模型：幾秒音訊克隆聲音，5GB 視訊記憶體可跑且可商用
一款 20 億引數的開源文本轉語音模型釋出，只需幾秒音訊即可實現零樣本聲音克隆，連耳語和結巴等細節也能還原。該模型支援跨語言合成，基礎大小僅約 5GB，能在消費級顯示卡上執行，並採用 Apache 2 許可證完全開放商用。
Scenema Audio 開源：從 LTX 2.3 提取的語音模型，用舞臺提示詞演情緒
ScenemaAI 開源情感語音模型 Scenema Audio。它從 LTX 2.3 中提取出音訊擴散架構，允許用舞臺動作標籤即時控制情緒起伏與環境音效，還支援零樣本聲音克隆。模型最低僅需 16GB 視訊記憶體即可本地執行，支援 13 種語言。
Perplexity 推出 Mac 版 Personal Computer：智慧體跨本地檔案與應用幹活
Perplexity 釋出全新 macOS 應用，推出 Personal Computer 功能。它能排程多智慧體，自主跨本地檔案、原生應用和網路執行任務，還支援通過 iPhone 遠端發起與審批。最值得關注的是它可常駐後臺，配合 Mac mini 能打造全天候自主工作的 AI 中樞。
因 Apple Intelligence 遲到：蘋果同意支付 2.5 億美元和解集體訴訟
Apple 同意支付 2.5 億美元以和解一項集體訴訟。訴訟指控其在 iPhone 16 和 iPhone 15 Pro 宣傳中誤導消費者對 Apple Intelligence 及新版 Siri 上線時間的預期。符合條件的美國購機使用者每臺可獲 25 至 95 美元賠償。Apple 否認有不當行為。
Google 為 Gemma 4 推出 MTP 草稿模型：推理最高提速 3 倍
Google 為 Gemma 4 系列模型推出多 Token 預測（MTP）草稿模型。該方案採用推測解碼技術，由輕量草稿模型先行預測多個 Token，再由大模型並行驗證，在保證質量零損耗的同時實現最高 3 倍推理加速。草稿模型已按 Apache 2.0 開源，支援 vLLM 與 Ollama。
MIT 打造可穿戴 AI：即時引導身體動作，零基礎也能彈鋼琴
據 SciTechera 5 月 5 日報道，麻省理工學院打造出一套可穿戴 AI 系統，能夠即時接管並引導身體動作。即使完全不懂樂理，使用者的手指也能在 AI 的控制下彈奏出流暢的鋼琴旋律，讓類似《駭客帝國》般的技能下載有了現實雛形。
Google 誤上架實驗性助手 COSMO：內建端側模型，支援瀏覽器代理
據 9to5Google 報道，Google 在 Play Store 意外上線實驗性 Android AI 助手 COSMO 並隨後下架。該應用大小達 1.13 GB，內建端側 Gemini Nano 模型，支援瀏覽器代理、Deep Research 與記憶召回等技能。目前該應用已被下架。
OmniShotCut：精準識別影片剪下與轉場，模型僅 164MB
OmniShotCut 是一款專用於影片剪輯分析的輕量 AI 工具，能自動識別影片中的硬切、溶解、淡入淡出及滑動等轉場並標記時間戳。模型體積僅 164MB，支援本地部署執行，目前已在 Hugging Face Space 上線免費試用體驗。
Scenema Audio 開源：把聲音與情緒解耦，用舞臺指示給克隆聲音演戲
Scenema AI 開源語音生成模型 Scenema Audio，它從 LTX 2.3 提取而來，支援將聲音音色與情緒表演解耦。只需幾秒參考音訊，就能靠提示詞裡的舞臺指示改變情緒、呼吸節奏甚至口音，還能中途切換狀態。量化版本最低需 16GB 視訊記憶體並在本地執行。