08 2026 档案
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、清华、南洋理工等开源实时语音智能体记忆系统 VoiceMem：提出 Dual-Brain「双脑」架构，记忆检索仅需 134ms 清华大学、南洋理工大学、新加坡国立大学、香港中文大学与 Open Interaction Lab 联合发布 VoiceMe
阅读全文
摘要：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。 Google 今天正式发布了 Gemini 3.5 Transcribe。和 Gemini 系列之前的产品定位不同，这不是一个通用多模态模型，而
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、Google 发布实时语音转写模型 Gemini 3.5 Transcribe：流式 WER 4.0%，最终转写延迟较 Chirp 3 降低 70% Gemini 3.5 利用智能转录功能处理语音中的断句现象 Gemini 3.5 语音转录功能可让你
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、Kyutai 开源 Pocket TTS 完整训练系统：从数据处理到评测全部开放，可训练自己的 CPU 端 TTS Kyutai 进一步开放 Pocket TTS 的完整训练链路，不再只是提供可在 CPU 上运行的 TTS 模型和推理代码。开发者现在
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、FireRedAudio：一个模型覆盖「听、理解、推理、说和编辑」完整音频链路，共享同一个 9B 参数语言模型底座 小红书 FireRedTeam 发布 FireRedAudio 代码与模型权重，希望用一个模型覆盖「听、理解、推理、说和编辑」完整音频
阅读全文
摘要：8 月 29 日，RTE 开发者社区 × 微信将在北京共同举办「2026 微信开发者创新工坊 · 北京站」。这次不做排排坐的单向分享，而是把现场变成一场开发者之间的 「串门交流局」：带着作品来的开发者当“院主”，带着问题和想法来的朋友自由串门，一桌人围绕一个真实问题往深里聊。 现场设置 8 个小程序
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、字节跳动、港理工与 AMD 提出实时数字人框架 Avatar-Forever：单张 H100 实现 27.2 FPS，支持无限时长音频驱动生成 字节跳动、香港理工大学与 AMD 等团队提出 Avatar-Forever，面向实时、长时间运行的音频驱动
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、DeepSeek 上线实验性多模态视觉理解模型 V4-Flash-Vision-Exp：首次在 DeepSeek API 中开放图像输入，多模态 Agent 评测接近 Opus-4.8，Harness 同步加入原生图片支持 对 DeepSeek Ha
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、ElevenLabs发布实时语音模型 Eleven v3 Conversational：加入语音表现标签控制，支持 70+ 种语言 ElevenLabs 宣布实时语音模型 Eleven v3 Conversational 正式开放使用。相比此前版本，
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、Cartesia 发布 TTS 模型 Sonic-3.6：支持 44 种语言，重点提升跨语言翻译与语音自然度，Artificial Analysis 榜单排名第一 Cartesia 发布 Sonic-3.6 TTS 模型，重点提升 44 种语言下的语
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、智象未来发布交互式世界模型 HiDream-O1-World：通过文本或图片生成可漫游 3D 世界，采用几何-外观两阶段扩散架构 智象未来发布交互式世界模型 HiDream-O1-World，可通过文本或图片生成可漫游、可编辑的 3D 世界。其相关研
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、开源 C++ 本地音频推理框架 audio.cpp ：覆盖 49 个模型家族，部分 TTS 路径较 Python 实现最高加速 8× audio.cpp 是一个基于 ggml 的本地音频推理框架，用统一 C++ Runtime 运行 TTS、ASR、
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、ElevenLabs 上线 Sounds on ElevenMusic：免费提供 AI 音效与 Loop，支持文本生成新声音 ElevenLabs 在 ElevenMusic 上线 Sounds 免费音效库，用户可以直接浏览、试听和下载 AI 生成的
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、Lychee-FD 开源原生端到端全双工语音模型：多流 vLLM 推理加速 2.96×，长对话显存增量降低约 23% 哈工大（深圳）等团队开源 Lychee-FD，一种面向实时语音交互的原生端到端全双工语音语言模型，并入选 ACL 2026 Outs
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、哔哩哔哩 IndexTTS 团队开源 IndexTTS-2.5：支持 5 种语言与跨语种情感复刻，推理速度快于 IndexTTS-2 IndexSpeech 团队正式开源 IndexTTS-2.5，针对 IndexTTS-2 的多语言、情绪表现和推理
阅读全文
摘要：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。 8 月 14 日，凤凰学院第十一期联合 RTE 开发者社区在北京举办「技术・IP・增长——前沿技术赋能潮玩与商业新范式」主题活动，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 I
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、NVIDIA 发布 Magpie TTS Multilingual Voice Agent 部署指南：12 语种支持，B200 单流首音延迟 32ms NVIDIA 发布 Magpie TTS Multilingual 的 Voice Agent 部
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、Qwen 开源 Qwen-MM-Plugins：以 Skill + MCP 接入多模态能力，覆盖图像、视频、3D 与 CAD Qwen 开源 Qwen-MM-Plugins，为不同 Agent Harness 提供可独立安装的多模态能力。项目将每项能
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、阿里发布 AI 语音平台 CosyVoice Studio：集成语音记录、语音智能体与音频创作能力 阿里巴巴推出一站式 AI 语音平台 CosyVoice Studio，基于自研语音模型 Qwen-Audio 构建，整合语音记录、实时语音智能体和 A
阅读全文
摘要：图：disbrief.com 「前台交流、后台工作」，正在成为 Voice AI 近期的一股重要技术与产品思潮，也让实时多模态模型与编程模型找到了一个更自然的交汇点。 你可以一边和 Coding Agent 说「帮我改一下这个 API 的返回结构」，一边继续追问「进度到哪了」，甚至在它还在运行测试时
阅读全文
摘要：🌏 面向全球开发者的「2026 微信小程序开发大赛」正式启动！ RTE 开发者社区作为本次赛事支持单位之一，邀请关注 Conversation AI、Voice AI 和下一代智能交互体验的开发者参与探索。 随着 AI 从「聊天工具」走向真实场景，小程序正在成为连接用户与智能服务的重要入口。本次大
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、MiniMax 发布视频生成模型 H3：登顶 Design Arena 三项视频榜单 MiniMax H3 在 Design Arena 视频评测中取得三项榜单第一，覆盖文本生成视频、图像生成视频和视频编辑等方向。H3 面向多模态视频生成场景设计，支
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、Bland 发布 Speech v3 语音引擎：基于 1 亿+真人通话数据训练 Bland 发布 Speech v3 语音模型，并将其定位为「人类语音引擎」。该模型基于超过 1 亿次真人通话数据训练，Speech v3 在 Audio Realism
阅读全文
摘要：前面的话 在上一篇中，我们讨论了 ChatGPT Voice for Codex 的「双循环」架构：语音对话负责实时地听、说与协调，Agent Runtime 则负责持久地执行、协作与交付，两者通过 Handoff 机制连接起来。 但解决了「语音与 Agent 如何连接」，并不意味着 Voice A
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、OpenAI 披露 GPT-Live 实时语音架构：全双工流式推理，WARP 将 WebRTC 启动从 6 个网络往返降至 1 个 OpenAI 发布 GPT-Live 工程解析，首次公开实时语音系统的核心架构设计。GPT-Live 不再依赖传统轮次
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、PolyAI 发布 Dialog-RSN-1 音频原生对话模型：融合轮次控制、语音识别与函数调用能力 PolyAI 发布面向企业语音交互场景的 Dialog-RSN-1 模型，并开放 Agent Studio 平台。该模型直接处理用户音频输入，将轮次
阅读全文
摘要：前面的话： 过去，我们习惯把语音看作一种更自然的输入方式：把原本要打出来的字，直接说给 AI 听。 但当 Agent 开始持续运行、并行处理任务，并能在执行过程中接受追问、打断与调整，语音的角色也在发生变化。它不再只是 Prompt 的另一种输入方式，而可能成为人指挥、协调和介入 Agent 工作过
阅读全文
摘要：本期编辑：@三水、@鲍勃 01 有话题的技术 1、Qwen 发布 Qwen-Audio-3.0-ASR-Flash：上下文不「断片」、听得准行业词、热词加多也不乱、边识别边润色、一套模型听懂 30 种语言 阿里云千问发布 Qwen-Audio-3.0-ASR-Flash 语音识别模型，针对长音频上下
阅读全文
摘要：2026 年 7 月 22-26 日，全国最大黑客松 AdventureX 在杭州湖畔举办，822 人参加、23 个赛道、240 个项目，我和队友两个人做了一台没有屏幕的电话——外婆对它说「给孙女打电话」，孙女的手机就真的响了。在最火爆的 Qoder 赛道里，拿到了二等奖。 技术上，它是一条 Ago
阅读全文
浙公网安备 33010602011771号