多模态搜索来了，但谁在真正使用AI？

Google 今天给 Gemini API 加了一项挺实在的能力：文件搜索（File Search）现在支持多模态了。说白了，开发者可以把包含文本、图像、音频和视频的文件丢进去，让 Gemini 直接检索相关内容，不再需要提前把非文本数据转换成纯文本。这个功能用的是 multimodal RAG 的思路——不用提前为每个模态分别建索引，而是在检索时直接处理原始文件。

听起来很美，但实际效果取决于底层的多模态嵌入质量和检索精度。Google 博客里说，它特别适合扫描的 PDF、PPT 里的图表、或者教学视频中的片段检索。如果这玩意儿真能稳定工作，那倒是省了不少预处理的心力——以往做 RAG 应用，图片和文档得单独走 OCR 或 embedding 管道，现在一个 API 调用全搞定。不过，我有点怀疑它在复杂场景下的召回率，毕竟多模态检索的基准测试还远不如纯文本成熟。开发者们可以等灰度测试后自己踩踩坑。

另一边，Wispr Flow——一家做语音输入 AI 的公司——正在印度市场硬磕。TechCrunch 报道说，他们在推出印地语英语混合（Hinglish）模式后，印度市场增长明显加快。但文章标题就是“Voice AI in India is hard”，这不是标题党。印度有超过 20 种主要语言，大部分人的口音和表达方式极其多样化，再加上网络不稳定、设备性能参差，语音识别的准确率经常掉到让人想砸手机的水平。Wispr Flow 赌的是高质量端侧模型和针对性微调，但他们面临的竞争对手是 Google、微软这些砸了多年钱的大厂，以及部分政府支持的本地 AI 创业公司。

这个市场有意思的地方在于，它可能是验证“AI 到底能多本地化”的试金石。如果 Wispr Flow 真能靠 Hinglish 撕开一道口子，那意味着“模型懂方言”比“模型懂所有语言”更有商业价值。但截至目前，语音 AI 在印度的日活用户规模依然很有限——大多数人宁可用 WhatsApp 发语音消息，也不信任 AI 的转写。

最后，TechCrunch 适时地发了一篇 AI 术语词汇表文章，从“hallucination”到“RAG”到“AGI”，试图帮那些在会议室里频频点头但心里发虚的人们补课。这类文章每年都会出现好几轮，每次都是因为又有一批新技术名词进入了大众视野。说真的，术语失控本身就是行业不成熟的信号——当我们还在向大众解释什么是“token”、“embedding”、“fine-tuning”的时候，就说明这个领域还远没到真正易用的阶段。

三个新闻放在一起看，挺有意思的：Google 在推进底层基础设施，Wispr Flow 在啃最难的市场，媒体在给大众做翻译。技术跑得飞快，但真正能被普通人用起来、产生价值的落地场景，依然卡在语言、习惯和信任这些老问题上。也许未来回头看，2026 年真正值得记住的不是某个 API 升级，而是第一批在非英语世界里跑通的语音产品。