先说结论:AI 开始“听你说”了,而且这次免费用户也有份
这两天的 AI 圈,最实在的一条消息不是哪个模型又考了第一,而是一个很小但天天用得上的更新:ChatGPT 的语音听写升级成了“实时听写”,边说边出字,10 分钟的录音上限也取消了,免费用户同样可用。
同一时间,谷歌把一个更“科幻”的东西交给了开发者:世界模型 Genie 4——用文字生成能走的 3D 场景,还能一边逛一边改。
一个在解决“你怎么跟 AI 说话”,一个在探索“AI 怎么生成一个世界”。今天早报把这两件事讲清楚。
一、ChatGPT 实时听写:告别“说完再等转写”
先说多数人能用上的这个。以前在 ChatGPT 里按住麦克风说一大段话,屏幕上只有一条跳动的声波线,说完还得等转写跑完才知道它听成了什么,有时候还会弹一句“转录失败”,几分钟全白说。
根据 OpenAI 帮助中心 11 月 18 日的更新说明,这次升级改了四件事:
- 边说边出字:话一出口,文字同步出现在输入框里,不用等整段说完再转写;
- 取消 10 分钟上限:长口述不用再掐着表切段(官方没有公布新的上限,别真把它当无限录音笔用);
- 随时隐藏文字:点一下语音波形,就能显示或隐藏实时转写,在地铁、咖啡馆里不用怕旁边人看到你说了什么;
- 全量分批推送:iOS、安卓、网页和桌面四端都在推,免费用户也在覆盖范围内,没看到入口就再等几天。
实时出字最大的价值,其实是能当场发现识别错误。以前语音转文字最烦的就是专业名词和数字:你说 Claude,它写 Cloud;说 Token,它给个“偷啃”。现在边说边看,错了当场重说一遍就行。
两个边界要说清楚:第一,这是“听写”,把你的话变成待发送的文字,不是语音对话模式——想要 AI 用声音跟你来回聊,走原来的语音对话入口。第二,官方没有公布延迟和准确率指标,嘈杂环境、多人同时说话的效果另说,发出前最好还是通读一遍。
在意隐私的读者可以在设置里的“数据控制”中管理听写音频的共享:关掉包含录音的选项,或者关闭用于模型改进的共享。
二、谷歌 Genie 4 开放:文字生成一个能逛能改的世界
另一边,谷歌把世界模型 Genie 4 接入了 Gemini API 的 Interactions API,并在 Google AI Studio 提供交互画布和入门示例。注意这次的开放对象主要是开发者,和之前面向部分 Ultra 订阅用户的 Project Genie 体验是两回事。
它能做什么:用文字、参考图或者两者结合做起点,生成每秒 24 帧、720p 的可探索场景,画面会同步生成环境声、音效甚至角色对白。你可以用键盘在场景里走动,也可以一边逛一边输入文字——改天气、改光照、改物件,或者直接改“正在发生的事”。
生成的画面带有不可见的 SynthID 水印。简单说,这是“AI 不只生成一张图,而是生成一个能进去待着、还能随手改布景的小世界”。什么时候普通用户能在手机上用上,谷歌还没给时间表,先关注后续的产品化动作。
三、快讯两条
- Anthropic 挂牌首日收涨约 17%:据美联社等媒体报道,Anthropic(代码 ANT)首笔成交 111.50 美元,首日收于 97.17 美元,较 83 美元发行价高约 17%。昨天早报写过它的发行规模和那张远期算力账单,这里不重复,只提醒一句:股价是市场定价,跟模型好不好用是两回事。
- 苹果在招“AI 智能体”工程师:据彭博社(The Verge 转述)报道,苹果正在招聘一位工程师,牵头打造能跨应用、浏览器、命令行、代码和 API 工作的智能体助手,还提到子智能体(sub-agents)的概念,与 Siri、UI 框架和基础模型团队相关。要强调的是:招聘启事只能说明意向和投入方向,不等于产品,更不等于发布日期。Siri 的翻身仗还要再等。
四、跟你有什么关系:口述可能比打字更适合“喂长指令”
很多人用 AI 效率上不去,卡在第一步:提示词懒得打。描述一个复杂任务要打两三百字,打字累,手机上更累,于是每次都只说一句话,AI 也只能给个泛泛的回答。
实时听写这类功能解决的正是这个卡点——对着麦克风把需求一口气说清楚,边说边核对。今天网站同步发了两篇配套内容:一篇手把手的听写上手教程(含国内可用的替代方案),和一组“口述速记整理”提示词模板。你可以在本站搜索找到。
就算暂时用不上 ChatGPT,思路也是通的:手机自带的语音输入、微信的语音转文字、讯飞输入法、豆包的语音入口,都能先把话变成字。工具不挑贵,顺手就行。
信息来源:OpenAI 帮助中心 ChatGPT 更新说明(2026 年 11 月 18 日);Google 官方博客 Genie 4 开发者公告;美联社关于 Anthropic 首日交易的报道;彭博社(经 The Verge 转述)关于苹果招聘的报道。以上均转述官方或原始媒体口径,未采用二手自媒体数据。