<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[声网的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/agora_cloud</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; agora_cloud]]></copyright><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/170200543</link><guid>https://blog.csdn.net/agora_cloud/article/details/170200543</guid><author>agora_cloud</author><pubDate>Fri, 06 Nov 2026 22:38:58 +0800</pubDate><description><![CDATA[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；]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/170149222</link><guid>https://blog.csdn.net/agora_cloud/article/details/170149222</guid><author>agora_cloud</author><pubDate>Thu, 05 Nov 2026 22:16:44 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/170148788</link><guid>https://blog.csdn.net/agora_cloud/article/details/170148788</guid><author>agora_cloud</author><pubDate>Thu, 05 Nov 2026 21:50:33 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/170128354</link><guid>https://blog.csdn.net/agora_cloud/article/details/170128354</guid><author>agora_cloud</author><pubDate>Thu, 05 Nov 2026 11:05:44 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/169936923</link><guid>https://blog.csdn.net/agora_cloud/article/details/169936923</guid><author>agora_cloud</author><pubDate>Tue, 03 Nov 2026 12:52:22 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/169850543</link><guid>https://blog.csdn.net/agora_cloud/article/details/169850543</guid><author>agora_cloud</author><pubDate>Mon, 02 Nov 2026 23:55:57 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/169565146</link><guid>https://blog.csdn.net/agora_cloud/article/details/169565146</guid><author>agora_cloud</author><pubDate>Sat, 31 Oct 2026 00:03:23 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/169564614</link><guid>https://blog.csdn.net/agora_cloud/article/details/169564614</guid><author>agora_cloud</author><pubDate>Fri, 30 Oct 2026 23:29:06 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[为 Agent 重新设计开发者体验丨iRTE2026 开发者工具专场回顾]]></title><link>https://blog.csdn.net/agora_cloud/article/details/169551608</link><guid>https://blog.csdn.net/agora_cloud/article/details/169551608</guid><author>agora_cloud</author><pubDate>Fri, 30 Oct 2026 13:30:17 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/169545491</link><guid>https://blog.csdn.net/agora_cloud/article/details/169545491</guid><author>agora_cloud</author><pubDate>Fri, 30 Oct 2026 12:35:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/169367405</link><guid>https://blog.csdn.net/agora_cloud/article/details/169367405</guid><author>agora_cloud</author><pubDate>Wed, 28 Oct 2026 22:39:13 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/169366552</link><guid>https://blog.csdn.net/agora_cloud/article/details/169366552</guid><author>agora_cloud</author><pubDate>Wed, 28 Oct 2026 21:28:10 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/168885081</link><guid>https://blog.csdn.net/agora_cloud/article/details/168885081</guid><author>agora_cloud</author><pubDate>Sat, 24 Oct 2026 00:38:22 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[Last Call！实时智能 Builder 聚集！RTE Open Day@iRTE 2026，10.23/24，北京]]></title><link>https://blog.csdn.net/agora_cloud/article/details/168775340</link><guid>https://blog.csdn.net/agora_cloud/article/details/168775340</guid><author>agora_cloud</author><pubDate>Fri, 23 Oct 2026 00:53:36 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/167922251</link><guid>https://blog.csdn.net/agora_cloud/article/details/167922251</guid><author>agora_cloud</author><pubDate>Thu, 15 Oct 2026 00:00:08 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/167922225</link><guid>https://blog.csdn.net/agora_cloud/article/details/167922225</guid><author>agora_cloud</author><pubDate>Wed, 14 Oct 2026 23:53:16 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[The Next Wave is Real Time丨iRTE 2026 全议程重磅揭晓！]]></title><link>https://blog.csdn.net/agora_cloud/article/details/167922122</link><guid>https://blog.csdn.net/agora_cloud/article/details/167922122</guid><author>agora_cloud</author><pubDate>Wed, 14 Oct 2026 23:42:50 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/167920709</link><guid>https://blog.csdn.net/agora_cloud/article/details/167920709</guid><author>agora_cloud</author><pubDate>Wed, 14 Oct 2026 21:42:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/167498145</link><guid>https://blog.csdn.net/agora_cloud/article/details/167498145</guid><author>agora_cloud</author><pubDate>Sun, 11 Oct 2026 00:11:24 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/agora_cloud/article/details/166949073</link><guid>https://blog.csdn.net/agora_cloud/article/details/166949073</guid><author>agora_cloud</author><pubDate>Thu, 01 Oct 2026 21:28:25 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item></channel></rss>