免费POC, 零成本试错
AI知识库

AI知识库

学习大模型的前沿技术与行业落地应用


收藏

Gemma 4 助力 Cue 打造极速端侧语音智能体交互体验

发布日期:2026-07-24 17:45:27 浏览次数: 2221
作者:谷歌开发者

微信搜一搜,关注“谷歌开发者”

推荐语

Gemma 4赋能Cue实现极速端侧语音交互,平衡真实声音与速度,让语音成为自然交互延伸,键盘可选。
核心内容:
1. Cue的使命:让语音成为自然交互方式,键盘可选
2. Gemma 4的价值:开放模型支持本地运行
3. 语音润色技术突破:延迟降低44%,本地架构设计

杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家

Cue 是一款运行在用户桌面上的语音 AI 智能体。只需按下快捷键并开口说话,无论是任何应用中的语音听写,还是读取屏幕内容、选择合适工具并采取行动的智能体任务,Cue 都可以精确执行。


  • Cue 

    https://heycue.io


Cue 想要实现的使命非常简单: 让 AI 成为人们通过语音 (而非打字) 与计算机交互的自然延伸。在 Cue 的愿景中,键盘在日常计算中应该是可选的,而非必需的。这一使命之所以切实可行,正是得益于像 Gemma 这样的开放模型,这类模型让小型团队也能够完全在用户的本地设备上运行。


  • Gemma 

    http://deepmind.google/models/gemma



润色语音: 平衡真实声音与速度


语音输入并不是直接以文本形式呈现的。它最初只是原始的语音转文本 (STT) 输出流: 其中包含语气词、缺失的标点符号、同音字错误,以及说话者原本打算保留的自我修正。将该数据流转化为干净、高保真的文本,并且速度要快到不中断用户体验,是任何语音优先界面所面临的核心工程难题。


从说话到看到文本之间,只要间隔超过约 500 毫秒,就会让人感觉到延迟,而这种延迟会打破 "语音比打字更快" 的错觉。Cue 之前基于云端的 "润色" 步骤为每次交互增加了 800 至 900 毫秒的延迟。此外,团队测试的其他模型往往存在 "过度编辑" 的问题: 将随意的日常口语润色成正式的书面语,丢弃自我修正,并在这一过程中抹去了说话者的个人风格。团队希望生成的文本读起来像用户自己说的话,而不是像模型生成的。


集成 Gemma 4 E4B 后,延迟大幅降低了 44%,中位数延迟从 876 毫秒降至 488 毫秒。如今,"润色" 步骤始终能在团队为 "感觉比打字更快" 所设定的感知预算时间内完成。

△ 润色步骤的延迟是在 Apple Silicon (M 系列芯片) 上通过 Ollama 测量的,测试基于包含英语和混合语言输入的 227 个真实语音样本基准。单用户听写使用量是在默认切换前后的四周内,对活跃测试版用户统计而得。数据截至 2026 年 5 月。


  • Gemma 4 E4B 

    http://deepmind.google/models/gemma


Cue 的润色架构设计得非常简单。用户按住快捷键并说话,音频通过云端 STT 被转录为原始文本。然后,该原始文本通过 Ollama 被发送到在用户设备上本地运行的 Gemma 4 模型,并带有一个紧凑的、大约 400 个 Token 的系统提示词,该提示词编码了 Cue 的格式化规则: 

  1. 恢复标点符号并将数据流分割为句子;

  2. 去除语音中的语气助词;

  3. 通过理解上下文语境,修正相关的同音字;

  4. 根据当前输入框类型调整格式 (例如,对于像 "打开终端" 这样的简短命令末尾不加句号,但对于电子邮件撰写则需要有完整的标点符号)。


润色后的文本随后通过系统的原生 API 粘贴到光标所在位置。

△ 在 Cue 的润色架构中,云端 STT 接收音频并将其转录为文本,随后润色步骤完全在用户的本地机器上运行。


从说话、润色到插入的完整闭环流程在不到一秒内即可完成。对于语音优先的界面来说,这正是导致一个功能是让人感觉 "延迟卡顿" 还是 "瞬间插入" 之间的本质性差别。自这些改进实施以来,Cue 的单用户听写量增加了约 30%。以前仅听写简短消息的用户开始听写更长内容,而通常在时效性要求高的工作中使用打字的用户也选择了利用语音模式。



颠覆架构: 将限制转化为特性


在 Cue 中,每位用户的听写都是无限制的,包括免费用户。随着 Gemma 4 E4B 完全在端侧运行,Cue 润色步骤的边际成本降至零,这使得一项原本可能会被限制次数或付费才能使用的功能,在免费版中也变得可行。


团队最初计划仅将 Gemma 用作离线备用方案,最初的假设是规模更大的模型会提供更高的准确性。但在对涵盖英语和其他语言以及混合语言输入的 227 个真实语音样本运行基准测试后,他们决定将 Gemma 作为文本润色的首选模型。基准测试表明,Gemma 4 恰好具备在不进行 "过度编辑" 的情况下进行格式化和纠错的能力。对于文本润色任务而言,这种特性并非限制,而恰恰是该任务所需的行为。


Cue 的部署仅采用了基础模型配合提示词工程。当前活动应用的上下文 (如应用名称、输入框类型、可用的占位符文本) 会被注入到提示词中,以便模型知道用户是在撰写 Slack 消息或电子邮件还是在输入终端命令。云端路径仍作为备用方案保留: 如果 Ollama 未运行,Cue 的桌面应用会在启动时检测到这一点,并将路由切换至云端模型,从而保证听写功能继续运行而不中断。


这种 "本地 Gemma 为默认,云端为备用" 的架构,正是该团队最初计划的反转,也是目前 Cue 用户进行每一次听写的核心支柱。


"我们原本预期 Gemma 只是离线模式下的备用方案。但对真实的语音样本运行基准测试后,架构得到了巨大的反转 —— 现在 Gemma 是默认的润色方案,而云端模型则成为了备用方案。我们原本以为是缺点的 '限制',最终证明恰恰是这项任务所需要的。"


—— Eli Li,Cue 创始人兼 CEO



引领设备端语音智能体的未来


虽然 Gemma 目前只负责润色,但团队正在将其应用范围扩展到两个相邻领域: 

  • 第一个是记忆: 一个持久化的本地层,可以跨会话 (Across Sessions) 学习每个用户的说话风格、词汇和格式偏好。这使得 Cue 的输出能够适应用户,而不是强加单一的预设风格。

  • 第二个是智能体路径: 尽管 Cue 的智能体模式目前仍依赖云端模型,但早期的评估显示,Gemma 4 的原生函数调用 (Function Calling) 功能 —— 通过 Ollama 的 tools API 直接提供,无需提示词工程中转 —— 可以成功地在本地处理相当一部分独立任务。


为了评估数百个真实语音样本中的润色延迟、保真度和质量,团队构建了一套确定性、可复现的基准测试套件,并计划与开发者社区分享其评估方法。通过开源其评估框架,其他构建语音优先或本地优先 AI 的团队也可以在自身的工作负载上运行同样结构化的本地与云端对比。


团队认为,更深层次的启示在于,本地与云端之间的差距缩小速度远超大多数产品团队的想象。而要了解您的任务究竟处于这条分界线的哪一侧,唯一的办法就是基于真实数据进行测量。对于 Cue 来说,这种测量得出了一个明确的答案: 在用户每次开口说话都会运行的这一工作负载上,Gemma 4 就是最合适的模型。


53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅