“欢迎大家出席出门问问2019战略新品发布会,接下来有请出门问问创始人李志飞先生上台”——这一段简单的“主持人”开场白,来自“李志飞”本人。
李志飞介绍道,这是以他录制的10分钟音频为素材,再通过算法自己生产的这段主持文字,所以主持人不是李志飞,而是“机器人”。
李志飞不止一次的强调,出门问问要“定义下一代人机交互方式”,让人和机器的交互更加高效、自然。经过了7年多的探索,出门问问积累了两个跟人机交互相关的能力,一个就是语音交互,一个就是软硬结合的能力。他把语音交互比作灵魂,而软硬结合的产品则是它的身体,灵魂只有跟身体结合起来,最后才能产生出比较好的交互方式。
多年来,出门问问凭借自身过硬的技术,再通过核心技术开发自己的软件和硬件的产品,慢慢摸索出出门问问的商业模式,一方面是to c,另外还把to c的技术转化成to b的解决方案,并提供给第三方。
本次活动的主角是全新的TicPods 2系列AI交互真无线耳机,这也是出门问问在探索人机交互的过程中很重要的一步。
外观及工艺
TicPods 2系列采用时下流行的真无线半入耳式设计,两个独立的耳塞体积小巧,单个重量仅为4.2g,可长时间佩戴。充电盒更加迷你,比上一代产品在体积上减小了42%。
耳机在充电触点处采用了POGO PIN七镀层工艺,带来了出色的耐磨性和防腐蚀能力。耳机内部,TicPods 2系列采用了5轴曲面点胶工艺,保证了耳机整体的可靠与坚固。续航方面,TicPods 2支持快速充电,充电5分钟能够实现1小时音乐播放,搭配充电盒的情况下,TicPods 2能够实现23小时的综合续航时间,确保用户能够进行长时间持续聆听,不被电量困扰。
TicPods 2系列提供三种缤纷配色供选择,包括直蓝、表白、圈粉。
音质与连接
TicPods 2系列搭载了13mm动圈大喇叭,采用蓝牙5.0配合高通apt-X高规格音质协议,随时为使用者带来出色的立体声表现。
相比上一代产品,TicPods 2系列拥有更大的声场,声音素质上带来了下潜更深的低频以及质感更出色的细节能力。观看视频或者酣战游戏时,TicPods 2系列搭载的全新低功耗低延迟高通QCC5121芯片能够给使用者带来音画同步的绝佳体验。
使用耳机通话时,TicPods 2支持的第八代CVC降噪算法能够精准处理通话过程中产生的回声,其中TicPods 2额外搭载了双麦克风来实现更出色的通话降噪效果,保证用户在地铁或其他室外嘈杂环境下依然能够无忧使用。
头控与其他功能
TicPods 2系列产品基于消费者对于无线耳机的语音交互需求和各类痛点入手,不仅有Tickle挠挠触控,TicMotion头部姿态控制,还把语音交互赋予了耳机。
TicPods 2系列保留了前代产品上经典的TickleTM挠挠触控功能,用户只需在左右耳机外侧的条纹处进行滑动、点按即可完成多种操作。
自主研发的TicMotionTM头部姿态识别算法,当用户佩戴耳机收到来电时,只需轻轻点头或摇头即可实现接听或挂断。在类似购物、驾驶、下厨等双手占用的场景下,使用耳机的头部姿态进行通话操作省去了拿出手机、查看来电、滑动接听的步骤。
佩戴TicPods 2随时说出“嗨,小问”就能够唤醒嗨小问语音助手,能快速记录“停车位”、“房间号”、“日程表”的小问秘书,还能识别19国语言的“小问翻译对讲机”。
基于出门问问在语音交互领域的大量积累,TicPods 2针对用户的高频语音交互需求全新支持了免唤醒的快捷口令功能。用户在使用耳机播放音乐时可随时说出“下一首”、“开始播放”、“停止播放”三个语音指令来控制音乐;收到来电时,可以说出“接听”、“挂断”两个语音指 令进行相应操作;消费场景下,用户也可以随时使用快捷指令“我要买单”来调起支付宝软件, 高效直达支付页面。
TicPods 2系列产品于昨日在出门问问官方商城、京东、天猫、小米有品同时开启为期十天的预售,预售期到手价格599元起。
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。