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

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

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

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）

更多 Voice Agent 学习笔记：

a16z合伙人：语音交互将成为AI应用公司最强大的突破口之一，巨头们在B2C市场已落后太多丨Voice Agent 学习笔记

ElevenLabs 33 亿美元估值的秘密：技术驱动+用户导向的「小熊软糖」团队丨Voice Agent 学习笔记

端侧 AI 时代，每台家居设备都可以是一个 AI Agent丨Voice Agent 学习笔记

世界最炙手可热的语音 AI 公司，举办了一场全球黑客松，冠军作品你可能已经看过

多模态 AI 怎么玩？这里有 18 个脑洞

AI 重塑宗教体验，语音 Agent 能否成为突破点？

对话 TalktoApps 创始人：Voice AI 提高了我五倍的生产力，语音输入是人机交互的未来

2024，语音 AI 元年；2025，Voice Agent 即将爆发丨年度报告发布

素材来源官方媒体/网络新闻