作者介绍网易有道开源的实时流式 ASR 模型 Confucius4-R2T2 与 Jev 模型组合，可平替英语流利说的口语评测功能。R2T2 是真流式模型，以 160ms 间隔输出且具备 stable prefix 机制，保证已提交文本不被修改；Jev 则快速判断文本层面的漏读、多读和错读类型。两模型均为开源，可在 NVIDIA 显卡本地部署，适合在家朗读练习。作者也指出当前方案仅限文本层面纠错，读音纠错需接入音标识别模型，应对语序跳跃、替换词等复杂场景仍需更深入的声学模型支持。
作者实测了 HuggingFace 上多语种榜单第一、可本地部署的开源语音模型 Hojo-ASR-Multi-V1 和 Hojo-TTS-Light-40M。通过普通话、粤语、四川话及多国外语的实际听写测试，发现该 ASR 模型在普通话和粤语表现出色，但在方言虚词、专名和噪声场景下会出错；TTS 小模型在 CPU 上即可快速合成中英夹杂语音。文章还分析了模型体量、内存和 RTF 的关系，并给出不同场景下 ASR/TTS 开源模型的选型建议。
作者开发了一个免费开源的雅思背单词网站「词光」，收录 7298 个雅思词汇，每个词配有原创插画、英音美音发音和例句真人配音（使用 ElevenLabs 生成）。网站无需注册即可使用，通过词汇星图点亮星星的互动方式增加学习趣味。文章发布后获得大量好评，网友建议包括做成 App、支持自定义每日单词量、优化字体、改善配图记忆技巧等，作者均积极回应并表示会跟进改进，还计划支持初高中词库和扩展到其他学习领域。
作者发布无头剪映和配套剪映Skill的重大升级：1) 适配剪映11.6.0并继续兼容11.5和11.4.2版本；2) 接入Openverse，提供超过520万个免费音频文件用于视频音效；3) 将ASR模型从豆包切换到Step 2.5，成本降低五倍至0.15元/小时，支持毫秒级输出。作者分享了剪映11.6.0永久安装包网盘地址及无头剪映的GitHub开源地址，并展示了将口播类视频剪辑全程托管给Codex的自动化能力。帖子回复中作者还确认该工具可配合Claude Opus 5.5实现长视频精彩片段自动提取剪辑，Windows版本也即将推出。
文章介绍了开源项目 VoiceStudio（作者 debpalash），一个纯 Python、AGPL-3.0 协议的本地配音工具，定位为「开源、全程本地的 ElevenLabs 平替」。它支持声音克隆、声音设计、带时间轴对齐的视频配音、语音转写、有声书和批量任务，只需几十秒参考录音即可抽音色，官方支持六百多种语言。项目半年内获得约 6.7 万 Star，桌面端基于 Electron，数据全部留在本地不上传云端，兼容 NVIDIA CUDA 和苹果 Metal，并提供 Local API 和 MCP 供 Claude Code、Codex 等 Agent 调用。文章同时提醒性能受硬件限制、授权需分别确认，以及克隆声音必须取得对方授权。
Mathias Strasser（Scissero）基于 Qwen3.5 和 Gemma 4 微调出 Jeff 系列 0.8B/2B 决策模型，用于零样本分类：输入描述与选项，一次前向传播返回各选项校准概率。模型在 RTX PRO 6000 上约 22 毫秒、M4 Max 上 28 毫秒即可完成一次决策，0.8B 仅 1.7GB，可直接本地部署。整体基准分 Jeff-2B 达 83.1，几乎追平 Jev 的 83.0；Doom 零样本测试中 Jeff-0.8B 在无人提示规则下达到 6.55，追平 Jev 公布成绩。作者诚实列出局限：不能推理、最多 26 个选项、只支持英文文本等。代码 MIT、权重 Apache 2.0 开源。
Jared Palmer（Cognition）开源了 Kev，一族建在 Qwen3.5/3.8 之上的 Jev 式小型决策模型（0.8B~27B，Apache-2.0）。文章介绍了 Kev 与 Jev 的对比数据：Kev-27B 在新数据源上与 Jev 相差一个点以内，但作者强调这不是受控比较。最有价值的部分是完整的微调闭环：通过 coding agent 的 skill，可自动从用户代码中找出问题、转换已有标签、在 Modal 上微调并部署，一次 Kev-4B 训练在 H100 上约 1 美元，示例中把准确率从 67.7% 提到 73.6%。文章还总结了校准温度、问题隔离设计等工程细节，以及作者诚实的自我限制态度。
作者介绍了基于 TypeSafe 发布的 Jev 模型构建信号驱动外呼机器人的方法。Jev 比通用模型快约百倍且成本极低，可为每个销售线索快速打分。作者团队曾用 Claude 做信号驱动 SDR，两周内约到 19 次会议，回复率 12%。文章详细拆解了开源项目 signal-ranker 的架构：watch.py 通过日期文件对比追踪招聘重发、融资等信号，judge.py 负责调用 Jev 评分，policy.py 用纯代码实现门槛与权重，两者分离以便复用已付费的判断结果。支持用 Claude Code 自行拉取线索或使用 yourmax.ai，可放入 Claude Code 或 Codex 终端复现。
剪映官方推出 Agent，走封闭全家桶路线，能力仅限软件内并售卖 AI 会员。与此相反，逸尘开源的逆向项目 jianying-headless 将剪映控制权交还外部 Agent：可用 Codex 一条指令批量粗剪、加字幕、配 BGM；借助 DeepSeek 和豆包 ASR，一小时视频成本不到一块钱；生成的是剪映原生工程文件，可随时人工微调。作者认为这是目前最自由、成本最低的视频剪辑自动化方案，并建议大家尽快 Fork 以防项目被下架（404）。该项目替代了此前用 Computer Use 模拟鼠标操作的笨办法。
作者分享其逆向剪映的开源项目 jianying-headless，以及配套的 yichen-jianying-edit Skill。用户只需简单提示词，即可将口播类视频剪辑工作全程托管给 Codex 自动完成，无需人工操作。项目调用豆包 ASR 进行毫秒级语音切割，生成的剪映草稿即使有误也可人工微调。作者展示了8分钟视频自动剪辑为3分钟的对照效果。成本主要包括 Codex Token 费用（可用便宜模型替代）和豆包 ASR 费用（每小时约0.8元）。文中还提及 TradeWinds 社群第二期开放的消息。
本文介绍 Google 最新的语音转文本模型 Gemini 3.5 Transcribe，重点讲解其实时流式端点 gemini-3.5-transcribe-live 如何通过 WebSocket 以亚秒级延迟实现低延迟语音交互。作者以实时辩论代理为例，展示如何结合 Agent Development Kit (ADK) 构建多智能体流水线：在用户仍在说话时流式获取中间转录结果，经 Gemini 3.7 Flash 做意图过滤，后台并行触发 Google Search grounding 检索证据，最后通过 Cloud Text-to-Speech 生成自然语音回复。该模式支持 85+ 语言，适用于会议实时查证、呼叫中心坐席辅助、交互式语音机器人、直播字幕等场景，消除了传统语音应用的等待延迟。
作者对比了Typeless、闪电说、豆包输入法和网易新推出的叭哥说四款AI语音输入法。叭哥说采用双模型架构（ASR语音识别+纠错润色），实现E2E平均1683ms的极速识别，支持小声拾音、专业术语识别、个人词典导入、多语言翻译和粤语识别等功能。文章通过小声嘀咕、长Prompt输入、翻译等多个场景实测，认为叭哥说基本补齐了竞品的短板，并展望语音输入让人机交互回归自然口语表达的未来。
作者开源了基于 Codex 构建的本地只读微信个人情报库项目 wechat-intelligence-hub，可将数万条微信聊天记录转化为全自动助理。核心功能包括：总结群聊私聊、追踪待回复事项与承诺、识别商单合作线索、检索历史聊天、生成 Markdown/HTML 报告、持久化机会管道、个性化回复建议和重点联系人管理。系统仅本地只读，不替用户发送消息，不做注入或 Hook。作者还提供了让 Codex 自动配置密钥与解密的傻瓜式安装流程，并回应了关于封号风险的质疑，同时宣布启动个人社群。
