AI测试 Orpheus 语音模型支持中文预训练和微调，模拟细微语音特征；谷歌版 MCP 来了，A2A 协议让不同厂商 Agent 协作
开发者朋友们大家好：
这里是 「RTE 开发者日报」 ，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement）领域内「有话题的 技术 」、「有亮点的 产品 」、「有思考的 文章 」、「有态度的 观点 」、「有看点的 活动 」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。
本期编辑：@qqq、@ 鲍勃
01 有话题的技术
1、Orpheus 语音模型发布多语种版本，提供中文预训练和微调模型
Canopy Labs 近日发布了 Orpheus Multilingual 语音模型，旨在提升 AI 语音生成在非英语语种的表现力。本次发布的一大亮点是，该模型已支持包括中文、法语、德语、西班牙语、意大利语、韩语和印地语在内的多种语言。
Orpheus Multilingual 致力于提升语音生成的真实感和自然度。不同于以往的模型，它专注于于模拟人类更细微的语音特征，力求让 AI 语音更接近真人：
情感表达： 根据语句内容，调整语音的情感基调，例如表达喜悦或悲伤。
非语音元素： 模拟人类自然发出的非语音声音，例如笑声、叹息等。
口语化特征： 模拟口语中常见的停顿、重复和自我修正等特征，使语音更自然。
据悉，即便在训练数据有限的情况下，该模型也能生成高质量的语音。
本次发布内容包括：
- 预训练和微调模型： 针对上述多种语言，提供预训练和微调后的模型。
- 多语种训练指南： 提供详细的训练指南，鼓励开发者基于该模型进行定制化开发。
- 开源代码： 相关代码已开源，方便研究者和开发者使用。
特别值得关注的是，该模型提供中文预训练和微调模型，为中文语音应用的开发提供了更灵活的选择。
2、「谷歌版 MCP」来了，开源 A2A，不同厂商 Agent 也能协作
谷歌推出 A2A 协议 ，即 Agent2Agent，能让 AI Agent 在不同生态系统间安全协作，而无需考虑框架或供应商。
不同平台构建的 AI Agent 之间可以进行 通信、发现彼此的能力、协商任务并开展协作 ，企业可通过专业 Agent 团队处理复杂工作流，重点是开源的。
借助 A2A 协议，招聘这件事儿还能这么玩：
在谷歌 Agentspace 统一界面中，招聘经理可以向自己的 Agent 下达任务，让其寻找与职位描述、工作地点和技能要求相匹配的候选人。
然后，该 Agent 立马与其它专业 Agent 展开交互，寻找潜在候选人。
用户会收到推荐人选，之后可指示自己的 Agent 安排进一步的面试，面试环节结束后，还可以启用另一个 Agent 来协助进行背调。
总结来说，A2A 遵循五大设计原则：
- 发挥 Agent 的能力： 专注于让 Agent 以自然非结构化的模式进行协作，即使它们之间没有共享内存/工具/上下文信息，致力于实现真正的 Agent 多场景，不会将某个 Agent 局限为一种「工具」。
基于现有标准构建： 该协议是在包括 HTTP、SSE、JSON-RPC 等现有常用标准基础上构建的，更容易与企业日常使用的现有信息技术堆栈相集成。
默认安全： 支持企业级身份验证和授权，在推出时其安全性符合 OpenAPI 级别的认证标准。
持长时间运行的任务： 各种场景 A2A 都能应对，包括从快速完成的任务，到那些可能需数小时甚至数天才能完成的深入研究任务。整个过程中，A2A 可为用户提供实时反馈、通知以及状态更新。
模态无关： 支持包括音频、视频等在内的各种模态。
据了解，A2A 已经得到了包括 Atlassian、Box、Cohere、Intuit、Langchain、埃森哲、BCG、Capgemini、Cognizant 等在内的 50 多家技术合作伙伴和服务提供商的支持。（@ 量子位）
3、字节最新人像视频生成模型 DreamActor-M1，推特关注超百万！即梦 AI 即将上线
自数字人技术 Omnihuman-1 引起行业关注之后，字节智能创作团队再放大招。
最近，这支团队一项基于 DiT 架构的可控人像视频生成技术 DreamActor-M1，一经发布，又在推特上引起了超百万量级的关注。仅需一张静态照片和一段驱动视频，便可生成高质量、达到电影级别的视频，将人像视频生成的表现力提升至全新水平。
DreamActor-M1 不仅能够保留原图中的身份特征，还能精准捕捉并迁移驱动视频中的动作和表情，呈现出高度逼真的效果，极大地简化了现有的动作捕捉、角色动画以及内容创作流程。
据悉，Omnihuman-1 技术已经应用于即梦数字人玩法的「大师模式」而 DreamActor-M1 模型也将于近期上线即梦 AI，用户将可以在「数字人」-「动作模仿」功能下体验新模型。相比已有的动作模仿效果，在生成内容逼真度、画风支持、画面比例支持等多个方面将大幅优化。（@ 新智元）
4、月之暗面开源轻量级 MoE 多模态模型，支持推理，效果超过 GPT-4o
月之暗面最新开源了 基于 MoE 架构的高效多模态模型 Kimi-VL ，它具有先进的多模态推理、长文本理解以及强大的 agent 能力，模型总参数为 16B，但是推理时激活参数不到 3B。
作为一个通用的 VLM，Kimi-VL 在多轮 agent 交互任务（例如 OSWorld）中表现出色，取得了与旗舰模型相当的最先进的结果。此外，它在各种具有挑战性的视觉语言任务中展现出卓越的能力，包括大学级别的图像和视频理解、光学字符识别（OCR）、数学推理、多图像理解等。在基准测试中，它超过了 GPT-4o-mini、Qwen2.5-VL-7B 和 Gemma-3-12B-IT 等高效的 VLM 模型，同时在几个专业领域超越了 GPT-4o。
Kimi-VL 还在处理长文本和清晰感知方面推进了多模态模型的帕累托前沿：配备了 128K 扩展上下文窗口，Kimi-VL 能够处理长且多样化的输入，在 LongVideoBench 上得分 64.5，在 MMLongBench-Doc 上得分 35.1；其原生分辨率的视觉编码器 MoonViT，进一步使其能够看到并理解超高分辨率的视觉输入，在 InfoVQA 上取得了 83.2 的分数，在 ScreenSpot-Pro 上取得了 34.5 的分数，同时在处理常见视觉输入和一般任务时保持较低的计算成本。
在 Kimi-VL 基础上，月之暗面还推出了支持推理的多模态模型：Kimi-VL-Thinking。通过长链推理（CoT）监督微调（SFT）和强化学习（RL），该模型展现出强大的长期推理能力。它在 MMMU 上取得了 61.7 的分数，在 MathVision 上取得了 36.8 的分数，在 MathVista 上取得了 71.3 的分数。
（@AI 小小将）
02 有亮点的产品
1、阿里 AI 智能眼镜将在年底发布
近日，根据维深信息 Wellsenn XR 独家信息，阿里已经确定了 AI 智能眼镜项目方案，目前正在积极招聘和扩充团队。据了解，阿里 AI 智能眼镜主要由智能信息事业群旗下的天猫精灵团队负责，硬件规格将超越目前火爆的 Ray-Ban Meta 智能眼镜：
采用高通 AR1 芯片 + 恒玄 BES2800 双芯片双系统架构，在功耗和续航方面将有更优秀的表现。
眼镜摄像头与 Ray-Ban Meta 一样采用索尼 IMX681 CMOS，1200 万像素，摄像头模组由立景提供，整机代工则由立讯承接。较为惊喜的是，阿里 AI 智能眼镜将分为两个版本，其中一款为带显示的 AI+AR 智能眼镜，并且该版本的优先级更高。报道称，AR 版本将采用表面浮雕光栅衍射光波导，采用了单绿色的 Micro LED 光机模组。AI 方面，上述 AI 智能眼镜将与 AI 旗舰应用「夸克」深度融合。夸克 AI 基于通义大模型技术，是将传统搜索升级为集 AI 对话、深度研究、任务执行于一体的「AI 超级框」。(@APPSO)
2、Google Deep Research 迎来重大更新
昨日，Google 正式为 Gemini Advanced 订阅用户更新基于 Gemini 2.5 Pro 的 Deep Research 功能，据介绍，该版本的 Deep Research 将拥有以下提升：
逻辑更加清晰，能提供更具深度的结论；
信息整合能力提升，从海量数据中快速提取重要内容，并且能化繁为简；
能生成更加详细的报告，并提供一定的独特角度见解。
Google 还放出了新版 Deep Research 与 OpenAI 的 Deep Research 对比。从结果显示，Google Deep Research 多项性能测试大幅领先 OpenAI 的 DR，整体性能提升超 40%。Google 也在报告中透露，Google Deep Research 生成的报告受到评估者的选择，程度远超其他 DR 工具 2 倍多。
而据多位 AI 专业人士测试，Google Deep Research 生成速度快，并且报告内容详细准确（还会在文末准确提供相关信源、文献），甚至还能将报告转换为语音播客。但也有专家指出，Google Deep Research 会存在一定的 token 数量限制，并指出 Google 应该让报告的生成实现无缝恢复，不然会导致严谨的研究内容受限。目前，新版 Google Deep Research 已上架 Gemini 的网页端、安卓或 iOS 的 App，Gemini Advanced 订阅用户独享。（但 Gemini Advanced 用户仅需 19.99 美元即可享受，相比 OpenAI 200 美元的 DR 便宜不少）（@APPSO）
03 有态度的观点
1、腾讯研究院院长：智能向善需要可信、可靠、普惠
近日，腾讯研究院院长司晓通过《中国网信杂志》发表了个人观点，以大模型为代表的生成式人工智能背景下，他提出了推动智能向善的三个「路标」：
需要可信的共识机制：司晓强调，可信是筑牢智能向善的基础，其表示，现在的各类生成式功能都有了不错的表现效果，但在大模型知识输出的精准度、专业度（即大模型的可信度），将成为人工智能应用赛道的核心竞争指标。司晓提出，大模型的「幻觉」不只是技术问题，更需要人类为其引入更多权威的内容数据，并打造新的、可信的共识机制和供应体系。
需要可靠的行业应用：司晓指出，大模型依靠着深度思考、科学推理和研究能力，并且越来越靠近人类的思考方式，随着推理能力的提升，大模型结合上述的各方面，可靠性也会得到提升。司晓预测，随着国产芯片、自主框架等技术日益成熟，今年我们将会迎来大模型应用增长年，大模型的安全性、可靠性将进一步提升。
需要普惠的成果共享：司晓最后提到，普惠是衡量智能向善的标尺。司晓表示，技术迭代过快导致普通大众会产生应用障碍，因此平台企业需要主动承担技术门槛降低的责任，让人工智能普惠于民；另一方面人工智能在工作场景中应该赋能各行各业劳动者，并且为劳动者创造新的就业机会，提升劳动者的自由度与工作舒适性。(@APPSO)
更多 Voice Agent 学习笔记：
a16z 合伙人：语音交互将成为 AI 应用公司最强大的突破口之一，巨头们在 B2C 市场已落后太多丨 Voice Agent 学习笔记
ElevenLabs 33 亿美元估值的秘密：技术驱动 + 用户导向的「小熊软糖」团队丨 Voice Agent 学习笔记
端侧 AI 时代，每台家居设备都可以是一个 AI Agent 丨 Voice Agent 学习笔记
世界最炙手可热的语音 AI 公司，举办了一场全球黑客松，冠军作品你可能已经看过
对话 TalktoApps 创始人：Voice AI 提高了我五倍的生产力，语音输入是人机交互的未来
2024，语音 AI 元年；2025，Voice Agent 即将爆发丨年度报告发布
写在最后：
我们欢迎更多的小伙伴参与 「RTE 开发者日报」 内容的共创，感兴趣的朋友请通过开发者社区或公众号留言联系，记得报暗号「共创」。
对于任何反馈（包括但不限于内容上、形式上）我们不胜感激、并有小惊喜回馈，例如你希望从日报中看到哪些内容；自己推荐的信源、项目、话题、活动等；或者列举几个你喜欢看、平时常看的内容渠道；内容排版或呈现形式上有哪些可以改进的地方等。
素材来源官方媒体/网络新闻