Edge 浏览器推出 Copilot Vision：免费实时解析屏幕内容；Aqua Voice：极速 AI 语音输入工具丨日报

news2025/4/18 22:49:23

在这里插入图片描述

开发者朋友们大家好

这里是 「RTE 开发者日报」 ，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement）领域内「有话题的技术」、「有亮点的产品」、「有思考的文章」、「有态度的观点」、「有看点的活动」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。

本期编辑：@赵怡岭、@鲍勃

01 有话题的技术

1、微软 Edge 浏览器免费上线 Copilot Vision 功能，可实时解读屏幕内容

4 月 17 日，微软人工智能首席执行官穆斯塔法・苏莱曼在 Bluesky 平台宣布，Edge 浏览器现已免费提供人工智能助手功能「Copilot Vision」。该功能可解读屏幕内容并协助用户操作应用程序。

例如，用户烹饪时可通过「Copilot Vision」获取食谱指导，或让它解析职位描述并直接进入面试准备或求职信撰写环节。微软官方支持页面提示，该功能虽能高亮显示屏幕内容辅助查找信息，但不会代替用户点击链接或执行具体操作。（@IT 之家）

2、OpenAI 发布最强推理模型 o3 和 o4-mini：图像深度思考首秀，还能自主调用工具

北京时间 4 月 17 日凌晨，OpenAI 发布了两款突破性 AI 模型——o3 和 o4-mini，它们能通过图像进行推理，并可自主调用多种工具。

这些推理模型可以自主组合并使用 ChatGPT 内的所有工具——包括网页搜索、利用 Python 分析上传的文件和数据、对视觉输入进行深入推理，甚至还能生成图像。最重要的是，这些模型不仅能判断何时使用工具，还能决定如何使用工具，从而以正确的输出格式，在一分钟内给出经过深思熟虑的详细回答，帮助解决更复杂的问题。（@腾讯科技）

3、微信首个 AI 助手，「元宝」正式入驻

在这里插入图片描述

据官方介绍，元宝 AI 是腾讯元宝 APP 入驻微信的 AI 助手，搭载混元和 DeepSeek 双模引擎，无缝衔接微信生态。目前，微信用户可以在微信中搜索「元宝」，亦或者直接扫描上面的二维码图片，将其添加到通讯录，即可与它展开对话。

其亮点概括如下：

由腾讯混元大模型和 DeepSeek 提供 AI 服务，支持聊天，答题；
支持文字和语音消息输入，以联系人身份嵌入微信通讯录，聊天时会显示「对方正在输入…」;
生成部分内容时会提供跳转页面，支持跳转到元宝 APP 进行后续追问；
可自动解读转发的公众号文章，支持解析 100M 以内的文件，暂不支持理解视频或音频内容；
具有「记忆」功能，支持如查找、转发、清空聊天记录。(@APPSO)

4、OpenAI 正在构建社交网络

据外媒 The Verge 援引知情人士消息称，OpenAI 正在研发一个类似 X（前 Twitter）的社交网络。

项目还处于早期阶段，但据称内部已完成原型开发；
项目重点是 ChatGPT 的图像生成功能和社交信息流；
CEO Sam Altman 已私下向圈外人征求反馈；
尚不清楚这个项目是作为独立应用发布还是整合进 ChatGPT。

此前有传闻称，Meta 计划推出独立的 AI 应用，并计划将其与社交信息流结合，当时 Altman 在 X 平台发文暗示：「那好，我们也可能开发一款社交应用。( @APPSO)

5、Claude Research 上线，深度整合 Google

昨日凌晨，Anthropic 宣布 Claude 将上线 Research 功能和 Google Workspace 深度集成。Claude 本次新增的 Research 功能，与此前 OpenAI 在 ChatGPT 中所推出的 Deep Research 类似，能够主动进行多轮搜索，逐步深入问题并进行多角度探索，最后系统性地为用户提供更高质量的回答内容。值得一提的是，本次 Claude 的 Research 拥有代理式（Agentic）搜索框架，支持自主规划并执行多步骤搜索任务。

据悉，本次 Google Workspace 依靠 Anthropic 的 MCP 协议，这也意味着 Agent 的形态又一次变得清晰起来，真正能让用户少动手，高回报率地获得想要的内容。(@APPSO)

02 有亮点的产品

1、Aqua Voice：极速语音输入工具，4 倍提升输入效率

Aqua （@aquavoice_）是一款极速 AI 语音输入工具，现支持在任意文本框中使用语音输入，包括 Cursor、Gmail、Slack 及终端等各类界面。

其启动响应时间低于 50 毫秒，输入延迟最低仅 450 毫秒，同时拥有顶尖的语音识别准确度。

借助 Aqua，可将文字输入效率提升至原来的 4 倍。(@Y Combinator@X)

2、DeepTrue：全球首创实时唇语同步翻译视频会议平台

Deeptrue 是全球首款支持实时唇形同步翻译的视频会议平台。用户只需要用母语发言，系统会实时生成口型完全匹配的多语言翻译视频，使其他与会者看到和听到的将是同步翻译的流畅表达，且口型完全匹配。整个过程实时完成，实现完美的唇语同步效果，打造真正无缝的跨语言会议体验。(@Product Hunt)

03 有态度的观点

1、OpenAI CPO：AI 的科技创新浪潮才刚开始

在这里插入图片描述

OpenAi 首席产品官 Kevin Weil 表示，技术推动使人类在当今获得了许多进步，而技术是几乎一切的根源。

他指出，AI 模型正在以惊人的速度变得更智能、更快、更便宜和更安全，并且这种进步速度远超摩尔定律的预测。因此 Kevin 也强调：今天我们使用的 AI 模型只是未来模型的最基础版本，科技创新的浪潮才刚刚开始。

Kevin 还在对话中提到了 AI 与孩子的教育培养，应该是「共存」。Kevin 对 AI 个性化辅导的潜力十分惊讶，并表示「这应该是 AI 能做的、最重要的事情之一。」而对于培养孩子的兴趣能力，Kevin 虽然认同「编程」在很长一段时间内都很重要，但他更认为培养孩子的好奇心、独立、自信和思考能力才是更重要的。

另外，Kevin 还强调了「AI 不会取代创造力」。他通过自己的日常工作来阐述了这一点：用 Sora 生成多个不同版本的内容，同时进行头脑风暴，但最后依然会选择效果最好的一版，交给人类艺术家去制作最终版本。

视频对话链接：https://youtu.be/scsW6_2SPC4（@APPSO）

在这里插入图片描述