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
posted @ 2026-08-08 00:17
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、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
posted @ 2026-08-07 00:40
RTE开发者社区
阅读(24)
评论(0)
推荐(0)
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
posted @ 2026-08-06 23:35
RTE开发者社区
阅读(5)
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 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
posted @ 2026-08-05 23:19
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、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
posted @ 2026-08-05 00:09
RTE开发者社区
阅读(19)
评论(0)
推荐(0)
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
posted @ 2026-08-04 23:31
RTE开发者社区
阅读(18)
评论(0)
推荐(0)
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
posted @ 2026-08-02 14:25
RTE开发者社区
阅读(27)
评论(0)
推荐(0)
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
posted @ 2026-08-02 13:35
RTE开发者社区
阅读(18)
评论(0)
推荐(0)
浙公网安备 33010602011771号