1112 | AI新工具速览：从打电话代理到本地小模型

茉莉: 大家好，欢迎收听今天的节目，我是茉莉。

白桦: 我是白桦。今天我们准备了一整套值得聊的产品和更新，它们之间其实有一条暗线：AI正在从聊天框里走出来，变成替你做事、替你说话、替你做决定的助手。

茉莉: 对，从打电话、语音识别，到本地代理、图像编辑，再到一些贴近生活的小工具，我们尽量不只报个名字，而是把每一件事讲透：它到底解决谁的什么问题，证据有多硬，还有哪些地方我们其实不知道。

白桦: 那就从最直观的开始——让AI替你打电话。

茉莉: 这个方向今天有两个很不一样的代表。一个是Mitra MCP，它让AI代理用你的个人号码去打电话，而且通话中如果需要，还能把你这个人接进来。它支持Claude、ChatGPT和Grok这些代理来调用。

白桦: 用个人号码这一点其实挺关键的。想象一下，AI替你打电话订餐厅、问事情，如果用的是一个陌生号码，对方可能根本不接或者很警惕。用你自己的号码，通话体验就跟你自己打过去一样，而且这个设计暗示了一件事：它是替你出面，不是替另一个机器人出面。

茉莉: 中途接入这个功能也很值得说。比如AI打电话去问一个复杂的事，说到一半发现对方的回答超出了它的处理范围，它可以直接把你拉进通话。这就不是完全外包，而是一种协作式的外包。

白桦: 不过这里有几个我们不知道的东西。第一，实际通话成功率有多高？打电话这件事比聊天难多了，对方会不会配合、听没听懂，都是现实问题。第二，隐私边界在哪——你的号码交给代理，通话内容存不存、给不给模型厂商，这些都没说清楚。

茉莉: 另一个产品CALL-E走的是完全不同的路线。它也是AI代理代打电话，但它的流程是：先给你一份计划，你确认之后它才拨号。它能过电话菜单、能hold、能留言，打完之后返回摘要和转录。新用户还送100积分。

白桦: 这两个放在一起对比特别有意思。Mitra强调的是"这是你的号码，必要时你亲自来"；CALL-E强调的是"你看清楚我要做什么，打完给你完整记录"。一个把透明放在事前的计划确认，一个把记录放在事后的摘要转录。

茉莉: 对，两种透明哲学。CALL-E那边的摘要和转录其实解决了一个真实痛点：你自己打电话经常没记下对方说了什么，回头就忘。AI打完给你一份文字记录，这个价值不只是省事，还有留痕。

白桦: 但同样，这些能力描述都来自产品方自己的介绍。能不能真的稳定过菜单、hold多长时间会不会断、留言留得自不自然，这些我们没法替大家验证。挑的时候可以把这些当claim来看。

茉莉: 说完AI会"说"，我们自然要问一句：它"听"得怎么样？语音识别这个领域最近是两条路同时在推进。

白桦: 先说云端这条路。ElevenLabs发布了Scribe v3，比v2的词错率低了27%。支持90多种语言，能做32个说话人的分离，允许你自定义1000个词，还有一个Live版本，延迟低于150毫秒。

茉莉: 27%的错误率下降不是小数目，这是通用高精度方案的迭代。说话人分离32个，意味着会议、多人对话这种场景它能处理。自定义1000个词则很实用——你的行业里那些专有名词、人名、产品名，通用模型老听错，你可以自己教它。

白桦: 然后是另一条路，端侧。Earlybird是个29M参数的模型，整个才16.8MB，能在设备上做流式语音识别。最惊艳的一点是：它在你说完之前90毫秒就能预测出那个词，而且是带置信度的。权重开放。

茉莉: 16.8MB是什么概念？大概就是一张手机照片的大小。这意味着它不需要联网，不需要云端GPU，跑在耳机、手机、嵌入式设备上都行。而且它预测词的时候告诉你"我有多大把握"，这对下游应用很重要——置信度低的时候可以等你把话说完再确认。

白桦: 所以这两条路的分工很清楚：Scribe v3是云端追求"最准"，Earlybird是端侧追求"最本地、最快、可自托管"。一个不联网不行，一个不联网更好。这不是谁取代谁，是场景在分化。

茉莉: 我们还不知道的是Earlybird在噪声场景下的表现。安静环境下端侧小模型都还行，但地铁里、咖啡店里，16.8MB的模型能不能撑住，这是真正的考验。端侧方案最终能不能普及，就看这一关。

白桦: 聊到"更本地"，正好可以接着说本地AI的基础设施。这块今天凑齐了三个关键件：运行环境、驱动模型和硬件判断。

茉莉: 先看运行环境。n8n开源了一个个人代理叫Nod，跑在Mac或者PC上，自带虚拟机和浏览器。它的执行原则是"先许可后执行"——要做什么先征得你同意。测试里98%的任务完成了，协议是Apache 2.0，免费。

白桦: 自带虚拟机和浏览器这一点说明它是真想替你操作，不是光嘴上说说。你让它去网页上办事，它得有个真实的浏览器环境。"先许可后执行"这个原则我觉得会成为个人代理的标配，后面我们还会回到这个话题。

茉莉: 驱动模型这块，Meta发布了Muse Ember，是他们最小的多模态推理模型，专门面向代理的高频执行任务。1M上下文，输入价格是每百万token 0.10美元。它主打的就是低门槛、可以大批量跑的那种执行场景。

白桦: 每百万token 0.10美元的输入价格，摆明了是冲着"让代理跑很多很多步"去的。代理执行任务时调用模型的次数是普通聊天的几十上百倍，价格降不下来，代理就跑不起。所以这个模型的定位其实跟Nod这类运行环境是配套的。

茉莉: 但要强调一下，Muse Ember在执行任务上的可靠性到底如何，产品方之外没有更多证据，这是一个未知的点。模型小、便宜是一回事，执行稳不稳定是另一回事。

白桦: 第三个件是硬件判断。一个叫RigSpark的开源Rust工具，它检测你的内存、GPU和磁盘，然后告诉你本地能不能跑某个AI模型、速度大概什么样。

茉莉: 这个解决的是一个特别实际的困惑：我看中一个模型，想本地跑，但我不知道我的机器行不行。下载几十GB之后才发现跑不动，这种挫败感很多人都体验过。RigSpark是先帮你算清楚再动手。

白桦: 把这三个放在一起看就很有意思：Nod是给你一个能干活的代理环境，Muse Ember是给代理一个便宜的小脑，RigSpark是告诉你你的机器配不配得上这套东西。本地代理从"要不要"变成了"怎么搭"的问题。

茉莉: 而且支撑这套图景的还有周边。比如Skipbox，它提供自有VM的GitHub Actions热身运行器，每月39美元，4vCPU、8GB内存、分钟数不限，缓存保留、凭据用后清除。CI冷启动慢是开发者的老毛病，热身运行器就是提前把环境准备好。

白桦: 还有Skillbox，一个AI技能统一库，同步Claude Code、Cursor、Codex这些工具，每个版本会扫描提示注入，还有一个叫Trim的功能用来压缩命令输出。技能同步加安全扫描，说明AI编程工作流的痛点已经从"能不能用"变成了"怎么管好、管安全"。

茉莉: 说到"管好、管安全"，正好引出下一个话题：代理干活的时候，哪些步骤自动，哪些必须回到人手里。

白桦: Stiro是做在SaaS产品里的AI引导代理，它陪用户在真实产品里完成操作。注意它的护栏：发送、花费、删除这类动作，它会交还给用户自己确认。它带着你走，但按最终那个按钮的是你。

茉莉: 另一个叫Relay，思路不太一样。你发文档的时候，可以附带上下文给对方的AI；然后那些需要你决策的问题，比如折扣日期这种，会回传给你。它的schema是开源的。

白桦: 这两个产品加上前面Nod的"先许可后执行"，其实在回答同一个问题：AI参与工作流时，责任边界怎么画。Stiro画在破坏性动作上——发送、花钱、删除，这些永远归人。Relay画在业务决策上——折扣日期这种涉及钱的判断，机器不擅自定。

茉莉: 我觉得这种"带护栏的代理"会成为标配，原因很简单：信任是代理产品的入场券。用户愿意让AI做99%的琐碎事，但剩下1%的关键决定，必须留在自己手里。哪一家把这一条做得清楚、做得自然，哪一家才可能被大规模使用。它不是限制，是让代理能被用的前提。

白桦: 而且这个边界的设计本身在演化。早些时候的思路是"全自动或者人工全管"二选一，现在我们看到的是细粒度的分界——具体到某一类动作、某一种决策。这说明行业对"人机协作"的理解在变细。

茉莉: 从代理怎么干活，我们转到AI能产出什么。图像生成这个领域，最近的关键词已经从"会画"变成了"可控可改"。

白桦: 两个代表。一个是MiniMax的H3-Image，开源权重模型，6步扩散，原生16MP分辨率，4K的图不到10秒就能出，支持16张参考图，本地部署大概需要69GB的空间。

茉莉: 6步扩散意味着生成速度很快，原生16MP和4K意味着它不是先出小图再放大，而是一步到位的高分辨率。16张参考图这个数字值得注意——你可以给它一堆视觉素材，让它在此基础上控制风格和内容，这已经是相当强的可控性。

白桦: 开源权重加上本地69GB，说明个人和小团队可以完全在自己机器上跑这个东西，数据不出门，也不按张付费。这是开源图像模型的实用价值。

茉莉: 另一个是字节的Seedream 5.5，主打商用级的局部编辑：100轮局部编辑，而且像素级保留未改动的区域，原生透明背景，文本渲染也有提升。

白桦: 100轮编辑加像素级保留，这个组合解决的是图像工作流里最烦人的问题。你改了十几次图，前面改对的地方被越改越坏——这是现有工具的通病。Seedream承诺改100轮，没让你动的像素一个不动，这是把编辑变成了一种可以迭代的工作方式，而不是一次性赌博。

茉莉: 文本渲染提升也很实际，海报、UI、带文字的图，文字画不对一直是图像模型的软肋。这两个产品放一起，一个强调开源可部署和参考图控制，一个强调编辑精度和迭代稳定，方向是一致的：图像生成正在从"能不能画"转向"能不能按你的要求反复修改"。

白桦: 还不知道的是这两者在复杂文字排版上的实际差异到底有多大。文字渲染各家都声称提升了，但中文字、多行排版、小字号这些硬骨头，实际效果要用了才知道。

茉莉: 从创作工具转一下，看看AI在生活里的另一面——陪伴和整理。

白桦: Xolace是加纳团队做的情绪支持App。它有个概念叫The Fire，用这个词引导你写出感受之下的真实。反思功能是免费的，现在有350多个用户，累计一千多次会话。

茉莉: 加纳团队做情绪支持，这个视角本身就有价值——情绪支持产品大多从英语世界出发，不同文化里表达情绪的方式其实很不一样。350多用户、一千多次会话，规模不大，但这是一个真实起步的阶段，不用夸大也不必贬低。

白桦: Kippy AI做的是语言口语陪练。里面有三个角色：Kippy、Tippy、Yappy，它们有脾气、有记忆。支持双语切换，下载量接近40万。

茉莉: "有脾气"这个设计我觉得很聪明。练口语最怕的是对方永远和颜悦色、永远顺着你说——那不是真实对话。三个角色有不同的性格，对话就不模板化。"有记忆"意味着它记得你上次聊了什么，你不是每天从零开始。

白桦: 双语切换也实用，练到卡壳的时候切回母语，这种设计比"强制全外语"更符合真实的学习节奏。近40万下载说明口语陪练这个需求是真实存在的。

茉莉: 第三个是Subscriptrack，管订阅的。你把邮箱连上，AI就帮你找出全部订阅，单列一个每月总额，提醒你续费和试用到期，还给出213个服务的取消步骤。它不需要你的银行登录。

白桦: "不需要银行登录"这个设计值得单独说。同类产品很多要求你授权银行账户，那是个很高的隐私门槛。只用邮箱就能工作，说明它想通了——订阅确认邮件本来就在邮箱里，不需要去看你的钱。

茉莉: 213个服务的取消步骤这个数字很诚实，因为它承认了现实：取消订阅之所以痛苦，是因为每家的流程都不一样、都设计得很绕。它把这个痛苦拆解成了步骤库。

白桦: 这三个产品在完全不同的领域——情绪、语言、财务——但做的事是同构的：个性化的陪伴加可量化的整理。不过共同的未知点也是同一个：长期留存怎么样，还有情绪和财务这类数据的隐私怎么处理。

茉莉: 从"生活里的大件"往下走，还有一批小而美的日常工具，它们的共同点是低门槛、贴着具体场景做。

白桦: 先说个有画面感的。Mister Blocks，你拍一张LEGO散件的照片，AI直接给你一份可搭建方案，还带3D步骤说明。免费，基于Claude。

茉莉: 这个痛点特别真实。家里一大盒散装的LEGO，说明书早丢了，孩子想搭又不知从何下手。拍照给方案加3D步骤，等于把那种"这堆零件能拼成什么"的迷茫直接消除了。

白桦: 然后是Valin，iPhone和iPad上的全本地AI保存应用。它能转录视频和音频，提取里面的细节，然后用自然语言搜索，搜索结果还附来源。不需要账号。

茉莉: 全本地加无需账号，这是很强的隐私姿态——你的收藏、你的转录内容，全在你设备上。自然语言搜索加附来源，意味着你存进去的东西真的找得回来，不是存了就死的收藏夹。

白桦: 再来个更轻的。Binqo，Mac的刘海屏里住着一个点阵角色叫Mielo，提供音乐、日历、剪贴板、语音问答和会议笔记这些迷你应用。免费。

茉莉: 把功能塞进刘海这个位置很妙——刘海平时是"废地"，现在变成了一个常驻的小角色。有形象、有情绪，功能围绕它展开，这比一堆工具栏更让人觉得亲切。

白桦: 最后一个，Padrail，免费的Mac应用，把触控板四条边变成滑块。右边音量，左边亮度，底部键盘背光灯，顶边随当前应用自适应变化。

茉莉: 触控板的边缘本来没有功能，Padrail把它们变成了物理直觉的滑块——手指划到边就是调音量，不用去找控制中心。顶边随应用自适应这一条最聪明，说明它不是死的 UI，而是跟着你正在做的事变。

白桦: 这四个放在一起，没有一个是"大平台级"的产品，但每一个都戳在一个具体的日常瞬间上。而且Valin的全本地、Mister Blocks的免费，说明小团队现在完全可以做出私有、低门槛的AI工具。

茉莉: 从日常小工具转到创作和社区平台，这一组在降低两件事的门槛：创作和获得真实评价。

白桦: Shot.video，你用手机扫一个二维码，你的手机就变成多机位拍摄的一部分，不需要装App。多台手机同步录完后，AI给你出首剪，还可以按视线来切换镜头，切换方式你也能改。

茉莉: 多机位拍摄以前需要什么？多台专业设备、同步系统、剪辑师。现在扫个码，几个朋友每人拿一部手机就是一套机位。"按视线切换"这个细节很聪明——谁在说话、谁的镜头该给，AI看得出来。

白桦: nizima ACTION!!是Live2D官方出的浏览器视频编辑器，支持PSD分层导入、嵌套场景和关键帧动画，beta阶段免费。Live2D的创作者现在不用离开浏览器就能做视频。

茉莉: 官方下场做编辑器，说明Live2D内容的需求已经大到值得官方投入。PSD分层导入意味着美术资产可以直接从Photoshop工作流里过来，不用重新拆解。

白桦: 然后是Reddit Reviews，这个不太一样。Reddit把它社区里的产品讨论整理成了评论页，先覆盖美国大约一万个商品，四个品类，计划2027年扩张。

茉莉: 这个的分量在于：Reddit上的产品讨论是真人真实使用后的吐槽和推荐，跟电商里那些来路可疑的五星好评完全不同。Reddit把它整理成评论页，等于把社区的真实声音变成购买决策的入口。

白桦: 不过这里要保持清醒。整理成评论页这件事本身带着编辑视角——哪些讨论被选进来、怎么呈现，都是平台的选择。它是"真实评价"的更好来源，但不是中立的全部。对购买决策的影响会怎样，要看它被用起来的程度。

茉莉: 从社区平台转到开发者桌面，最后一组工具链。

白桦: 这一块我们刚才提过Skillbox和Skipbox，这里把它们放到完整的桌面图景里说。Skillbox解决的是技能同步：你给Claude Code写的技能、给Cursor写的技能、给Codex写的，一个库统一管理。而且每个版本都扫描提示注入，Trim功能压缩命令输出。

茉莉: 提示注入扫描这个点我特别想强调。AI编程工具的技能库本质上是往模型上下文里注入指令的东西，如果有人在里面藏了恶意指令，影响会很深。把扫描做成每个版本的默认动作，说明安全意识正在变成AI工具链的基本配置，这是个值得持续观察的新趋势。

白桦: Skipbox那边的痛点也很具体：GitHub Actions的冷启动。你的CI job每次都要等虚拟机启动、等缓存恢复，一天几十次构建，等待时间加起来很可观。Skipbox给你一台自己的VM做热身运行器，39美元一个月，4vCPU、8GB、分钟数不限，缓存一直保留，凭据用完就清除。

茉莉: 凭据用后清除这一条很关键，因为把第三方VM接入CI最大的顾虑就是密钥安全。缓存保留意味着热身是真的热——不是每次都冷启动。

白桦: 最后是StableBar，Swift写的开源macOS菜单栏。可以用设置窗口也可以用JSON配置，支持AeroSpace和yabai这两个窗口管理器的工作区，还有7个主题。

茉莉: 菜单栏看起来是小东西，但对重度macOS用户来说，它是桌面效率的中枢。开源加JSON配置，意味着社区可以自己改造它。

白桦: 这一组的逻辑和前面本地代理那一段是呼应的：AI编程工作流的痛点已经从"工具够不够"变成了"配套全不全"——技能怎么同步、安全怎么扫、CI怎么提速、桌面怎么顺手。

茉莉: 最后我们收在一个完全不同的方向上：AI在垂直商业问题上的落地。

白桦: ScroogeFrog AI，做广告点击欺诈检测。它的做法是用转化数据来训练模型，审计网站流量和Google Ads，然后给出可执行的整改建议。

茉莉: 它的差异化就在"用转化数据"这四个字上。传统反欺诈主要看流量特征——点击频率、来源异常这些。但作弊者会模拟出很正常的流量。转化数据骗不了：点了之后有没有真的转化，模型看的是最终结果，这跟前面说的"代理要看最终产出"其实是同一个思路。

白桦: 对企业来说这有直接的价值——广告预算被点击欺诈吃掉多少，很多广告主根本不知道。给出可执行建议而不是一份数据报告，也说明它想停在"你能动手做什么"这一步。

茉莉: 但诚实地讲，还有两个未知：一是误判率，把正常用户误判成欺诈流量，那是直接损失；二是它对中小广告主的适用性，中小主的流量规模小，模型训练数据够不够，这些都没说。

白桦: 把它放在最后收尾很合适。今天的节目从代理打电话开始，中间经过语音识别、本地基础设施、人机护栏、图像生成，到生活工具、创作平台、开发者工具链，最后落在一个纯商业的垂直问题上。你可以看到一条完整的谱系：AI既能处理最私人的日常，也能处理最具体的生意。

茉莉: 而贯穿始终的判断标准其实一直没变：这个产品解决的是不是真实的问题，证据是自己的claim还是可验证的结果，哪些边界还模糊。带着这三个问题去看每一个新产品，比记住任何一个名字都有用。

白桦: 今天就聊到这里，感谢收听，我们下次见。

茉莉: 再见。