科技媒体 How-To Geek 编辑尼克·刘易斯给出的解法是：干脆自己写一个，全部跑在自家的游戏电脑上。起因是一位朋友花了大约 5 分钟吐槽某个机器人有多没用，他随即接下了这个活。

关键不是语音识别，是中间那层「意图翻译」

项目启动时，所有人最想要的功能是语音控制——不用敲任何斜杠命令，就能播放和控制音乐。

为此，刘易斯先用参与者自己的声音训练了一个神经网络来识别唤醒词，又内置了若干作为常规斜杠命令运行的基础指令。语音转文字环节交给 faster-whisper 这个语音识别库处理，转出的文本再被送去触发各类命令。

但按他的说法，真正的巧妙之处在意图层。一个小体量的模型 llama3.2:3b 负责把松散的口语转换成固定的命令集合。这意味着说一句「随便换换」，效果和规规矩矩说出「随机播放」完全一样。刘易斯认为，这正是「一个用起来很直觉的人工智能」和「一个用起来极其别扭的人工智能」之间的分界线。

延迟问题则用流式语音合成解决。基于 Kokoro-82M 的方案让机器人在大约两秒后就开始出声，此时更大的模型还在继续生成后面的内容。

从点歌到跑团笔记，功能堆到了几十个

语音输入跑通之后，刘易斯围绕本地媒体库搭建了完整的播放队列控制，包括随机、循环和调整曲目顺序。他还做了「氛围」模式：给出一段心情描述，机器人自行把它映射到对应的曲风和节奏区间。

音乐之外的功能同样不少。对话模式下，机器人会一直和人聊下去，直到被要求「别说了」为止。它支持检索增强生成，可以先摄入一份维基或一整套跑团战役笔记，之后直接用语音查询这个特定语料库。此外还能生成 SDXL 图像，并处理定时器、长期提醒、天气查询、掷骰子和信息订阅摘要等常规事务。

更复杂的功能依托 Qwen3 14B 运行，这让机器人可以就它「知道」的内容展开有实质内容的对话。刘易斯举的例子是《我的世界》：他把这款游戏及其模组的知识整理进数据库，此后就能像和一位比自己更懂游戏的朋友聊天那样，实时讨论合成配方和游戏机制。

按照他的计划，这个机器人的下一次亮相将是在一场桌面角色扮演战役中担任同伴角色——自己做决定、自己掷骰子，并理解自己正在扮演的那个「角色」。

让机器人自己写插件，目前还没完全跑通

刘易斯正在推进的最高目标，是让机器人自己编写新功能。

设想的流程是：用户提交一条命令、一个语法示例，以及相关接口的链接（如果需要的话）；多块显卡随后汇聚算力，加载一个更大、更擅长编程的模型，尝试生成实现该功能的代码。

实际做起来并不顺利。他解释说，更大的模型更聪明，但也吃掉更多显存，可用的上下文空间因此被压缩，导致模型很难「搞清楚」该如何连接指定的接口。

到目前为止，机器人「差一点」成功写出了两个插件：一个根据邮政编码查询天气，另一个查询指定城市的时间。最终两者都需要他手工微调。不过他也发现了一条有效的补救路径——用体量稍小的模型去修那些「接近正确但还差一口气」的代码，效果反而不错。

同一套「大脑」，还能挪去做智能家居

用了几天之后，刘易斯意识到，没有什么能阻止他把这个 Discord 机器人的「大脑」直接搬去做一套完整的家庭助手。

原因在于架构：唤醒词检测器、命令意图解释器和大模型这几个组件都是独立运行的。这意味着这些服务、模型以及已经写好的命令都可以复用，不必从头再造一遍轮子。剩下要做的，只是补上几条对接 Home Assistant 的命令，并确保这些命令与 Discord 机器人完全隔离。完成之后，同一套系统就能用来讨论菜谱，或者用他自己的账号点餐。

刘易斯最后给出的建议是：如果一直想找个项目试试用自然语言指挥人工智能写代码，Discord 机器人是个很好的起点——风险低、文档完善，而且做出来是真能天天用上的东西。

来源：How-To Geek

不是手机语音助手的简单移植

这次桌面版语音功能由 GPT-Live 驱动——这是 OpenAI 本月早些时候率先在移动端推出的新一代语音模型，最大特点是「全双工」：AI 可以同时说话、聆听和协调任务，用户能随时打断、插话、临时改主意，对话不再是一问一答的对讲机模式。

与手机端主打自然聊天不同，桌面版的核心卖点是「指挥干活」。按照官方更新说明，用户能以语音模式发起新对话或新任务，然后让 ChatGPT 启动、查看或调整其他线程里正在运行的工作，涵盖 Chat、Work 和 Codex 三大板块。也就是说，用户可以一边说话一边让多个 AI 智能体并行处理任务：审查代码合并请求、分析代码库、跑后台作业，全程不用碰键盘。

语音模式还能配合 OpenAI 的「计算机操作」能力、本地文件和插件使用。Mac 用户额外获得一项独占功能「Appshots」：经授权后，ChatGPT 可以参考当前处于焦点的应用窗口，理解用户正在看的内容，省去逐字描述屏幕的麻烦。此外，通过 iOS 端的远程功能，用户还能在手机上用语音遥控电脑里的任务。

项目文件夹也迎来实用升级

同期更新还改进了桌面应用的本地项目功能：一个项目现在可以包含多个相关联的文件夹。用户在项目菜单中选择「编辑项目」即可添加文件夹并指定主文件夹——新对话、Git 操作以及配置文件的自动发现都以主文件夹为准，其余文件夹则继续支持文件搜索、读取和编辑。对于需要跨多个代码仓库工作的开发者来说，这是个相当实在的改进。

语音正在成为AI巨头的必争之地

9to5Mac 评论指出，旧版 Mac 应用的语音模式此前被移除，且一直没有用上新版语音能力，这次更新让 Mac 重新拥有了「第一梯队」的语音体验，而且比以前更强。

值得玩味的是竞争节奏：就在 OpenAI 发布桌面语音功能的前一天，Anthropic 刚刚为 Claude 推送了类似的语音模式升级。两大头部 AI 实验室在 24 小时内先后出招，说明语音已经不再是炫技的噱头，而是被押注为操控 AI 智能体的下一代主流交互界面。谁能让用户「动动嘴就把活干完」，谁就能留住那份订阅费。

来源：9to5Mac、OpenAI 官方发布说明

能力大升级，但定位是「工具」

据介绍，新 Siri 的能力远超上一代，基本兑现了苹果当初「打造真正称职助手」的承诺：它可以回答几乎任何领域的问题，不再局限于苹果此前支持的少数知识域；新增的独立 Siri 应用可以随时追问、回看历史对话；而且体验在 iPhone、Mac、iPad、Apple Watch 之间保持一致，后续还将覆盖 Apple TV 和 HomePod。

克里斯托费尔也坦言，如果追求最强大、最前沿的 AI 能力，ChatGPT、Claude 和 Gemini 这些第三方工具可能仍是更好的选择。但在长期对比使用后，他更偏爱 Siri 的一点在于：它不冗长啰嗦，不刻意模仿人类性格，也不会诱导用户与它建立「私人关系」。新 Siri 会定期提醒用户自己是 AI、可能出错，回答完问题就结束，绝不「表演暧昧」。

一组对比测试，风格差异一目了然

科技媒体 The Verge 此前的对比测试印证了这种差异。面对「你能做我的朋友吗」这样的私人提问，Gemini 会热情洋溢地长篇回应「随时陪你聊天、出主意」，ChatGPT 会表示「愿意陪你聊天、打趣、梳理思绪」，而新 Siri 只用一句「无论顺境逆境，我都会做你的朋友」礼貌收尾，不追问、不寒暄，始终保持工具应有的距离感。

再比如问「最近怎么样」，Gemini 和 ChatGPT 都会主动引导用户继续闲聊，新 Siri 则直接告知用户可以开启相关设置来搜索新闻资讯——问什么答什么，仅此而已。

「不装人」背后是一种产品哲学

克里斯托费尔认为，ChatGPT、Claude 和 Gemini 都「充满个性和观点」，表现出更多拟人化倾向，这种「假装亲近」的方式反而让人感觉不真诚。此前已有用户对聊天机器人产生强烈情感依赖的案例：OpenAI 下架 GPT-4o 模型时，不少用户公开表达不舍，最终该公司不得不向付费用户恢复这一模型。

在他看来，AI 正在改变世界，但 AI 聊天机器人是工具，不是人。或许有部分用户偏爱更「有人情味」的交互方式，但让 AI 助手守好本分、不假装成它不是的东西，恰恰是苹果做对的地方——新 Siri 正是按照这个理念打造的。

来源：9to5Mac、The Verge