09 2026 档案

Egma 开源 Voice Agent 测试与生产监控平台，模拟通话写进代码仓库；Rene 把 AI 助手藏进 iMessage，多人同聊、跨应用办事丨日报
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(5) 评论(0) 推荐(0)
实时 AI 转写屏蔽工具 Kalypta，人听得懂、ASR 转不出；冰岛声学模拟公司 Treble 融资 1800 万美元，模拟真实噪音环境测试语音 AI丨日报
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(11) 评论(0) 推荐(0)
Google 发布 Gemini 3.8 Live 双模型，实时语音可边聊边异步调用工具；BuzzASR 开源 102 个单语模型、解决多语言 ASR 广而不精丨日报
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(6) 评论(0) 推荐(0)
阶跃发布 StepAudio 3 系列，全双工模型可边聊边调用工具；前苹果研究员创办 Nuance Labs，融资 5000 万美元押注全双工视听模型丨日报
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(9) 评论(0) 推荐(0)
农业 Voice AI 公司 Tellia 融资 500 万美元，农民打电话完成巡田记录；端侧 PulseVAD 开源，可部署到ESP32、STM32丨日报
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(9) 评论(0) 推荐(0)
OpenAI 开放全双工语音模型 GPT-Live-1 API，复杂推理交给 Astra； AI 客服星语智能完成千万级融资：AI 热线日服务超 10 万分钟丨日报
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(11) 评论(0) 推荐(0)
GPT‑Live‑1 + Agora 实战教程：做一个能参会、操作看板的 AI 助手
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(8) 评论(0) 推荐(0)
前 OPPO 团队众筹旅行 AI 眼镜，集成影像、语音导览、翻译与离线对讲；蚂蚁开源 Ling-3.0-flash-VL 多模态模型，让 Agent 边做边改丨日报
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(32) 评论(0) 推荐(0)
Open Yap 1K 开源 1000 小时全双工真人对话数据，可免费商用；字节被曝基于 Seedance 开发实时空间视频世界模型丨日报
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(17) 评论(0) 推荐(0)
Astra 的发布，正解释此刻为何讨论实时智能
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(14) 评论(0) 推荐(0)
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
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(21) 评论(0) 推荐(0)
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
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(18) 评论(0) 推荐(0)
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！
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(25) 评论(0) 推荐(0)
微软 VibeVoice 新增开源流式 ASR 模型，边听边识别「谁说了什么」；fal 开源 H3 Max 实时教育系统，语音讲解同步生成教学动画丨日报
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(52) 评论(0) 推荐(0)
Meta 发力语音模型，Muse Voice Transcribe 突破 20+人分离与中英混说；Datapoint 开源 31.5 万次客服场景盲评 TTS 偏好数据丨日报
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(24) 评论(0) 推荐(0)
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
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(21) 评论(0) 推荐(0)
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
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(28) 评论(0) 推荐(0)
MiniMax H3 Max Live 开启无限 AI 直播时代；Anthropic 开放 MHS 硬件标准，统一 Agent 操作硬件的规范丨日报
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(19) 评论(0) 推荐(0)
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
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(22) 评论(0) 推荐(0)