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：@ 瓒 an、@ 鲍勃
1、Google DeepMind 通过人才并购整合 Hume AI 核心团队：强化 Gemini 原生语音情感识别能力
Google DeepMind 通过一项非独占许可协议，吸收了语音 AI 创业公司 Hume AI 的 CEO Alan Cowen 及约 7 名核心工程师。此举旨在将 Hume AI 的情感计算技术整合至 Gemini 模型中，提升原生语音交互的共情能力与语调感知精度。
非独占 IP 授权与人才并购：Google 获得了 Hume AI 全套知识产权的非独占使用权；核心研发团队将直接进入 DeepMind 负责改进 Gemini 的语音功能。
情感语音接口技术集成：Gemini 将引入 Hume AI 的核心能力，即通过语音语调提取用户情绪与心境特征，实现比标准 TTS 更具拟人感的实时反馈。
Hume AI 维持独立运营与模型更新：公司任命 Andrew Ettinger 为新任 CEO，将继续为第三方厂商提供 API 服务，并计划在未来数月内发布新一代模型，预计今年营收将达到 1 亿美元。
对标音频原生硬件与低延迟交互：此举旨在应对 OpenAI 即将推出的音频优先硬件（由 Jony Ive 的「LoveFrom」设计）以及 Meta 整合「Play AI」后的智能眼镜语音生态，标志着大模型竞争进入语音模态竞争期。
核心团队已入职 Google DeepMind；Hume AI 原有业务维持商业化运作。
( @TechCrunch)
2、Qwen3-TTS 系列开源：采用 Dual-Track 架构，端到端延迟缩减至 97ms
「Qwen」团队开源 Qwen3-TTS 语音生成模型全家桶，涵盖 1.7B 与 0.6B 两种参数规模。该系列基于自研多码本语音编码器，实现了从音色克隆、音色创造到自然语言指令控制的端到端建模，将语音合成的首包延迟优化至百毫秒以内。
Dual-Track 混合架构实现 97ms 极低延迟：放弃传统的 LM+DiT 级联方案，采用非 DiT 轻量级架构，单模型同时兼容流式与非流式生成。在流式场景下，输入单个字符即可触发音频首包输出，端到端合成延迟低至 97ms。
Qwen3-TTS-Tokenizer-12Hz 高保真表征：基于离散多码本语音编码技术，在重构评估中 PESQ 分数达 3.21/3.68（宽带/窄带），STOI 达 0.96。该编码器在 12Hz 采样率下完整保留副语言信息与声学特征，实现近乎无损的说话人信息还原。
自然语言驱动的「VoiceDesign」音色创造：支持通过复杂的声学属性（如「语调上扬」、「高亢男性嗓音」）或人设描述直接生成定制化音色，并在 InstructTTS-Eval 评测中表现优于闭源模型 MiniMax-Voice-Design。
高鲁棒性的长语音与跨语种能力：模型支持中、英、日、韩等 10 种主流语言。在长语音任务中，10 分钟连续合成的中英词错率（WER）仅为 2.36% / 2.81%；在跨语种音色克隆测试上，说话人相似度优于 CosyVoice3 等 SOTA 模型。
全系列模型（1.7B / 0.6B）及各功能变体（VoiceDesign， Instruct， VoiceClone）已在 GitHub、HuggingFace 及 ModelScope 开源，同时已集成至 Qwen API。
ModerScope:
https://www.modelscope.cn/collections/Qwen/Qwen3-TTS
HuggingFace:
https://huggingface.co/collections/Qwen/qwen3-tts
Github:
https://github.com/QwenLM/Qwen3-TTS
（@ 千问 Qwen）
3、Ringg AI 获 550 万美元 A 轮融资：自建 GPU 算力支持私有化部署，实现 75% 语音通话全自动化闭环
印度语音 AI 初创公司「Ringg AI」完成 550 万美元 A 轮融资，由「Arkam Ventures」领投。本轮资金将用于构建自研模型及内部 GPU 基础设施，旨在摆脱对第三方 API 的依赖，并为高合规行业提供私有化部署能力。
全栈自研与基础设施投入：计划利用融资构建自有模型并建立内部 GPU 集群，以降低推理延迟和第三方接口成本，提升对核心技术栈的掌控力。
私有化部署能力：针对银行、医疗等对数据驻留和合规性有严格要求的行业，提供本地化部署方案，支持在企业自有内网环境下运行语音智能体。
75% 端到端无人值守率：目前平台每月处理约 150 万次语音通话，其中约四分之三的任务由 AI 独立完成，无需人工干预。
多语言 NLU 引擎：支持包括印度本土语言、英语、阿拉伯语、西班牙语等在内的 18 种语言，覆盖催收、获客、物流确认等高频业务场景。
新增「带有记忆层」的 AI 原生 CRM：规划中的产品线包含具备上下文持久化能力的 CRM 系统、通话拦截工具及预构建工作流市场。
目前已为「CRED」、「Flipkart」、「Shell」等 20 多家企业提供服务；私有化部署方案及新一代 AI 原生 CRM 正在开发/试点阶段。
( @The Economic Times)
1、曝 OpenAI 悄然推进机器人项目：百人团队昼夜采集训练数据
据《商业内幕》报道，OpenAI 在过去一年里悄然建立了一个人形机器人实验室。知情人士称，自 2025 年 2 月启动以来，该实验室规模已扩大四倍多。
报道称，相关实验室建立在旧金山，规模超过 100 人，并计划在今年于加州里士满开设第二处实验设施。
该实验室与公司财务团队位于同一栋楼，主要由数据采集员通过 3D 打印控制器「GELLO」远程操控 Franka 机械臂执行家务任务，包括放置吐司、折叠衣物等。
相关人员表示，这些基础动作训练是 OpenAI 构建人形机器人长期计划的一部分。
OpenAI 曾在 2020 年关闭早期机器人项目，当时公司称需将资源「重新聚焦」至其他方向。
如今，随着生成式 AI 的快速发展，OpenAI 再度押注机器人方向，并在去年向美国本土制造商发出合作意向征集，涉及消费级设备、机器人以及云数据中心等硬件项目，但未披露预算与时间表。
知情人士称，OpenAI 当前的机器人研发仍处于早期阶段，实验室内部展示区放置着一台被描述为类似 iRobot 的人形机器人，但鲜少被实际启用，主要工作仍集中在机械臂的远程操控与数据采集。
与特斯拉等公司依赖全尺寸人形机器人和动作捕捉训练不同，OpenAI 选择以低成本、可扩展的方式积累大量机械臂操作数据。
研究人员指出，这种方法更易让机器人学习人类动作与机械臂运动之间的映射关系，有望在未来形成类似 ChatGPT 的「机器人时刻」。
目前，OpenAI 的数据采集工作采取三班倒模式，全天候运行，实验室也在持续提升数据采集效率。部分数据将用于模拟环境训练，并定期测试机械臂的实际表现。
( @APPSO)
2、曝 vivo 叫停 AI 眼镜项目
据《智能涌现》援引多名知情人士报道，vivo 近期已叫停其筹备约半年的 AI 眼镜项目。
知情人士称，该项目此前已与歌尔、中科创达等多家 ODM 厂商合作推进 demo，涵盖音视频与带单绿显示等多种方案，但在尚未最终确定方向前即被叫停。
vivo 高层判断，在当前阶段 AI 眼镜产品「很难做出差异化」，因此选择暂停推进。
报道指出，vivo 的快速收缩折射出当前 AI 眼镜行业的普遍困境。
一方面，AI 眼镜作为头戴式设备，硬件门槛高于多数消费电子产品，任何细节不足都可能显著影响体验；
另一方面，行业同质化严重，去年发布的多款产品在外形设计上普遍跟随 Ray-Ban Meta，核心功能集中在第一视角拍摄、翻译与题词等场景，缺乏差异化突破。
供应链人士透露，已有厂商因芯片选型等问题导致体验不佳，例如闪极、小度等品牌的首代产品均遭遇通话质量或解析力不足等问题，甚至引发退货潮。
一名 AI 眼镜厂商 CEO 直言，目前行业内「几乎没有一款产品真正达到体验标准」。
除 vivo 外，小米也被曝下调第二代 AI 眼镜的出货预期，从首代的 30 万台降至约 12 万台，显示行业整体进入更为谨慎的阶段。
报道提到，尽管暂停 AI 眼镜项目，vivo 并未放弃对下一代硬件入口的探索。vivo 将继续聚焦混合现实（MR）方向，其在去年 8 月发布的 vivo Vision 探索版主打轻量化与自然交互，但未公开销售，仅面向用户体验。
( @APPSO)
1、黄仁勋谈 AI 泡沫：真正的挑战是投资还不够
据《财富》和《福布斯》报道，英伟达 CEO 黄仁勋近日在达沃斯论坛回应外界对「AI 泡沫」的担忧，强调当前巨额资本开支并非投机迹象，而是为了支撑「人类历史上规模最大的基础设施建设」。
黄仁勋表示，外界之所以感受到泡沫，是因为投资规模空前庞大，但这些投入主要用于建设 AI 所需的能源、芯片、数据中心等底层基础设施。
他指出，全球正处于 AI 工业化的早期阶段，「我们只投入了几千亿美元，但未来需要建设的基础设施规模以万亿美元计」。
在与全球规模最大的投资管理公司之一贝莱德 CEO Larry Fink 的对谈中，黄仁勋进一步提出「五层 AI 蛋糕」框架：底层为能源，其上依次是芯片与计算、云基础设施、AI 模型以及最上层的应用。
他强调，当前资本主要流向底层基础设施，而非投机性应用，「这不是泡沫，这是产业重建」。
黄仁勋以 GPU 租赁价格作为「反泡沫」证据：不仅最新一代 GPU 供不应求，连两代前的产品租金也在上涨，显示真实需求强劲。
他指出，包括制药企业在内的传统行业正在将研发预算从实验室转向 AI 超算，推动算力需求持续攀升。
在谈及就业结构时，黄仁勋特别提到，AI 并不会在短期内冲击所有岗位，相反，职业技工的需求正在快速上升。
他表示，数据中心建设需要大量水管工、电工、暖通工程师及建筑工人，这些岗位的薪资水平正在被推高，「六位数薪资将成为常态」。
他强调，AI 带来的不仅是软件革命，更是一次覆盖能源、制造、建筑等行业的「实体世界基建潮」。
在《福布斯》的报道中，黄仁勋还提到过去一年 AI 出现三项关键突破：模型推理能力显著增强、开源模型加速行业创新、AI 在蛋白质结构等物理领域取得进展，使其成为真正的产业级技术。
面对欧洲能源与产业结构问题，黄仁勋认为欧洲在制造业与深度科研方面具备优势，应抓住「物理 AI」与机器人技术的窗口期，但前提是加大能源基础设施投入。
尽管市场在去年下半年因 GPT‑5 表现不及预期等因素出现波动，黄仁勋再次强调，AI 投资并未过热，甚至可能「投入不足」。他呼吁更多国家与企业参与基础设施建设，「每个人都应该参与进来」。
( @APPSO)
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。
作者提示: 个人观点，仅供参考
