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：@ 鲍勃 和 Gemini（尽量不生产 AI Slop）
Vision Agents 发布了一个教程，将 LLM、实时视频分析和语音转语音 API 相结合，创建一个名为「AI 瑜伽教练」的交互式 Python 应用。该教练可以通过用户的摄像头分析瑜伽姿势，并提供实时的语音指导和反馈，旨在革新居家和健身房的锻炼体验。
实时姿势分析与反馈： 利用 Ultralytics YOLO 模型实时检测用户姿势，并通过 Gemini LLM 进行分析，提供即时语音反馈以纠正错误和改进动作。
全栈语音交互： 集成 Gemini Live API，实现低延迟的语音转语音交互，用户可以通过语音与 AI 教练进行自然对话。
易于集成的框架： Vision Agents 提供了一个开源框架，简化了语音和视频 AI 应用的开发，支持多种第三方 AI 模型和服务集成。
多场景应用潜力： 该模式不仅限于瑜伽教练，还可以扩展到体育指导、物理治疗、无人机监控等需要实时视频分析和语音交互的领域。
快速原型开发： 通过预置的插件和简单的 Python 配置，开发者可以快速构建和部署 AI 语音助手。
教程：
https://getstream.io/blog/ai-voice-yoga-instructor/
(@Vision Agents Blog)
多模态生成技术在图像、视频、语音等方向的快速突破，使「视频 × 音乐」的多模态生成变成新的研究热点。然而在真实业务场景中，仍然存在诸多未被充分解决的技术空白，例如：
在音乐驱动的视频生成中，仍缺乏对长时序一致性、音画节奏对齐与镜头运动的系统建模；
歌声转换（SVC）方面，在大量真实歌曲输入下仍面临音色稳定性不足、和声干扰导致破音等业界难题；
歌声合成（SVS）场景，缺乏能够在零样本条件下稳健适配不同歌词长度与旋律结构的模型。
在此背景下，巨人网络 AI Lab 继 2024 年发布 YingGame 有声游戏生成模型之后，继续在多模态领域发力，本次联合清华大学与西北工业大学推出三项研究成果：YingVideo-MV、YingMusic-SVC 与 YingMusic-Singer，分别面向音乐驱动的视频生成、歌声转换与歌声合成任务，完善了真实业务场景中多项关键能力链路，为「视频 × 音乐」的多模态生成方向带来了系统性的技术进展。
详细介绍：
https://mp.weixin.qq.com/s/r8de9g9tGFbgk466i8-2Gg
（@ 巨人网络 AI Lab）
U.S. 公司「All Voice AI」与欧洲创投机构「Factory Berlin」合作，推出了全球首个能在实时 AI 语音通话中嵌入广告的平台。这项技术旨在将传统的客户支持电话转变为可直接变现的收入渠道，通过在对话中适时推送相关优惠，为品牌开辟了全新的互动广告模式。
实时对话内广告：该平台能在用户与 AI 进行语音通话时，根据上下文实时插入相关的促销或优惠信息。所有广告均为用户选择性加入（opt-in），旨在确保良好的用户体验。
将成本中心转为收入中心：传统上，语音通话多为客户支持等成本部门。该平台通过广告变现，帮助企业将这一渠道转变为新的收入来源，目前已支持 57 种语言。
高接受度与市场潜力：「All Voice AI」的调查显示，高达 97% 的受访者表示，如果广告内容与他们的通话目的相关，他们愿意在电话中接收此类优惠信息，这预示着巨大的市场潜力。
技术生态与专利保护：该平台技术与「OpenAI」、「Twilio」和「AWS」等巨头合作。其核心创新已申请专利保护，并提供技术授权给商业合作伙伴。
(@PR Newswire)
品玩 11 月 27 日讯，据 TechCrunch 报道，OpenAI CEO Sam Altman 与苹果前首席设计师 Jony Ive 近日在旧金山 Emerson Collective 活动上透露，双方合作的 AI 硬件设备已进入原型阶段，预计两年内面世。
该设备被描述为「无屏幕、口袋大小」，强调极致简约与宁静体验。Altman 称其愿景是打造一款如「湖畔山间小屋般平静」的产品，能长期理解用户情境、主动过滤干扰，并赢得用户信任。Ive 表示，理想设计应「看似天真简单」，却内含高度智能，让人无负担地自然使用。
目前 OpenAI 尚未公布具体技术细节。
（@ 品玩）
继小米、百度之后，国内第三家科技互联网巨头发布 AI 眼镜。
11 月 27 日，阿里夸克在北京举办「先见之明」新品发布会，正式发布了「夸克 AI 眼镜 S1」。作为阿里 AI 战略中的关键落子，夸克 S1 在技术路径的选择上并未采用保守的 ODM 通用方案，而是展现出了极强的「创新欲」：搭载「千问」对话助手、采用双芯片架构、双目 AR 光波导与 AI 拍摄结合的高集成度方案。
这种从底层技术逻辑出发的产品定义，让夸克 AI 眼镜 S1 与此前小米、百度等厂商推出的以「拍摄」为主的 AI 眼镜形成了显著差异。它不局限于单一的影像捕捉，而是基于「近眼显示」能力，将阿里庞大的服务生态通过 AI 多模态形式延展至眼镜端。更为难得的是，在堆叠如此复杂硬件的同时，整机重量依然被控制在了 51g（含 0 度近视镜片）。
(@VR陀螺)
Gloo 公司，一家技术平台，近日宣布收购 AI 公司 XRI Global。此次战略性举动旨在将其平台 Gloo AI 和 Gloo360 嵌入 XRI Global 先进的多语言和语音 AI 能力，从而大幅拓展 Gloo 的市场潜力，并赋能全球数千种语言的用户。
战略性技术整合： Gloo 收购 XRI Global，旨在整合其在多语言和语音 AI 领域的尖端技术，特别是针对「低资源语言」的创新。
弥补 AI 语言鸿沟： XRI Global 专注于开发能够覆盖全球数千种语言（包括缺乏训练数据或书写系统的语言）的 AI 模型，旨在解决目前全球约 6,800 种语言未被现代 AI 创新覆盖的问题。
独特方法论与成果： XRI Global 拥有一套经过研究验证的方法论，已在过去 18 个月内为 30 多种语言构建了 AI 模型。其团队由来自 Meta 和 Google 的机器学习、计算语言学博士组成。
(@Gloo)
（@ 香港迪士尼乐园度假区、@ 机器人前瞻）
据澳洲九号台新闻 11 月 25 日报道，《Macquarie Dictionary》宣布「AI slop」成为 2025 年度词汇，用以描述由生成式人工智能大量生产的、缺乏意义且充满错误的低质量内容。
该词语的入选，反映了公众对人工智能技术滥用现象的关注日益增强。
每年，《Macquarie Dictionary》都会组织特别委员会评选年度词汇。今年的评审成员包括词典编辑团队、广播主持人兼作家 David Astle，以及语言研究专家 Tiger Webb。
委员会指出，2025 年「我们已理解『slop』的含义——即无意义、无用途的 AI 产物」，并进一步提出：「那些摄取并传播这类内容的人，是否也将被称作『AI sloppers』？」
除「AI slop」外，今年的荣誉提名还包括「clanker」，用于贬义地称呼取代人类完成任务的 AI 机器人，以及「medical misogyny」，意指医疗和知识体系中，特别是在女性生殖健康领域存在的性别偏见。
这些新词汇反映出科技发展、社会结构与公共意识在过去一年中的显著变化。
（@ 澳洲九号台）
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。
