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：@ 子禾、@ 鲍勃

01 有话题的技术

1、Marvis-Labs 发布 Marvis TTS，主打实时语音克隆与流式合成

Marvis-Labs 在 GitHub 上发布了开源项目 Marvis TTS，这是一款专为实时语音克隆和流式文本转语音（TTS）设计的轻量级模型。该模型最大的亮点在于，只需 10 秒的音频即可快速克隆任何人的声音，并且能以流式方式处理文本和生成语音，从而实现更自然的对话流，避免传统 TTS 模型的停顿感。

该项目专为在本地消费级设备上高效运行而设计，其模型体积小（量化后仅 500MB），基于 Sesame CSM-1B 架构，非常适合用于个人助理、有声读物创作和会话式 AI 等多种场景。

相关链接：

https://github.com/Marvis-Labs/marvis-tts@( Github、@X@Prince_Canuma )

2、微软发布 AI 智能体「可观测性」框架，解决模型「盲跑」难题

微软近日发布了 AI Agent 的五大可观测性最佳实践，旨在解决智能体在自动化流程中遇到的「盲跑」和不可控问题。这些实践涵盖了智能体从开发到生产的全生命周期，核心在于通过监控、追踪、日志、评估和治理这五个维度，帮助开发者全面理解智能体的决策过程，确保其可靠、安全和合规。

微软将这些能力整合进其 Azure AI Foundry 平台，为开发者提供一站式解决方案。通过该平台，团队可以利用内置的评估工具测试模型质量、在 CI/CD 流程中实现自动化评估、使用 AI 红队功能模拟对抗性攻击，并在部署后通过 Azure Monitor 进行实时监控。

这套可观测性框架不仅提升了智能体的性能和安全性，也为开发者提供了更强的控制力，确保 AI 智能体在实际应用中能够稳定、可靠地运行。（@ AIGC 开放社区）

3、InfiniteTalk：美团开源新型虚拟人技术，告别「面瘫」配音

美团视觉智能部近期开源了新型虚拟人驱动技术 InfiniteTalk，旨在彻底解决视频配音中的「口型僵硬」和「面部表情脱节」等问题。该项目发布了论文、代码及模型权重，为视频内容创作提供了全新的解决方案。

技术核心：从局部到全身的表达

InfiniteTalk 引入了一种全新的「稀疏帧视频配音」范式。它不再局限于传统的嘴部编辑，而是通过策略性地利用视频中的关键帧，实现从口型同步到面部表情和肢体动作的自然对齐。这一技术能够根据音频所表达的情感，自动生成与配音相匹配的全身动态，有效解决了视听信息不一致的问题。

为了应对长视频的生成挑战，InfiniteTalk 采用了流式生成架构，通过巧妙的「上下文帧」机制，确保了长序列视频的流畅性和连贯性，彻底解决了累积误差和片段间突兀过渡的问题。这项技术的发布，为短视频创作、虚拟偶像和在线教育等领域提供了强大的工具，有望大幅提升内容制作的效率和表现力。（@ 机器之心）

02 有亮点的产品

1、Roark：为语音 AI 代理打造的「质控 + 可观测性」平台

YC W25 孵化初创公司 Roark 近日发布了一款专为语音 AI 代理设计的一体化平台，旨在解决其在测试、监控和持续改进中的核心挑战。Roark 将自身定位为语音 AI 领域的「QA + 可观测性」层。

平台核心功能包括：

1. 全面监控与评估： 提供超过 40 种内置及自定义通话指标（如延迟、指令遵循、情感），能识别多达 15 个说话人，并通过情绪、声音特征分析深入洞察。数据可通过仪表盘、报告及告警系统追踪。

2. 强大模拟与压力测试： 支持端到端模拟（电话/WebSocket），采用图形化脚本覆盖复杂路径。可配置多元「人物画像」（性别、口音、背景噪音、情绪、意图等）进行压力测试，并将真实失败通话转化为自动化测试用例。

3. 深度开发者集成： 提供 Node/Python SDK 及 REST API，并已原生集成 LiveKit、Pipecat、VAPI、Retell、Voiceflow 等主流语音 AI 平台。

在过去 6 个月里，Roark 已为 Radiant Graph 等公司处理了超过 1000 万分钟的通话数据。Roark 致力于通过「监控实时通话 → 发现失败 → 转化为测试用例 → 持续改进」的闭环流程，助力团队构建更可靠的语音 AI 代理。

相关链接：

https://www.producthunt.com/products/roark-yc-w25@( ProductHunt )

2、Assort Health：AI 语音助手，重新定义医疗机构患者沟通

近日，专注于为专科医疗机构提供 AI 患者沟通自动化服务的初创公司 Assort Health 完成 5000 万美元 B 轮融资，但真正引人关注的是其核心产品 ------ 一款专为医疗前台设计的 AI 语音助手。该产品旨在接管医院的日常重复性工作，如预约安排、取消预约和常见问题解答，从而解放医护人员，让他们能专注于更复杂、更具人性化的患者沟通。

Assort Health 的 AI 助手能为中小型专科诊所带来巨大价值。对于那些因候诊时间长而流失患者的诊所而言，这款 AI 语音助手能够实现快速响应，确保每一个来电都能得到及时处理，从而有效减少患者流失。

目前，该产品已成功将服务范围从最初的骨科和理疗诊所，扩展到了妇产科、皮肤科和牙科等多个专科领域。在 AI 加速渗透医疗行业的趋势下，Assort Health 的产品为如何用技术解决医疗服务中的实际痛点提供了一个有力的范例。(@ Z Potentials )

03 Real-Time AI Demo

1、集成世界模型和语音教练，实时生成动态虚拟环境的动感单车

一款利用 AI 技术提供沉浸式健身体验的动感单车。它在短短八小时内开发完成，旨在彻底改变传统动感单车的局限性。

使用的技术栈包括：Inworld TTS、Python、JS、Flask、Node、Mirage LSD 和 Raspberry Pi。

核心功能

• 实时动态环境生成：通过实时流式扩散（livestream diffusion）技术，系统能够根据用户的骑行速度实时生成动态虚拟环境。用户可以向 AI 语音教练发出指令，例如「骑行穿过火星」或「进入《我的世界》」，系统便会即时渲染出相应的场景。

• 高互动性与自由操控：与传统动感单车不同，这款产品允许用户使用 PlayStation 5 控制器进行转向，大大增强了可玩性。

• 技术亮点：项目通过 Raspberry Pi 上的磁力计实时测量速度，并通过 WebRTC 进行数据传输；虚拟环境使用 Three.js 构建；AI 语音部分由 ElevenLabs 提供支持。

相关链接：

https://x.com/inworld_ai/status/1960460815586484384@( X@inworld_ai )

04 有态度的观点

1、Anthropic CEO：AI 技术潜力巨大，但无序扩张才是风险所在

Anthropic 首席执行官达里奥·阿莫代（Dario Amodei）在访谈中指出，人工智能技术的真正潜力在于其广泛的应用场景，尽管当前增长最快的领域是编程，但医疗、生物医药等「长尾」应用市场仍有巨大价值待挖掘。他认为，AI 的普及落地主要障碍并非技术本身，而是大型企业员工对新技术的适应。面对 AI 的快速发展，阿莫代不主张采取「放缓技术」或「全速前进」的极端策略，而是呼吁在不大幅拖慢技术发展的前提下，探索并实施有效的安全保障措施，将 AI 引向正确的方向。

在商业模式上，阿莫代坦言，AI 模型训练需要巨大的资本投入，但这种模式并非传统意义上的亏损。他将每个新模型视为一个独立的、可盈利的项目，尽管持续的指数级投入让公司的财务报表看似在亏损，但每个模型的投资回报周期都非常健康。他强调，Anthropic 凭借独特的以信任为基础的七人创始团队、强大的工程能力以及坚定的使命感，在激烈的市场竞争中保持了领先地位，尤其是在为企业提供 AI 服务方面。(@ Z Potentials )

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

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