TwinMind: AI Meeting Notes最新版

我们每天都在说话——开会、讨论、自言自语、听讲座。但绝大多数口头信息转瞬即逝，无法被系统记录或后续调用。

三位前 Google X 科学家想改变这一点。他们创立了 TwinMind，一款 AI 驱动的应用，目标是成为你的“虚拟第二大脑”：

在你允许的前提下，全天候监听环境语音，构建个人知识图谱，并在你需要时提供记忆回溯、任务建议与智能回答。

这不是另一个会议笔记工具。TwinMind 的不同之处在于：它不只记录你“主动开启”的对话，而是持续捕捉你“被动说出”的一切。

该公司已正式发布 Android 与 iOS 版本，并推出新一代语音识别模型 Ear-3，同时宣布完成 570 万美元种子轮融资（投后估值 6000 万美元），由 Streamlined Ventures 领投，Sequoia Capital 与 Stephen Wolfram 参投——后者更是首次以投资人身份支持初创公司。

核心理念：让 AI 真正理解你的上下文

当前大多数 AI 助手（如 ChatGPT、Claude）面临一个根本局限：它们不了解你的真实生活状态。你必须手动上传文档、复制聊天记录、描述背景，才能获得相关回应。

TwinMind 的创始人 Daniel George（CEO）和他的联合创始人 Sunny Tang 与 Mahi Karim（两位 CTO）认为：

“真正的智能助手，应该像一个长期共事的同事——知道你上周说了什么，记得你提过的项目，甚至能预判你的需求。”

为此，TwinMind 从两个维度构建上下文：

1. 音频上下文：全天候语音捕获

• 在用户授权下，应用在后台持续监听环境声音；
• 实时转录为文本，仅保留语义内容，原始音频即时删除；
• 支持离线运行，设备本地处理，最长可持续 16–17 小时而不显著耗电；
• 自动生成会议纪要、待办事项、关键决策点摘要。

与其他工具（如 Otter、Fireflies）需手动启动不同，TwinMind 的核心优势是“被动连续捕获”——无论你是参加 Zoom 会议、线下讨论，还是独自思考时喃喃自语，它都能自动收录。

创始人 George 曾在 JPMorgan 担任应用 AI 负责人，每天参与大量会议。他最初写脚本自动录音+转录+输入 ChatGPT 分析，效果惊人。后来发现他人也感兴趣，但不愿在工作电脑上运行风险程序，于是决定开发一个可在个人手机安全运行的独立应用。

2. 视觉上下文：浏览器行为理解

• 配套 Chrome 扩展使用视觉 AI 技术，扫描打开的网页标签；
• 自动解析 Gmail、Slack、Notion、LinkedIn 等平台内容；
• 结合音频与浏览行为，形成更完整的“认知画像”。

这一能力已被实际用于招聘：今年夏天，TwinMind 使用该扩展自动分析了 854 名实习生申请者 的 LinkedIn 与简历，并排序推荐最佳候选人。“我们最后录用的四人，全部来自它的建议。”George 表示。

技术实现：如何突破移动系统的限制？

要在 iOS 和 Android 上实现长时间后台音频采集，技术挑战极大——尤其是 Apple 对非原生应用的严格管控。

TwinMind 团队选择了一条高成本路径：

• 完全使用 Swift 原生开发（而非 React Native 等跨平台框架）；
• 深度优化底层服务，绕过系统休眠机制；
• 花费近七个月时间，在“Apple 的围墙花园中找到多个 hack”。

相比之下，多数竞品依赖云端处理，无法长期驻留后台。而 TwinMind 实现了真正的端侧实时转录，无需持续联网。

新一代语音模型：TwinMind Ear-3

除了应用本身，团队还发布了全新语音识别模型 Ear-3，作为其核心技术输出：

值得一提的是，团队发现：

“支持的语言越多，模型对口音和方言的理解反而越好。”
这是因为多语言训练让模型接触更广泛的发音模式，提升了鲁棒性。

不过，由于模型体积较大，Ear-3 运行在云端，成本约 $0.23/小时。为保障连续性，当网络中断时，应用会自动切换回轻量级的 Ear-2（纯离线模型），恢复连接后再切回 Ear-3。

未来几周内，该模型将通过 API 向开发者和企业开放。

隐私设计：不存音频、不传云端、不用于训练

面对“全天监听”的敏感功能，TwinMind 在隐私保护上做了三项关键设计：

1. 音频不存储：原始录音在转录完成后立即删除，仅保留文本；
2. 数据本地化：所有处理默认在设备上完成，无需上传服务器；
3. 绝不用于训练：用户数据不会被用来改进任何 AI 模型。

这与许多同类产品形成鲜明对比——后者常将录音上传至云进行分析，并可能用于模型迭代。

此外，TwinMind 不允许用户回放原始音频，进一步降低滥用风险。你只能看到结构化的笔记与摘要。

用户现状与商业模式

目前 TwinMind 已拥有 超过 30,000 名用户，其中约 15,000 为月活用户。主要分布于：

• 美国（最大市场）
• 印度、巴西、菲律宾、非洲多国及欧洲

用户构成：

• 50%–60% 为专业人士（工程师、产品经理、顾问等）
• 约 25% 为学生
• 其余用于个人用途，例如有人用它撰写自传

定价策略

• 免费版：包含无限小时转录、设备上识别、基础 AI 总结等功能；
• Pro 版：$15/月，提供高达 200 万 token 的上下文窗口、优先支持等高级能力。

API 单独计费，面向企业和开发者开放。

背后的团队：从 LIGO 到 Google X 的硬核背景

创始团队具备罕见的技术纵深：

• Daniel George：24 岁一年拿下天体物理 AI 博士学位，曾参与 LIGO 引力波探测项目；2017 年加入 Stephen Wolfram 实验室；后任职 Google X 与 JPMorgan。
• Sunny Tang & Mahi Karim：均在 Google X 参与多个早期项目，涵盖机器人、健康传感等领域。

George 表示：“Google X 是创办公司的完美训练场——那里同时有 30–40 个类初创项目在运行，相当于几年内体验数十次创业过程。”

而 Wolfram 不仅是 George 的前雇主，也成为 TwinMind 的首位外部投资人，“这是我人生第一次投资一家初创公司。”

挑战与未来方向

尽管前景广阔，TwinMind 仍面临挑战：

• 信任门槛高：说服用户接受“永久监听”需要极强的透明度与品牌背书；
• 电池与性能平衡：即使优化再好，长时录音仍影响续航；
• 法律合规差异：各国对录音的“单方同意”规定不一，需谨慎适配。

未来计划包括：

• 组建 UX 设计团队，提升交互体验；
• 建立业务开发团队，推动 API 商业化；
• 投入部分资金用于用户增长。