AI 日報: OpenAI 音訊模型再進化，Nvidia 與 Google 釋出重磅更新

人工智慧領域的更新速度總是讓人目不暇給，每一天都有新工具誕生，試圖改變工作流程。今天的重點更新非常精彩，從 OpenAI 終於解決了語音模型的「聽錯」問題，到 Nvidia 推出了結合兩種強大架構的新模型，甚至 Manus 讓開發手機 App 變得像說話一樣簡單。

這些更新不只是冰冷的參數提升，而是實實在在能幫你省下時間的利器。讓我們直接看看這些新技術如何影響你的工作。

OpenAI 音訊模型：告別幻覺，聽得更真

使用語音轉文字工具時，最令人頭痛的莫過於 AI 聽錯話，甚至無中生有地編造內容。OpenAI 顯然意識到了這一點，在最新的 Realtime API 更新中，他們釋出了全新的音訊模型快照，重點全放在「可靠性」上。

這次更新帶來了顯著的改進。首先是 gpt-4o-mini-transcribe-2025-12-15，與之前的 whisper-1 相比，它減少了高達 89% 的幻覺。這意味著模型不再會莫名其妙地自行腦補它沒聽到的聲音。

其次，gpt-4o-mini-tts-2025-12-15 在語音合成的準確度上也大幅提升，單字錯誤率降低了 35%。

對於開發者而言，gpt-realtime-mini-2025-12-15 則是一個好消息。它在指令遵循能力上提升了 22%，函數調用（function calling）也改進了 13%。簡單來說，現在的 AI 語音助理更聽得懂人話，執行任務也更精準。想深入了解技術細節，可以參考 OpenAI Devs 的發布資訊。

Nvidia Nemotron 3：混合架構的精準打擊

如果說 OpenAI 讓 AI 聽得更準，Nvidia 則致力於讓 AI 想得更有效率。Nvidia 推出了全新的 Nemotron 3 模型家族，這次他們採用了創新的 Mamba-Transformer 混合架構。

這項技術突破結合了 Mamba 處理長文本的高效率，以及 Transformer 的精準推理能力。這就像是同時擁有了過目不忘的記憶力和邏輯縝密的推理腦，讓模型在處理長達 1M token 的上下文時，依然能保持輕快。

這個家族包含三位成員，針對不同需求量身打造：

• Nemotron 3 Nano：這是家族中的輕量級選手，擁有 300 億參數（30B）。運作時僅啟用 30 億參數，專為高效率、針對性強的任務設計。值得注意的是，目前僅有 Nano 版本已開放下載使用。
• Nemotron 3 Super：擁有 1000 億參數的高準確度推理模型，適合多 Agent 協作場景，預計於 2026 年上半年推出。
• Nemotron 3 Ultra：擁有 5000 億參數的重量級引擎，專為極度複雜的 AI 應用而生，同樣預計於明年上半年登場。

這種分級策略加上混合架構，讓企業能更靈活地分配算力。更多技術細節請見 Nvidia 的官方技術部落格。

ResembleAI Chatterbox Turbo：注入靈魂的開源語音

對於想要打造自有語音 AI 的開發者，ResembleAI 帶來了 Chatterbox Turbo。這是一個完全開源的語音克隆模型，它的特點不只是快，更在於「像人」。

這款模型擁有 3.5 億參數，在 GPU 上的運行速度比即時（Real-time）還快 6 倍，延遲僅 75 毫秒。你只需要短短 5 秒鐘的音訊樣本，就能完成高品質的語音克隆。

但最有趣的是它的**「副語言提示」（Paralinguistic Prompting）**功能。你不再需要忍受平鋪直敘的機器音，只需在文字中加入如 [laugh]（笑）或 [sigh]（嘆氣）的標籤，模型就能自然演繹出這些情緒反應，無需任何後期剪輯。

安全性方面，ResembleAI 也做得很好。每個輸出都內建 PerTh 隱形浮水印，確保生成的內容可被追溯。這款模型使用 MIT 授權，你可以直接在 ResembleAI 的 HuggingFace 頁面 下載，或查看 GitHub 專案。

Google Gemini 視覺報告：讓數據自己說故事

閱讀長篇大論的文字報告往往令人疲憊。Google 增強了 Gemini Deep Research 的功能，讓它不僅能寫，還能「畫」。

現在，Gemini Deep Research 可以生成包含自訂圖像、圖表甚至互動式模擬的視覺化報告。試想一下，當你在規劃行銷預算時，AI 不再只是給你文字建議，而是直接畫出動態的模擬模型，讓你看見不同變數下的預測結果。

這種將分析與圖表結合的能力，能將枯燥的數據瞬間轉化為直觀洞察。目前這項功能已向 Google AI Ultra 訂閱者開放。想體驗這種「活起來」的報告，請參考 Google 的產品更新公告。

Manus 1.6：Max 性能與行動開發新篇章

Manus 這次的版本號直接推進到了 1.6，帶來了許多實質性的突破。他們試圖用新的 Manus 1.6 Max 來解決 AI 需要人盯著看的老問題。

Max Agent：自主性更強

新的旗艦 Agent —— Manus 1.6 Max，引入了更先進的規劃架構。在雙盲測試中，使用者滿意度提升了 19.2%。它能處理從財務建模到自動生成報告等複雜工作流，大幅減少人工介入。目前官方針對新的 Max Agent 提供限時 50% 的積分成本折扣，想體驗旗艦效能的朋友不妨趁現在入手。

行動開發：說出你的 App

這是這次最讓人興奮的功能。你現在可以使用 Manus 來構建 行動應用程式（Mobile Apps）。只需描述你想要的 App 功能，Manus 就會處理端到端的開發過程。結合其優化的 Web 開發能力，無論是網頁還是手機 App，它都能搞定。

設計檢視：精準控制

Manus 1.6 還引入了全新的 設計檢視（Design View）。這是一個互動式畫布，允許使用者超越文字提示詞的限制。你可以精確點擊圖像局部進行修改，甚至直接編輯圖像內的文字，對於需要快速產出原型的團隊來說非常實用。更多詳情可見 Manus 1.6 Max 發布頁面。

Google 開源模型蓄勢待發

最後補充一則消息，Google 似乎正準備在 HuggingFace 上釋出新的開源模型。雖然細節尚未公開，但社群已經開始關注。建議大家留意 Google 的 HuggingFace 頁面，隨時可能有驚喜。相關消息來源可參考這則 Twitter 貼文。

常見問題解答 (FAQ)

Q：Nvidia Nemotron 3 的三種模型現在都能下載了嗎？ A：不是的。目前僅有輕量級的 Nemotron 3 Nano 版本已開放下載使用。更強大的 Nemotron 3 Super 和 Nemotron 3 Ultra 預計要等到 2026 年上半年才會正式推出。

Q：ResembleAI 的 Chatterbox Turbo 是免費的嗎？ A：是的，Chatterbox Turbo 是一個開源模型，採用 MIT 授權，這意味著你可以免費下載並在自己的設備上運行。此外，它雖然開源，但內建了 PerTh 隱形浮水印技術，確保生成的語音內容可被追溯，兼顧了靈活性與安全性。

Q：OpenAI 新的音訊模型主要解決了什麼問題？ A：這次更新主要大幅降低了「幻覺」（Hallucinations），也就是模型編造內容的情況減少了 89%。同時也提升了語音轉文字的準確度，並讓語音助手的指令遵循能力更強，減少了開發者在串接時的錯誤。

Q：Manus 1.6 的「設計檢視」有什麼特別之處？ A：它不再只是讓你用文字去「抽卡」生成圖片。設計檢視提供了一個互動畫布，你可以針對圖片的局部進行修改，甚至直接編輯圖片上的文字，這讓 AI 生成的圖像更具備實際用於生產環境的可控性。