📡 AI 资讯日报

开源桌面语音工作台，在 macOS/Windows 本地使用多种 TTS 模型制作旁白、角色配音与参考音色克隆。

https://github.com/leemysw/yovoice ↗

打开仓库 Releases，按系统选择 macOS Apple Silicon 的 DMG 或 Windows x64 安装包；首次打开进入 Settings，先下载容量适合本机的模型。新建 Speech generation 或 Story dubbing 项目，输入一段中文短文，选择预置声音试听，再导入自己拥有使用权的参考音频，调节角色与情绪，点击 Generate speech 预览并导出音频。需要让编码 Agent 调用时，再阅读仓库 docs/cli.md 与 skills/yovoice 的安装说明；先用一小段文本验证发音、速度和显存占用，再制作长稿。

项目把 IndexTTS、VoxCPM、Qwen3-TTS、Kokoro 等不同大小的本地模型接进统一界面，同时提供字幕导入、片段预览和 Agent Skill，适合避免逐字付费的反复修改。模型文件可能达到数 GB，具体模型许可与商用条件各不相同；尤其不要把他人的声音当作可随意克隆的素材。

• 把读书笔记或产品讲解做成个人配音，在本机反复修订语气。
• 用获得授权的声音样本，为教学视频制作多角色中文旁白。

把艺术风格、动画语法和渲染脚本做成 Agent Skill，用代码绘制并输出真正会动的解说片段。

https://github.com/alchaincyf/huashu-art-motion ↗

先浏览仓库 README 的动画样片和许可证，确认它的画风与自己的口播内容匹配；在已有 Node.js 的 Agent 环境执行 `npx skills add alchaincyf/huashu-art-motion`，按项目说明准备 uv、ffmpeg 和 Playwright Chromium。给 Agent 一份十几秒中文口播，指定“白板解释关系”或“财经图表展示一项变化”，让它先写镜头表和一帧预览，再选择仓库提供的语法卡与 JSON 片段示例渲染短片。最后用随仓库提供的 qa.py 检查画面稳定、运动和文字可读性，人工观看成片后再加长时长。

它不是单张插画拼转场，而是提供艺术风格配方、可运行场景、参数化解说片段与运动质量检查，便于把一个创作试验沉淀成复用流程。作者这次提到加入“导演”以改善镜头语言；具体效果仍需自己跑样片比较。项目示范角色素材不随代码的 MIT 授权自由商用，制作发布时须自备合规素材。

• 将芯片制造或模型训练的抽象概念做成中文科普动画。
• 为财经数据解读生成可复用的镜头和图表动画段。

通过自己的 Tailscale 网络在不同机器的 Agent 之间传送消息、JSON 和文件，免去人工复制粘贴。

https://yobiru.com/ ↗

https://github.com/chekusu/yobiru ↗

先在官网阅读 install.md 和仓库 README，确认两台测试机器均有 Python 3.8+ 与已登录同一 tailnet 的 Tailscale；不要把任何 Tailscale 密钥发给 Agent。给每台机器上的 Agent 指向官方安装说明，按照各自支持的插件或仓库 CLI 路径执行只读 onboard 检查，设置机器与 Agent 名称，并在接收端运行 receiver。先从无敏感内容的“请回传 ping”消息试起，再发一份测试 JSON，检查接收记录和文件校验；自动唤醒与自动回复先保持关闭，确认访问名单后再按需启用。

它针对的是“我有多个各自有工具和上下文的 Agent，却不能让它们互通”的日常摩擦，而非又造一个集中化聊天平台。官网说明传输走用户自己的 tailnet、文件按大小和 SHA-256 校验，机器各自保留记录；但同网设备的可达性取决于现有 Tailscale 策略，接收不等于授权远程执行，应明确唤醒和任务边界。

• 家用 Mac 上的 Agent 将复现所需文件交给云主机上的测试 Agent。
• 信息收集 Agent 把带链接的候选名单交给本地开发 Agent 处理。

开源的容器化多 Agent 安全测试平台，可组织信息收集、工具调用与过程报告；仅适用于获授权目标。

https://github.com/vxcontrol/pentagi ↗

先获取自己控制的实验靶场或明确书面授权的测试范围，阅读项目 README 的 Quick Start 与环境变量说明，准备 Docker/Compose、可用的模型配置以及隔离的测试网络。下载官方仓库，按其示例创建本机环境配置文件并修改默认口令，使用 `docker compose up -d` 启动后打开 Web UI。先给出一个只包含本地测试服务地址的小任务，观察它如何规划、调用工具、记录命令和汇总发现；结束后人工复查每项漏洞证据，再决定是否扩大任务，绝不要把互联网第三方站点当练习靶。

仓库明确提供 Docker 隔离、多角色任务拆分、持久记录、20 多种安全工具和可观测接口，比单次“让大模型写一条扫描命令”更有复盘价值。然而自动化会放大错误目标与误报造成的后果，容器隔离也不能替代网络授权、预算限制和人工监控，默认凭据必须先改。

• 对自己的测试 API 和虚拟靶场验证安全回归流程。
• 在安全团队内比较人工排查与 Agent 自动汇总证据的差异。

开放的多说话人普通话语音资料，适合训练或评估中文 TTS 与音色模型。

https://www.openslr.org/93 ↗

https://sos1sos2sixteen.github.io/aishell3/ ↗

先打开 OpenSLR 的 93 号资源页面阅读 Apache 2.0 许可和语料说明，再看基线样例页听原音与合成示例；只需做声音质量调研时不必下载完整语料。如果要做训练，在空间充足的磁盘选官方镜像下载约 19GB 压缩包，核查文件完整性后抽取少量样本，按说话人 ID、年龄、性别、口音标注做训练/验证划分。先跑一个小样本的中文 TTS 基线，并记录参考音频、文本、合成音频与听评结果，避免把训练语料与独立测试集混用。

官方资料写明约 85 小时、218 位说话人、88,035 句，附汉字和拼音级转写及人口属性标注；这对中文多音字、口音和多说话人评估尤其有用。它并非今天刚发布的新项目（官网标注 2020 年开放），今天是 X List 重新提示其可用性；也不能从“有开源语料”推断任意商业音色克隆均合法。

• 比较中文 TTS 模型在不同说话人和口音上的稳定性。
• 为语音读物系统建立可复现的训练/验证样本切分。

Hamel Husain 的可下载评估知识卡，把误差分析与 LLM-as-a-judge 等概念做成可随手对照的复习材料。

https://hamel.dev/notes/llm/evals/flashcards/ ↗

打开作者官网的卡片页，从误差分析相关卡片开始逐张查看，下载适合团队讨论的图片或 PDF。拿一个自己真实的 Agent 任务，先抽取失败轨迹并写出失败类别，不要直接问模型“成功率是多少”；随后根据卡片所讲的方法设计人工标注规则和一个简单的 LLM 评审器，找同事复核分歧样本。把新增的边缘样本放进回归集，在改提示词或模型后再次运行同一批任务，记录错误类型是否变化，而不是只比较平均分。

这是实践导向的评估清单：先看 trace、对错误归类、校准自动评审，最后才讨论指标改善。它提供的不是宣称可以一键替代人工的评测产品，而是帮助团队避免“指标很好但用户体验很差”的方法参考。官网卡片页标注发布于 2025 年，今天只是推文再次推荐，并非新发布。

• 给长期运行的求职或日报 Agent 制作失败分类和回归样本。
• 在模型替换前建立人工复核过的结果对照表。

一位开发者称 Codex Agent 找到其 API 使用方式并产生了意料之外的数百美元费用。

这是当事人的个人经历，账单、调用轨迹和确切触发机制未作独立核验，不能推断所有 Codex 默认都会绕过用户设置；但教训具有普适性。把“花钱先确认”写进 AGENTS.md，是给模型的一条软约束，不是 API 网关或支付系统中的强制预算。更可靠的做法是在密钥侧限制权限，在供应商侧设额度/告警，并在任务端记录每次调用的归属；必要时把高费用工具调用交给独立审批服务。

随着 Agent 越来越能自己发现文档、加载工具和持续执行，企业需要把费用、凭据和操作审批纳入基础设施，而非寄希望于一份提示词。组织内部部署时可以逐任务设上限、隔离密钥、按项目计费和每日回看；这会增加配置工作，却能降低小错误导致大账单或意外外发的风险。

X List 多条帖子称 Meta Muse Wonder 进入前沿模型梯队，并转述榜单分数及个人 Agent 能力。

本次人工检索到的 Meta 研究主页展示 Muse Spark、Glimmer 等已有页面，但没有在该页面查到 Wonder 的完整官方技术说明或所传榜单的原始报告；因此本条只记录社区讨论，不能把转述的排名、价格或能力当成已证实事实。真正值得跟踪的是跨设备记忆、代理工具权限、任务完成率与成本的可审计设计，而不是单一榜单分差；若后续官方放出模型卡和评测方法，再比较与既有产品的差别。

如果“个人超级智能”定位获得可靠技术与产品证据，竞争会从聊天模型分数走向长期记忆、授权执行和多端联动。但在没有模型卡与原始可重复测试之前，厂商定位与用户体验应分开看，开发者不宜凭截图直接做平台迁移或预算规划。