09 2026 档案

摘要:https://mp.weixin.qq.com/s/aVZgVjcTKm54VkO_1pCf9A 如果今年只参加一场实时交互模型和 Voice Agent 大会,来 iRTE2026 实时智能大会就够了。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 阅读全文
posted @ 2026-09-30 09:36 RTE开发者社区 阅读(24) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 今天,AMD 将以约 82 亿美元收购世界模型公司 World Labs,李飞飞将出任 AMD 执行副总裁兼首席科学家。 当世界模型开始理解空间、持续模拟环境,并实时响应人的输入,AI 生成的就不再只是一段内容,而可能是一个可以进入、探索和交互的世界。 这也是 RTE 开发 阅读全文
posted @ 2026-09-30 09:16 RTE开发者社区 阅读(29) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 今天日报开头先插播一条:10 月,来北京线下对答案。 当然,答案不一定一样~ 这一年,我们在日报里持续关注实时智能正在发生的变化。从国内到海外,从全双工、端到端语音、Voice Agent、实时多模态、世界模型,到新模型发布、开源项目、产品落地和创业融资,很多问题其实一直在 阅读全文
posted @ 2026-09-29 10:29 RTE开发者社区 阅读(35) 评论(0) 推荐(0)
摘要:过去一年,OpenAI、Thinking Machines Lab 等多模态团队开始把注意力从「生成更拟人的语音回答」,迈向一个更难的问题:AI 如何真正参与一场实时发生的互动。 全双工模型让智能体边听边说,全模态让语音、视觉等信息协同判断,而交互模型又往前一步:此刻这场互动正在发生什么,下一步应该 阅读全文
posted @ 2026-09-29 09:52 RTE开发者社区 阅读(25) 评论(0) 推荐(0)
摘要:Gemini 3.8 TTS 发布:声音定制与语音生成能力升级 9 月 23 日,Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款文本转语音模型,带来更灵活的声音定制和表达控制。 Agora 作为 Google 的合作伙伴,支持通过 Gemini 阅读全文
posted @ 2026-09-27 10:10 RTE开发者社区 阅读(25) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 今天日报开头先插播一条:10 月,来北京线下对答案。 当然,答案不一定一样~ 这一年,我们在日报里持续关注实时智能正在发生的变化。从国内到海外,从全双工、端到端语音、Voice Agent、实时多模态、世界模型,到新模型发布、开源项目、产品落地和创业融资,很多问题其实一直在 阅读全文
posted @ 2026-09-25 16:48 RTE开发者社区 阅读(65) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 今天日报开头先插播一条:10 月,来北京线下对答案。 这一年,我们在日报里持续关注实时智能正在发生的变化。从国内到海外,覆盖全双工、端到端语音、Voice Agent、实时多模态、世界模型等话题,从新模型发布、开源项目到产品落地和创业融资,我们几乎每天都在记录这个行业又往前 阅读全文
posted @ 2026-09-25 15:56 RTE开发者社区 阅读(41) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、阿里云栖大会期间 Qwen 连发两款实时语音模型:Qwen3.8-Omni-Flash-Realtime 加入多通道音频、视频聚合与远程 MCP,Qwen-Audio 3.1 Realtime Plus 新增 8 个系统音色 近 4 日,Qwen 密 阅读全文
posted @ 2026-09-22 22:43 RTE开发者社区 阅读(40) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、Voice AI 公司 Lokutor 推出 CPU 原生 Voice Agent 技术栈:转写、轮次判断与语音合成无需 GPU,可部署到本地和设备端 马德里的 Voice AI 公司 Lokutor 正在把整套语音智能体链路重做到普通 CPU 上。 阅读全文
posted @ 2026-09-21 23:06 RTE开发者社区 阅读(26) 评论(0) 推荐(0)
摘要:理想的自动化,应该在后台运行,甚至让你根本不需要看它。 ——TypeSafe 创始人 Diego Almeida 用户刚说出「go back」,浏览器就已经返回了上一页,甚至没等他把话说完。 这是开发者 Moritz Kremb 最近制作的一个语音控制浏览器实验。他将实时语音转写与 TypeSafe 阅读全文
posted @ 2026-09-21 22:44 RTE开发者社区 阅读(38) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、TypeSafe AI 发布决策模型 Jev:不生成文本,直接返回概率和结构化判断 TypeSafe AI 发布首个 System One 模型 Jev,面向软件里的分类、评分、路由和决策任务。与先让 LLM 生成一段文本、再解析成结构化结果不同,J 阅读全文
posted @ 2026-09-21 22:08 RTE开发者社区 阅读(40) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、语音智能体测试平台 Egma 开源:把模拟通话写进代码仓库,发布前自动跑回归测试 Egma 开源了一套面向 Voice Agent 的测试与生产监控平台,把原本依赖人工反复打电话、试听结果的 QA 流程,变成可以和 Agent 代码一起保存、版本管理 阅读全文
posted @ 2026-09-20 18:36 RTE开发者社区 阅读(27) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、Cherry Embedded 开源 MCU 音视频处理库 CherryAVP:统一编解码、WebRTC 3A 与音频效果接口 Cherry Embedded 开源了面向 MCU 的音视频处理库 CherryAVP,希望用一套统一框架覆盖音频编解码、 阅读全文
posted @ 2026-09-18 20:12 RTE开发者社区 阅读(23) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 双模型:实时语音可边聊边跑异步 Tool Call,Extended Thinking 支持后台多步推理 Google 推出 阅读全文
posted @ 2026-09-16 23:19 RTE开发者社区 阅读(37) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、阶跃发布 StepAudio 3 系列:全双工 Realtime 可边聊边跑调用工具,Gen 统一生成人声、音效与音乐 阶跃星辰发布 StepAudio 3 系列,一次上线 Realtime、ASR、TTS、Gen 和 Music 五款模型。相比此前 阅读全文
posted @ 2026-09-16 22:47 RTE开发者社区 阅读(29) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、CMU、台大、NVIDIA 提出 ASR 自纠错方法 Hybrid Search:用隐状态找出易错人名,只在必要位置调用基座 LLM 修正 卡内基梅隆大学、台湾大学与 NVIDIA 提出 Hybrid Search,让大音频语言模型在转写过程中自行判 阅读全文
posted @ 2026-09-15 23:09 RTE开发者社区 阅读(31) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、OpenAI 将全双工语音模型 GPT-Live-1 开放 API:可边听边说,复杂推理交给 GPT-6 Astra 等后端模型 OpenAI 正式将 GPT-Live-1 开放至 API。该模型此前已于 7 月用于 ChatGPT Voice,这次 阅读全文
posted @ 2026-09-13 23:43 RTE开发者社区 阅读(40) 评论(0) 推荐(0)
摘要:点击链接,扫码报名大会 2026年9月10日,OpenAI 正式宣布 GPT‑Live‑1 在 API 中可用,将全双工语音体验带给开发者。模型能够同时听说,并将需要推理和工具调用的任务委派给后端处理。 Agora 作为 OpenAI 的合作伙伴,已通过 Conversational AI 支持 G 阅读全文
posted @ 2026-09-13 10:44 RTE开发者社区 阅读(26) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、蚂蚁开源百灵首个原生多模态模型 Ling-3.0-flash-VL:引入视觉反馈闭环,Agent 可边执行边观察并持续修正 蚂蚁开源百灵系列首个原生多模态模型 Ling-3.0-flash-VL。模型基于 Ling-3.0-flash 的 MoE 架 阅读全文
posted @ 2026-09-11 11:07 RTE开发者社区 阅读(61) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、语音数据公司 The Agentic Data Company 发布全双工对话数据集 Open Yap 1K:1000 小时真实双人对话,可免费用于商业训练 语音数据公司 The Agentic Data Company 发布全双工自然对话数据集 O 阅读全文
posted @ 2026-09-08 22:13 RTE开发者社区 阅读(45) 评论(0) 推荐(0)
摘要:OpenAI 最近发布了 GPT-6 Astra。 看过 Demo 视频的人应该会注意到:Astra 展示 Computer Use 的方式,已经不同于我们坐在电脑前打字、等待 Agent 执行任务——人在持续说,AI 一边听、一边操作电脑,也可以随时被打断、纠正和重新引导。 AI 正从「会思考」, 阅读全文
posted @ 2026-09-08 21:35 RTE开发者社区 阅读(26) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、Vivix 推出流式多模态互动模型 Vivix-W1:生成过程中可随时加入语音、触控与图像,实时改变后续 Vivix 推出流式多模态互动模型 Vivix-W1,将视频生成从「输入提示词 → 生成固定片段」改成持续运行的音视频流。文本、语音、图像、视频 阅读全文
posted @ 2026-09-08 21:19 RTE开发者社区 阅读(44) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、微软发布批量语音识别模型 MAI-Transcribe-2:新增说话人分离与逐词时间戳,1 小时音频约 10 秒完成转录 Microsoft AI 发布批量语音识别模型 MAI-Transcribe-2。相比 MAI-Transcribe-1.5,新 阅读全文
posted @ 2026-09-05 22:34 RTE开发者社区 阅读(34) 评论(0) 推荐(0)
摘要:iRTE2026 实时智能大会定档 10月23-24日 北京见 15+论坛、100+场深度演讲 更有丰富的 Side Event 与 RTE+AI 展区 等你来体验👇 阅读更多 Voice Agent 学习笔记:了解最懂 AI 语音的头脑都在思考什么 阅读全文
posted @ 2026-09-03 23:21 RTE开发者社区 阅读(46) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、Inworld AI 发布实时 TTS 模型 Realtime TTS-2:从单句合成升级为多轮音频感知,可用自然语言控制语气 Inworld AI 发布 Realtime TTS-2,相比 Realtime TTS 1.5 主要根据当前文本生成语音 阅读全文
posted @ 2026-09-03 23:00 RTE开发者社区 阅读(82) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、Meta 发布实时音频感知模型 Muse Voice Transcribe:单模型完成流式 ASR、20+ 人说话人分离与端点检测 Meta Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcr 阅读全文
posted @ 2026-09-03 22:12 RTE开发者社区 阅读(38) 评论(0) 推荐(0)
摘要:单次推理优化或速度本身从不是护城河。我们最关心的是:面对新的模型和架构,我们能多快跟进?——Batuhan Taskaya,Fal 创始工程师 MiniMax H3 MAX 「24 小时直播、无限 AI 生成」的爆火,让训练该模型的公司 Fal 进入开发者视野。 基于 MiniMax H3 后训练而 阅读全文
posted @ 2026-09-02 21:53 RTE开发者社区 阅读(33) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、AI 视频生成公司 Runway 发布首个「界面世界模型」 Solaris:不用生成代码,直接逐帧实时生成可交互 App 和网页 AI 视频生成公司 Runway 发布 Solaris,并将其定义为首个 Interface World Model(界 阅读全文
posted @ 2026-09-02 21:08 RTE开发者社区 阅读(47) 评论(0) 推荐(0)
摘要:本期编辑:@三水、@鲍勃 01 有话题的技术 1、Anthropic 开放硬件标准 MHS 研究预览:让 AI Agent 统一操控实验设备,硬件集成从数周缩短到数小时 Anthropic 开放 Model Hardware Standard(MHS)研究预览,一套让 AI Agent 安全操作现实 阅读全文
posted @ 2026-09-01 23:56 RTE开发者社区 阅读(36) 评论(0) 推荐(0)
摘要:WebRTC 里很多机制最初是针对人类感官调优的……那些专为人类会议场景打造的设计,搬到 AI 时代都需要重新审视与校准。——Justin Uberti 如果你在浏览器里打过视频电话、开过在线会议,背后大概率都有 WebRTC 的影子。Justin 是 WebRTC 最初的架构师之一,曾任 Goog 阅读全文
posted @ 2026-09-01 23:27 RTE开发者社区 阅读(30) 评论(0) 推荐(0)