RTE开发者社区-CSDN博客

原创李沐联合创立 Boson AI 发布全双工多模态模型，整合视觉支持实时表情生成；腾讯 AI 游戏陪伴《鹅次元》，实时语音陪玩共享 QQ 聊天丨日报

Guava 基于语音 AI 实验室 Gridspace 十余年的研究积累，采用自研语音识别、语言模型及语音合成的完整技术栈，并通过 SDK 让开发者使用代码定义 Agent 的业务流程，面向企业客服、预约及受监管行业提供语音自动化服务。相比此前主要面向实时语音对话的 Higgs Realtime，新模型进一步整合视觉感知、语音生成、Avatar 表情及异步推理能力，能够在持续听取用户讲话、观察摄像头或共享屏幕的同时进行语音回应，并在后台处理复杂任务。自己推荐的信源、项目、话题、活动等；

2026-11-06 22:38:58 221

原创 OpenAI 披露 ChatGPT 语音使用数据，每周超 2.5 亿人语音对话；视频模型公司 Sand.ai A+ 轮融资 2 亿美元，累计融资约 3 亿美元丨日报

11 月 5 日，视频大模型公司 Sand.ai 宣布完成 2 亿美元 A+ 轮融资，由基石资本与网宿科技联合领投，时代资本、磐霖资本、东证资本等参投，经纬创投、华业天成、中科创星等老股东继续加注。自己推荐的信源、项目、话题、活动等；内置 8 项 Skills，覆盖语音服务部署、角色声音准备、对话生成、动作控制、音色评估等流程，提供针对 Unity、Unreal、Bethesda 和 Minecraft 等游戏的接入指导。在他看来，一部作品之所以优秀，需要技术的呈现，也需要其中包含创作者的个人表达。

2026-11-05 22:16:44 282

原创下一代 AI 硬件，能不能有点「眼力见儿」？｜iRTE2026 智能硬件与具身智能圆桌回顾

AI 不仅记得这件事，还能查看家人的时间安排，找到大家都有空的日子，推荐合适的活动，甚至协助完成预约。的回答则有些不同：他们已经给设备装上了音频、视觉、GPS 等多种传感器，目前的场景中，他们的语音使用最多，GPS 也能支持打车。她还提到，个人助理需要接触大量工作和生活信息，而一个可以随身携带、直接交流的实体设备，可能比手机里的应用更容易成为用户建立信任的对象。如今，借助大模型和开发工具，做出一个能听、能说、能执行指令的 AI 硬件原型越来越容易，但让用户愿意购买，并在新鲜感过后继续使用，就没那么容易了。

2026-11-05 21:50:33 172

原创苹果向开发者开放 Siri AI 预览版，第三方应用可接入新版 Siri；Soniox 发布 STT v6，新增 Agent 语音回声过滤，60 种语言实时转写丨日报

10 月 29 日，腾讯在全球数字生态大会上正式发布天籁语音大模型 Tenlai 系列，包括 Tenlai-ASR v1.0、Tenlai-TTS v1.0 和 Tenlai-LiveTranslate v1.0，分别面向语音理解、语音生成和实时跨语言交流。他还强调，开放应包括人才、想法、数据与工具的共享。采用 Whisper large-v3-turbo 音频编码器，通过可训练的投影模块接入 Gemma 4 26B-A4B 主干，支持语音识别、翻译、语音问答和复杂指令理解，同时保留文本及图像输入能力。

2026-11-05 11:05:44 304

原创大频道分发、高清体验、智能编解码与 Agent 通信｜iRTE2026 新一代 RTE 技术专场回顾

上线后，持续跟踪无图、无声、卡顿、回声、画质下降和时延过高等实际问题，并将异常与具体终端、网络条件和使用场景关联起来，避免仅凭整体平均指标判断用户体验。然而，容量充足并不意味着直播就能平稳运行，开播、抽奖或结束时，大量观众集中进入或离开频道，可能给媒体分发和调度带来瞬时压力，与此同时，实时互动对时延有严格要求，系统不能简单依靠增加缓冲或重传来维持稳定。在现场问答中，他进一步提出，应以独立的黑盒端到端测试检查系统对外提供的功能，尤其关注跨模块交互时才会暴露的问题，避免测试与实现依赖同一套错误假设。

2026-11-03 12:52:22 192

原创 Omni 推理、端侧全双工、流式语音、算力调度与实时数据｜iRTE2026 Real-Time AI Infra 专场回顾

在性能优化过程中，Agent 可以辅助收集 profiling 数据、运行测试和生成优化候选，开发者则需要判断哪些假设值得验证、性能提升是否可靠，并对最终的代码提交负责。例如，当上下文过长时，系统可能需要舍弃较早的信息，以保持当前对话的连贯性。在其展示的对比条件下，他设想，当 AI 的使用成本足够低，或许也会出现许多此前难以实现的设备与产品形态，甚至让一支普通的话筒也能够运行 AI。他也提醒，即使代码由 AI 编写，核心开发者仍必须理解重要功能的实现，否则随着代码和功能不断增加，可能逐渐失去对框架的掌控。

2026-11-02 23:55:57 272

原创实时视频 AI 公司 Xmax 发布交互视频模型 X2.1：支持手势实时生成；NVIDIA 发布 Nemotron 3.5 Transcribe 模型，识别多人重叠发言丨日报

实时视频 AI 公司 Xmax 发布交互视频模型 X2.1，重点提升视频生成的画质、稳定性和指令遵循能力，在单一模型中支持视频编辑、角色替换、触控交互及虚实交互等功能。Deepgram 与 Pipecat 联合提出 Real-Time Context Standard，在现有 Chat Completions 格式中增加三个字段，分别传递用户声音特征、Agent 响应指令和 TTS 播报方式，让语气、犹豫等信息能够跨模型传递。李亮认为，短剧与传统影视剧的差别主要在载体和表现形式，核心仍是内容质量。

2026-10-31 00:03:23 365

原创从听懂一句话，到参与一场对话：对话式 AI 的实时交互难题｜iRTE2026 对话式 AI 技术专场回顾

为兼顾理解所需的紧凑语义信息与生成所需的音色、韵律细节，FireRedAudio 在理解侧采用 Audio Encoder，生成侧采用 RedAE，并通过共享语言模型融合两类能力，支持音频理解、语音生成与编辑。的六位讲者，围绕实时语音交互中的情境理解、话轮管理、自然表达与任务执行等问题，分享了各自的技术探索与实践，圆桌环节由声网吴渤主持，邀请亮源新创徐广健、语音模型研究者谢之非、BreezeBlue 杨斌及 Soul 王新升，进一步探讨实时交互模型的架构选择、长期记忆、体验评测与产品落地。

2026-10-30 23:29:06 298

原创为 Agent 重新设计开发者体验丨iRTE2026 开发者工具专场回顾

今年，语音助手开始承担持续性的任务，在 Codex 的语音模式里，用户只需描述需求，就能驱动 Agent 工作。10 月 24 日，在 iRTE2026 实时智能大会「开发者工具专场」中，来自 MiniMax、盛大 EverMind、月之暗面、阿里 Qwen Audio、Agora 等项目的讲者，围绕 Agent 的可靠执行、长期记忆与人机协作，分享了各自的技术实践。读过的书、学过的东西，属于知识。面对这样的新开发者，工具的重点也从输入响应速度，转向帮助人理解 AI 生成的大量代码，并在团队中共享知识。

2026-10-30 13:30:17 304

原创复杂识别、多语种、声学前端、传输重构、防伪检测与 Agent 落地：语音 AI 的真实工程实战丨iRTE2026 音频 AI 技术专场回顾

例如，遗漏一个无关紧要的词，与遗漏一句话中的否定词，可能产生完全不同的结果。**他以自己正在销售的录音设备为例，谈到了技术创业者需要面对的现实问题：不仅要找到产品的差异化优势，还要理解用户为什么愿意购买，以及什么样的商业模式能够真正成立。除了记住过去的对话，AI 还需要识别不同的说话人、理解用户所处的环境，才能在持续交互中积累有用的信息。他用自己的手机拨打测试设备，播放了一段克隆生成的语音，测试设备随即显示了疑似 AI 变声风险提示，武执政的手机号码随后也收到了疑似诈骗电话的风险提醒，并一度受到通信限制。

2026-10-30 12:35:04 160

原创 Google DeepMind 发布世界模型 Genie 4：实时生成可交互世界；Liquid AI 开源 LFM3 系列：六款 2B 模型覆盖文本、语音、视觉与决策丨日报

包括物品属性选择、条件判断、前置条件推理、目标搜索、长程规划和状态记忆等能力，并设置简单、中等、困难三级难度。他同时强调，数学家不应拒绝使用 AI，而应把它作为推进研究的工具，由人提出问题、把握方向。数据集包含任务目标、子任务划分、动作步骤、双臂分工、物体空间位置及成功、错误样本，将高层任务决策与底层机器人控制数据关联，可用于训练任务规划、过程记忆和决策执行模型。同一场会议中，不同语言的参与者可以直接交流，系统会自动识别说话语言，并将语音实时翻译成每位听众选择的语言，无需提前设置全会议统一的翻译语言对。

2026-10-28 22:39:13 373

原创腾讯混元开源同传模型 Hy-SimulMT：中英实时互译；全球人力资源管理公司 Dayforce 收购 Ribbon AI：AI 面试官完成超 100 万场面试丨日报

Hopper 已入选。比尔·盖茨在 10 月 22 日播出的 Decoder 播客访谈中表示，AI 能够减少住房、食物和医疗等领域的短缺，但他更担心通往富足的约 20 年过渡期：其间会出现赢家、输家和大量冲击。交易完成后，Ribbon 的语音面试、候选人搜索、评估和沟通能力将原生整合进 Dayforce 的招聘平台，与现有人力资源管理、人才管理及员工数据系统衔接。及合成数据训练，支持英语、法语、德语、西班牙语、葡萄牙语和日语转写，以及这些语言与英语之间的双向语音翻译，另外支持英语翻译成意大利语和中文。

2026-10-28 21:28:10 217

原创 Meta 提出全双工语音架构 RUBATO：答案生成提速 6.5 倍；前豆包 PC 负责人齐俊元创立 Today AI，融资超 2 亿美元做主动式个人助理丨日报

官方称，这些能力可适配人形、轮式、单臂、双臂及四足等不同机器人，减少针对不同硬件重复开发智能系统的工作。还有美团、阿里 ATH、Rokid、斜跃智能、博通集成、Soul、HOLLA、EF 英孚、伴鱼等企业分享 Voice Agent 在客服、硬件、具身智能、社交、教育等行业场景的落地。Today 通过持续交互积累用户的日程、人物、项目和个人偏好等信息，在用户提出需求前主动发现需要处理的事项，例如日程冲突、工作进度变化及待办任务，并提供晨间简报、资料研究、行程规划和工作协助等服务。

2026-10-24 00:38:22 254

原创 Last Call！实时智能 Builder 聚集！RTE Open Day@iRTE 2026，10.23/24，北京

它面向有声剧、视频配音、游戏角色、虚拟主播、智能客服与 Voice Agent，提供自然、可控、实时的语音能力。我们连接开发者、创业者与技术探索者，让新想法在交流中被看见、被验证，也让人与人、人与 AI、人与世界之间的实时互动不断发生。实时人像替换、虚拟换装、风格重渲和虚实融合，可用于直播互动、游戏文娱、智能硬件与电商试穿。还有美团、阿里 ATH、Rokid、斜跃智能、博通集成、Soul、HOLLA、EF 英孚、伴鱼等企业分享 Voice Agent 在客服、硬件、具身智能、社交、教育等行业场景的落地。

2026-10-23 00:53:36 252

原创 AI 智能眼镜公司 Mira 发布音频动作模型 Thud：不经 ASR 直出操作；韩国 AI 公司 Kakao 展示全双工语音 Kanana Live：支持边听边说丨日报

当 HomeView 与支持 Apple Intelligence 的 iPhone 或 iPad 配对后，Siri 可以结合 Messages、Calendar、Apple Music 等应用中的个人上下文回答问题，并执行跨应用操作。Kanana-o 是 Kakao 自研的多模态语言模型，可同时理解文本、图像和音频，并生成文本与语音回应。自己推荐的信源、项目、话题、活动等；结合兼容摄像头和 iCloud+，系统能够识别人、宠物、包裹及车辆，为监控视频自动生成文字描述，并支持通过自然语言检索录像。

2026-10-15 00:00:08 204

原创实时 AI 基础设施演进之道，SGLang、模思、面壁、OceanBase、声网联袂解读｜iRTE 2026 活动报名

还有美团、阿里 ATH、Rokid、斜跃智能、博通集成、Soul、HOLLA、EF 英孚、伴鱼等企业分享 Voice Agent 在客服、硬件、具身智能、社交、教育等行业场景的落地。在这里，Kimi、MiniMax、阶跃星辰、面壁智能、模思智能、生数科技等国内领先大模型公司将带来最前沿的 AI 产品 / 技术分享，话题覆盖多模态模型、Voice Agent、AI 硬件、具身智能、实时基础设施等。AI Infra 不仅要让模型生成得更快，还要让整个系统在低延迟、高并发与持续交互中高效、稳定地运行。

2026-10-14 23:53:16 201

原创 The Next Wave is Real Time丨iRTE 2026 全议程重磅揭晓！

今年的 iRTE 大会汇聚了来自大模型、Voice Agent、实时音视频、AI Infra、智能硬件以及各类应用场景的一线从业者，从模型、工程技术到底层基础设施与商业落地，集中讨论实时智能正在发生的关键变化。如果你正在做 Voice Agent、实时交互模型、AI 硬件，或关注 AI 下一阶段的人机交互方式，10 月 23-24 日，北京，来现场一起聊聊行业与技术的未来。今日，大会全议程也正式公布。这不仅是一张两天的议程表，更像是一次 Voice Agent 与实时交互模型行业的年度集中碰撞。

2026-10-14 23:42:50 209

原创 Character.AI 申请破产保护，迪士尼拟 2000 万美元竞购部分资产；前 Plaud 高管发布实时智能助手 Ambi，融资 2600 万美元丨日报

模型还新增自定义词汇表能力，以改善专有名词和领域术语的识别。过去 API 主要为存储、展示和人类操作服务，而面向 AI Agent 的 API，需要优先考虑机器能否直接理解结果、避免无关数据占用上下文，并以更少的 Token 完成任务。Ambi 可以在用户授权开启监听后，实时转录和理解会议、日常对话中的信息，结合日历、历史记录、知识库和网络数据生成建议。Superhost 能够记住回头客的历史对话、用餐偏好、过敏信息及生日，并根据客人说话时的语气调整回应方式，让餐厅在不同来电中提供连续、个性化的服务。

2026-10-14 21:42:04 210

原创 Neuphonic 开源 43MB 语音决策模型 NeuDecide：不经 ASR 语音调用工具；法国 Mallow 儿童无屏语音游戏音箱，AI 听孩子语音实时推进丨日报

公司专注于欧洲语言的端到端 Speech-to-Speech（S2S）模型，直接处理输入音频并生成语音响应，减少传统 ASR → LLM → TTS 串联流程的延迟，同时将数据处理和存储限制在欧盟境内，并提供企业私有化部署方案。，可用于智能体意图分类、任务路由、内容审核等场景，并支持在工作站和边缘设备上本地运行。支持 CPU 本地部署与浏览器运行：项目已开放 Apache 2.0 许可的模型权重、训练代码和 ONNX 文件，可通过 Python 调用，也已用于浏览器扩展中的本地语音合成。

2026-10-11 00:11:24 250

原创 Amphion 等提出音频自进化框架 EvoAudio：训练数据随模型短板动态调整；OpenAI DevDay 语音接入 Dots、Codex CLI 与 Meetings 插件丨日报

这样，智能体在执行任务时可以直接检索此前浏览过的网页、PDF、桌面应用内容，以及会议中的讨论和决定，而不需要用户重新复制上下文。OpenAI 在 DevDay 2026 将语音进一步接入智能体和工作流产品：长期运行的智能体 Dots 支持直接语音通话，Codex CLI 可以通过语音启动和引导编程任务，新的 Meetings 插件则从麦克风与 Mac 系统音频生成会议记录、摘要和后续行动。Dots 是由 GPT-6 Astra 驱动的常驻智能体，拥有自己的云电脑、浏览器和已连接应用，可以持续处理多个任务。

2026-10-01 21:28:25 207

原创小米开源 4 个 AI 硬件项目：全时记忆配饰、实时语音机器人与机械臂台灯等；科大讯飞发布 Spark-ASR-2.0，增加动态上下文注入丨日报

比如有**阶跃星辰、Kimi、Minimax、面壁智能、生数科技、模思智能等 AI **模型公司，也有我们此前报道过的 **VoiceMem、SGLang-Omni、Breeze-TTS **等开源项目作者或团队参会。，目前开放公开预览。，面向企业电话客服和销售场景，可直接通过传统电话号码自动接听和发起电话，处理咨询、预约、订单和线索筛选，并将通话数据同步至 CRM、订单及支付系统。，一个面向本地音频理解的 159M 音频语言模型，可直接输入声音和问题，理解语音、音乐及环境声等音频内容并生成文本回答。

2026-09-29 10:26:49 277

原创社区实践：用Gemini 3.8 TTS + Agora 做个实时互动 AI 播客

Flash TTS 支持通过自然语言描述声音特征、角色定位和口音，帮助开发者设计符合场景需求的声音。开发者也可以从 2,000 多种声音中选择合适的音色，并保存设计结果，在后续内容中持续复用。例如，为课程讲解员设计声音时，可以描述为“音色温暖、吐字清晰、使用普通话”；为故事中的角色设计声音时，则可以进一步指定角色特点和口音。Flash TTS 还支持声音复刻：通过一段 30 秒的本人或已获授权的声音样本，创建可复用的声音。

2026-09-27 10:09:36 365

原创多模态决策模型 Jev-Omni：支持图文、音视频；上海宣判首例 AI 声音仿冒案：《原神》63 款角色声音被复刻，判赔 75 万元丨日报

比如有**阶跃星辰、Kimi、Minimax、面壁智能、生数科技、模思智能等 AI **模型公司，也有我们此前报道过的 **VoiceMem、SGLang-Omni、Breeze-TTS **等开源项目作者或团队参会。用户按下快捷键后直接说出任务，Incredible 会结合当前屏幕内容理解上下文，并在浏览器、文件和应用中执行点击、输入、搜索、切换标签页、填写表单和发送等操作。面对 AI 伴侣产品的市场竞争，他认为苹果不希望 AI 取代人与人的关系，因为人际关系是学习、成长和获得快乐的基础。

2026-09-25 15:54:32 329

原创 Qwen 云栖大会密集更新语音模型系列，实时翻译、全模态交互与全双工语音；Kyutai 发布 Voice of Reason，强化学习用于语音数学推理丨日报

同时剧透会发布一个首次亮相的新模型——**Qwen-Audio-3.1-TTS-Next ，**将呈现 Qwen Audio 从语音生成迈向通用音频生成的最新进展：根据一段脚本生成包含语音及完整环境声场的音频，并支持细粒度时间戳控制、声音复刻和 48 kHz 输出，满足有声书、影视剧和播客等专业创作需求。该模型目前处于邀测阶段。自己推荐的信源、项目、话题、活动等；原告指称，4 家公司的高管近期先后公开表态应放缓前沿 AI 开发，这些言论构成协调行动，可能减慢产品竞争与功能迭代，降低付费订阅的价值。

2026-09-22 22:36:33 280

原创 Vivix 发布流式多模态模型 Vivix-W1：边生成边用语音、触控实时改写；OpenAI 更新 Codex Voice，编码线程可随时切语音继续聊丨日报

今年从对话式 AI 一路聊到实时智能，现场有 15+ 论坛、100+ 场深度演讲，汇聚 150+ 全球技术领袖和行业专家，全双工+交互式模型、实时互动世界模型、AI 硬件、AI Coding 工具等方向都会集中开聊。文本、语音、图像、视频、触控和相机运动等输入都可以在生成过程中继续加入，并从当前世界状态直接改变后续内容，无需重新开始生成。Vivix-W1 不再把视频生成、音频生成和交互理解拆成独立模块，而是联合处理场景状态、动作、声音、参考素材和实时控制信号，并原生同步生成画面、对白、环境声和空间音效。

2026-09-08 21:17:18 223

原创 Thinking Machines Lab 洽谈 10 亿美元融资，估值 400 亿美元；微软发布 MAI-Transcribe-2，1 小时音频 10 秒转完丨日报

用户无需下载独立 App，只需像给联系人发消息一样与 Caddy 对话，它会持续学习用户的工作方式和关注事项，并连接 Gmail、Google Calendar、Slack、Linear、Todoist 等工具完成后续操作。，重点提升电脑操作、软件工程、浏览器使用和复杂专业任务执行能力。SolarWM 对 143 万段视频统一整理视觉画面、相机几何参数、文本描述、质量信息和数据来源等字段，把原本格式、镜头参数和标注方式不同的数据转换成同一套逐帧对齐格式，使不同视频骨干可以复用同一套数据处理和训练流程。

2026-09-05 22:31:53 200

原创定档！从对话式 AI 到实时智能，Voice Agent Builder 的年度春晚 iRTE2026 来了丨10 月23-24 日，北京见！

更有丰富的 Side Event 与 RTE+AI 展区。iRTE2026 实时智能大会定档。15+论坛、100+场深度演讲。

2026-09-03 23:20:07 33

原创 MiniMax H3 MAX 的 AI 直播火了：背后这家估值 45 亿美元的推理独角兽却鲜为人知丨Voice Agent 学习笔记

最关键的市场判断是：语言模型赛道已经有 OpenAI 这样强势的玩家，而且它们能提供最好的模型和可规模化的 API，对我们这种小团队来说很难正面竞争。这给了我们放弃旧产品的证据。这个产品后来迭代了一阵，但到了 2021、2022 年，行业进入了「现代数据栈」非常火的阶段——Databricks、Snowflake 之后，大家都在谈数据转换、数据管道和大数据，那时候甚至还没有 ChatGPT，AI 也不是行业焦点。几个月后，我在公司完成种子轮融资前正式加入，并一直工作到现在，我做过很多基础设施方面的工作。

2026-09-02 21:51:20 404

原创 Runway 发布「界面世界模型」Solaris ，不生成代码、实时渲染可交互 App；Sesame 开源 TurnBench，14 套轮次系统无一做到又快又准丨日报

工具会把每次评测使用的声音、合成配置、原始音频、ASR 转写、文本规范化方式、阈值和逐样本结果保存在同一目录，让开发者可以从最终分数一路追溯到具体哪条语音出了问题，而不是只得到一个无法复现的平均值。低工资、低经验的年轻人受到的冲击更大，有经验的中高职位需求则相对稳定。推出可穿戴 AI 日志设备 Mori，用户佩戴后无需每次手动开启录音，设备检测到说话即可自动开始记录，再由 AI 完成转写、分类和总结，把工作交流、朋友聊天、旅行感想和临时想法整理成一段段可回顾的记录，并在每天晚上进一步汇总成个人日志。

2026-09-02 21:09:28 255

原创从 WebRTC 创造者到 OpenAI Realtime AI 负责人：Justin Uberti 谈人机实时语音的架构重构丨Voice Agent 学习笔记

前几代的架构通常是这样：它给人一种实时的感觉，但实际上发生的是，系统会在你说话时缓冲你的音频，等待轮次检测器判断"哦，他们说完了」，然后一次性把所有音频喂给模型，说：去转写、生成、把文本给我。NLP 是一把挺重的锤子，在双讲场景（double‑talk scenario，AI 和用户同时说话）中，AEC（回声消除，Acoustic Echo Canceller）为了不让系统听到自己的回声，会用「重锤」削掉残余回声，但也会把用户语音削坏。当它需要更多信息时，可以咨询前沿模型，进行更深入的推理、思考、搜索等。

2026-09-01 23:28:12 343

原创炸裂！我用 Gemini 新模型给英雄联盟解说做实时字幕，语速再快也没翻车！（附开源代码）

目前 Gemini 3.5 Transcribe 已经在 Google 自己的多个产品中上线，包括 Gboard 上的 Rambler 语音输入、macOS 版 Gemini 应用的 Speak to Window 功能，以及 Chrome 浏览器的语音输入中。电竞解说实时转写向来是业内难啃的「硬骨头」——超快语速、高密度的黑话和选手 ID，叠加激烈的游戏背景音，对模型的识别能力和延迟解决方案是全方位的极限考验。需要注意的是，SMART 模式和词级时间戳、说话人分离互斥，不能同时开启。

2026-08-29 00:05:09 363

原创 Google 发布 Gemini 3.5 Transcribe 实时转写模型，流式 WER 4.0%；XR 语音助手 AgentHands 支持手势与语音精准同步丨日报

相比此前的 Chirp 3，新模型不只做逐字 ASR，而是直接把原始语音整理成可用文本：能处理自我纠正、去除「嗯」「啊」等口头填充词、自动排版，并结合自定义词汇提升专业术语和订单号、邮编等实体的识别准确率。相比此前主要面向浏览器操作的 n1/n1.5，n2 将执行范围扩展到 Linux、macOS 和 Windows 完整桌面环境，并不再限定 Agent 只能「像人一样点击界面」，而是让模型根据任务主动选择 GUI、命令行、工具调用或代码执行，以更少步骤完成长流程任务。自己推荐的信源、项目、话题、活动等；

2026-08-28 23:44:21 376

原创语音 AI 公司 BreezeBlue 获 600 万美元种子轮融资，押注交互式语音智能；实时 AI 游戏队友 Varkos 支持《上古卷轴》边听边行动丨日报

与传统榜单只比较模型能力不同，Pipette 将一次端侧部署视为「模型 + 量化方式 + 运行时 + 设备」的完整系统，同时测量质量、首 Token 延迟、吞吐、端到端延迟和内存占用，让开发者直接判断某个模型在目标硬件上是否真正可用。Hume AI 发布 ASR 基准优化研究，对 11 个常用开源 ASR 模型进行三组测试后发现，一些公开基准上的高分模型会根据音频中的数据集特征，输出测试集「预期的参考答案」，而不是严格按照实际听到的内容转录。另一方面，应扩大个人使用 AI 的能力。

2026-08-26 23:57:47 390

原创清华桌面机器人团队 CyboPal 融资数亿元；Wispr Flow B 轮融资估值 20 亿美元，将发布自研语音识别模型丨日报

英伟达 CEO 黄仁勋在署名文章中表示，公司与 Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs 和 KKR 建立合作关系，创建独立融资平台，计划逐步调动超过 5000 亿美元的第三方资本建设 AI 基础设施。自己推荐的信源、项目、话题、活动等；CyboPal 由 90 后清华博士彭天放带队，核心成员来自机器人、自动驾驶、大厂 AI、供应链和生产体系，具备从硬件终端、交互模型到 Agent OS 的一体化研发与量产交付能力。

2026-08-21 00:35:56 271

原创西工大 ASLP 开源中文多方言 ASR 模型，缓解方言微调后的普通话能力退化；Fish Audio 推出多模态创作平台 Fish Creative丨日报

几何阶段负责结构一致性和相机轨迹遵循，外观阶段则侧重视觉细节和画面保真度。

2026-08-19 23:42:45 160

原创 Noiz AI 发布实时可交互音视频世界模型 HelixWorld，支持 48kHz 立体声；FireRedTeam 开源 FireRedTTS3，支持语义与声学编辑丨日报

已接入 TTS、Voice Cloning、Voice Conversion、ASR、Forced Alignment、VAD、Speaker Diarization、Audio Codec、Source Separation、Music/SFX Generation 等任务。FireRedTTS3-Base 支持英语、中文、日语、韩语、法语、西班牙语等 24 种语言，并覆盖四川、上海、闽南、温州、吴语等 21 种中文方言的 Zero-shot Voice Cloning。技术报告目前尚未发布。

2026-08-17 22:49:08 291

原创小红书开源连续自回归语音合成模型 dots.tts：打造可持续扩展的 TTS 基座；ElevenLabs 上线 Sounds 免费 AI 音效与 Loop 库丨日报

Soniox TTS v2 带来了卓越的语音质量、通过音频标签实现的丰富表情控制、极高的精准度、高保真度的语音克隆功能、超过 60 种语言支持、自然语言混音功能，以及低延迟的流媒体播放能力。别着喇叭的哑巴不愿拿喇叭换提着獭犸的喇嘛的獭犸。据《商业内幕》报道，加拿大裔美国创投家、Y Combinator CEO Garry Tan 在昨日发布的一档播客节目中建议，初创公司创始人不应过度担心 AI Token 的消耗成本，而应采取「Tokenmaxxing」策略，通过重金投入 AI 智能体来获取竞争优势。

2026-08-15 01:30:37 211

原创 Deepgram 推出 Flux TTS 支持跨轮次上下文与打断；Anthropic 计划 60 亿美元收购实时生成 AI 公司 Decart AI丨日报

指标分为 Agentic Capability、Conversational Dynamics 和 Naturalness 三组，包括 Pass@1、Goal State、Turn-Taking、Conversation Progression、Selectivity、Faithfulness、DNSMOS、UTMOS、NISQA 等，官方明确不将它们合并成一个总分。现代 TTS 已能表现温暖、犹豫、笑声和停顿，但需要明确的表达指令，且不同 Provider 使用不同的标记语法。

2026-08-14 01:15:44 222

原创哔哩哔哩开源 IndexTTS-2.5，支持 5 语种情感复刻；西湖心辰完成数亿元 B+ 轮融资，持续布局语音 AI 与原生多模态实时互动丨日报

西湖心辰完成数亿元人民币 B+ 轮融资，由广发信德领投，西湖创新投、武汉江豚基金、容亿投资、南通投管等机构跟投，58 产业基金等产业资本参与，蚂蚁集团、汤姆猫等老股东继续支持。新版本支持中文、英语、日语、西班牙语和阿拉伯语，并保留跨语种与音色情感解耦能力，同时新增语速控制和更细粒度的发音控制。数据包含 Acholi、Kiswahili、Luganda、Akan、Ewe、Shona、Fula、Lingala、Hausa、Igbo 和 Yoruba 等语言，不同语言分别提供 ASR、TTS 或两类数据。

2026-08-12 23:30:39 223

原创活动报名｜凤凰学院 × RTE 开发者社区：从前沿技术到 IP 增长，探索 AI 潮玩新范式

如果你正在关注 Conversation AI、Physical AI，或正在寻找 AI 技术落地到消费硬件与新交互产品的可能性，欢迎来现场一起交流、碰撞。，邀请来自 AI 潮玩、智能硬件、Voice AI 与创业一线的嘉宾，从技术实现、产品创新到 IP 孵化与商业增长，共同拆解 AI × 潮玩的新机会。当 AI 从屏幕走向真实世界，潮玩、硬件与实时交互正在成为新的创新试验场。作者提示: 个人观点，仅供参考。

2026-08-12 22:48:22 192

空空如也

空空如也