跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

谷歌给 Gemini 分层,这一轮 AI 发布潮把语音模型带向何处

据 9to5Google 10 月 3 日报道,谷歌将于 10 月 9 日把免费版 Gemini 用户降到 Flash-Lite,关闭 3.6 Flash 和 3.1 Pro 的访问。同一周里出现了一连串语音和翻译模型发布,而这些用户几乎一个都用不上。

人工智能与模型解释王雅琴发布: 2026年10月4日7 分钟阅读资料来源 8
谷歌给 Gemini 分层,这一轮 AI 发布潮把语音模型带向何处

谷歌这次改动范围小,手法直接。9to5Google 在 10 月 3 日转述的支持页面写明,没有付费 Google AI 方案的用户将失去 3.6 Flash 和 3.1 Pro。每月 4.99 美元的 AI Plus 订阅用户保留 Flash-Lite 和 Flash,失去 Pro。只有每月 19.99 美元的 AI Pro 和每月 99.99 美元或 199.99 美元的 AI Ultra 能保留全部三档。

对用 Gemini 做翻译或听写的人来说,关键在于:现在决定由哪个模型干活的是你的付费档位,而不是你的任务。免费用户想处理更难的语言对,拿到的还是 Flash-Lite。同一份支持文档说,AI Pro 用户将获得 Deep Think 选项,此前它只属于两个 Ultra 方案。文档还说,应用会为每个模型增加低、中、高三档推理强度。两篇谷歌公告都没有单独说明语音功能会怎样。9to5Google 指出,目前仍不清楚 Gemini 4 Argon 落在哪一档,也不知道它算 Pro 模型还是更高一层。

语音模型扎堆的一个月,谷歌占的份额不大

今年秋天,语音和翻译是 AI 发布潮里最热闹的一块。近期报道提到多款产品。腾讯开源了一个中英实时口译模型。Block 推出 Dessa,一个完全用人类语音训练的 AI 模型。微软发布新的 MAI 模型,面向实时和多语言语音。谷歌在 Meet 里加入 63 种语言的语音翻译。印度研究者发布 SraVaani,一个覆盖 65 种印度语言的语音模型。谷歌调整档位,就发生在这样的背景下。趋势是语音越来越便宜,也越来越本地化。与此同时,大多数人已经在用的那个助手,悄悄给自家更好的模型加了一道付费墙。

这一轮里最具体的新品是 Ideogram 4.5,10 月 4 日发布在公司自己的模型页面上。它是图像编辑模型,不是语音模型,但它的定价最清楚地说明了按次调用的 AI 成本往哪走。Ideogram 给出每张图的固定价格,不随提示词长度、参考图数量或分辨率变化。纯提示词生成时,低质量为 0.03 美元,中质量 0.06 美元,高质量 0.10 美元。涉及参考图或精确编辑时,高质量为 0.22 美元。极低质量在参考图和编辑端点上定价 0.008 美元,纯提示词生成不提供这一档。无需订阅。

这个固定费用值得和谷歌的订阅阶梯放在一起看。Ideogram 按图收费,谁都可以用多少付多少。谷歌按月收费,还把模型锁在门后。对做翻译工具的开发者来说,前者是随用量伸缩的一笔开支。后者是每月 9 号准时到来的一道天花板。

没人解决的窃听问题

语音也是隐私记录最差的输入类型,过去几天出了一个很清楚的例子。BleepingComputer 在 10 月 4 日报道,Anthropic 开始请 Claude 用户自愿提供语音对话用于模型训练。提示语写道:“允许我们使用你的语音数据来改进我们的 AI 模型。”该设置位于“设置”下的“隐私”中,默认关闭,与现有的聊天和 Claude Code 会话开关分开。因此用户可以允许语音训练,同时把文字排除在外。Anthropic 表示,用户之后可以关闭该选项或删除数据。

这算是这类请求里比较合理的版本。但它仍然是一个请求,而且恰好出现在谷歌把更好的 Gemini 模型变成付费产品的同一个月。对一个既想要好的语音识别、又不想付两次钱的用户来说,这两步方向相反:一次付钱,一次付录音。

Whisper 一类的本地模型是显而易见的出路,周边工具也在变好。在 CVE 计划的质量与自动化工作组任职的 Jerry Gamblin 在 10 月 4 日发布了一次运行结果。他通过 Ollama 新的 decision 端点调用 Cloudflare 的 Clef 模型,对过去 60 天内发布的全部 27489 个 CVE 做了分类。Clef 是从 Qwen 3.8 微调而来的 270 亿参数模型,Clef Flash 是从 Qwen 3.5 微调而来的 90 亿参数模型,两者都是 Apache 2.0 许可,权重放在 Hugging Face,都能在本地运行。他报告说,Clef Flash 在笔记本上为每个 CVE 回答两个问题,中位耗时不到一秒,不需要 API 密钥,也没有账单。那是分类任务,不是翻译,但它说明 90 亿参数的模型如今在笔记本上能跑多快。Gamblin 的发现是,非内核 CVE 描述中有 4.2% 从未说明安全影响,这更多说明 CVE 的写法,而不是模型。

模型厂商在争什么

OpenAI 在 10 月 4 日用自己的安全页面描述了另一场争斗。它说瓦解了一场有组织的行动,目的是从其模型中提取受保护的推理内容,最早的活动出现在 7 月第一周。据该文所述,操作者没有破解加密,也没有读取存储的对话。他们操纵交互,让隐藏的推理对请求者可见。其中包括把一段对话里的加密推理复制出来,再让另一段对话里的模型解密并转写。OpenAI 说,7 月 24 日和 25 日活动激增,来自 4000 多名用户的 16000 次请求。它说,涉及 15000 多名用户的相关提示模式已在 7 月 28 日前被完全阻断。它把其中一个核心集群归因于与 Kimi 开发商 Moonshot AI 有关联的个人,并表示尚不清楚所有操作者是否来自同一方。

这些都与语音无关。但对任何在托管模型之上做产品的人来说,它很重要,因为它说明模型的价值有多大一部分藏在厂商不公开的地方。一个依赖厂商推理层的翻译功能,会继承该厂商的安全状况和条款。依赖厂商转写栈的语音功能也一样。

研究方面,Lewis Mitchell 10 月 1 日提交到 arXiv 的论文提供了一种更便宜的办法,防止微调后的模型退化成重复输出。该方法仅凭原始文本估计熵率来筛选训练文本,不用模型的 log-probability。在 Llama-3.1-8B 上进行的六代 QLoRA 实验中,基于 logprob 的筛选在任何指标上都没有带来显著的文本多样性收益(p > 0.23)。熵筛选则多出 42% 的独特三元组、30% 的词汇量,重复减少 19%,全部满足 p < 0.001。论文 17 页,八张图,列入 NeurIPS 2026。对任何用合成数据微调语音或翻译模型的人来说,这是一份具体的操作方案,而不是一句警告。

应用商店正在搬进聊天机器人

TechCrunch 在 9 月 29 日报道,把 OpenAI 在 Dev Day 上的各项发布合起来看,ChatGPT 正在变成一个发现应用、运行应用的地方。OpenAI 称 ChatGPT 每周有 12 亿用户,它会在对话中途、在某个应用能帮上忙时推荐应用。扩展后的插件架构现在支持在聊天内渲染交互面板的扩展。“Sign in with ChatGPT”把用户的 AI 额度带进第三方应用,首批有 16 个合作方,包括 Cognition 的 Devin、Notion、Vercel 和 Figma。如果这套跑通,助手就成了分发渠道,它背后的模型就成了其他所有人都得绕道经过的东西。

把它和谷歌的档位调整放在一起,市场的形状更清楚。谷歌为使用更好的模型收费。OpenAI 送触达,留住模型。Anthropic 索要语音录音。Ideogram 按张卖图。每家对同一个问题给出不同答案:推理成本由谁付,付了又得到什么。

对本月想挑一个翻译工具的读者来说,实际的问题更窄。免费档实际跑的是哪个模型,它会不会毫无预告地变。录音去了哪里,有没有开关。如果这两个问题的答案都不让人满意,有没有足够好的本地选项。从过去一周的证据看,第三个答案变好的速度比前两个都快。

评论 0

资料来源

8
  1. 01Gemini app limiting what models free and AI Plus users can accessEN
  2. 02Google's new Gemini tiers cut free users to its weakest model and lock $5/month subscribers out of ProEN
  3. 03Ideogram 4.5: The most precise edit modelEN
  4. 04Anthropic asks Claude users to share voice data for AI model trainingEN
  5. 05Decision Models vs. CVE DataEN
  6. 06Disrupting a coordinated model-distillation campaignEN
  7. 07No Model Required: Text Entropy Rate Filtering Mitigates Iterative Fine-Tuning CollapseEN
  8. 08OpenAI's latest features take direct aim at the app store modelEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

王雅琴

王雅琴

人工智能、模型与技术

王雅琴负责FLASH24的人工智能、模型与技术报道,覆盖科技、人工智能与模型、媒体与互联网领域。她习惯直接查阅技术文档、模型卡与官方博客,而非依赖新闻稿,对未经核实的参数和跑分数据一概不放行。每篇报道前,她会逐项核对基准测试结果,对照论文原文与开源代码,确认版本号、数据集和评测条件是否一致。她常联系开发者与研究人员求证细节,也盯着各大厂商的发布会和论文截稿日期,横向比较同类模型的实际表现。私下她自建服务、折腾家庭网络,这让她对部署成本和真实算力需求有直观判断。她的原则是:没有可复现来源的数字,不写进稿子。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。