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：@koki、@ 鲍勃
1、Odyssey 发布通用世界模型 Odyssey-2 Max：自回归扩散 Transformer 架构，物理仿真性能提升 18%
Odyssey 推出迄今规模最大的通用世界模型 Odyssey-2 Max。该模型采用自回归扩散 Transformer（AR DiT）架构，通过对大规模真实世界动作的「下一状态预测」（Next-state Prediction）实现高保真物理仿真，在 VBench 2 物理基准测试中刷新行业纪录，支持实时交互式模拟。
计算规模与性能飞跃：模型参数量为 Pro 版本的 3 倍，训练算力增加 10 倍，采用数百颗 NVIDIA Blackwell（B200）GPU 训练；其 VBench 2 物理评分从 49.67 提升至 58.52（提升约 18%）。
长序列专用 KV Cache：通过自研 KV cache 技术，支持比前代长 20 倍的序列进行全反向传播训练，解决了长时程（Long-horizon）物理动力学预测中的漂移与崩溃问题。
因果预测架构（Causal AR）：区别于 Sora、Kling 等双向视频模型，该模型基于因果关系逐帧预测下一状态，支持根据用户实时输入动作进行开放式交互推理。
连续潜空间流匹配（Flow Matching）：弃用离散 Token 化方案，改用连续流匹配技术，在潜空间内实现高保真模拟，并结合「少步去噪」（Few-step denoising）技术达成实时推理。
三阶段训练范式：依次通过大规模视频预训练（视觉动力学）、交互任务微调（动作响应）及长时稳定性训练（减少步进误差累积），确保复杂物理过程的逻辑一致性。
( @Odysseyml\@X)
2、清华大学发布 ControlAudio：基于渐进式扩散建模实现音频事件定时与语音内容协同生成
清华大学团队提出 ControlAudio 架构，通过渐进式扩散建模（Progressive Diffusion Modeling）实现了文生音频（TTA）中时间锚定与语音内容的可控合成。该方法解决了模型在复杂场景下难以精确控制声音发生时间及语音清晰度低的技术痛点。
三阶段渐进式训练策略：模型通过「基础 TTA 预训练 → 时间结构（Timing）微调 → 音素（Phoneme）联合训练」的步骤，逐步引入不同粒度的控制信号，实现了对 Text、Timing 和 Phoneme 条件信息的统一编码与建模。
由粗到细的引导采样（Progressive Guided Sampling）：利用扩散模型从宏观到微调的去噪特性，在推理前期仅使用时间条件锁定事件结构，后期引入高强度音素引导，确保语音生成的可理解性与时间对齐精度。
CoT 结构化提示词解析：引入基于链式推理（Chain-of-Thought）的自动生成流程，将非结构化自然语言指令解析为「事件—时间—语音内容」的标准化输入，降低了预训练文本编码器的解析压力。
高密度仿真数据增强：基于 AudioSet-SL 进行音频分离与转写，并结合语音活动分布统计，合成超过 17 万条包含精准时间戳与音素标注的 ⟨text， timing， phoneme， audio⟩ 训练样本，解决了细粒度标注数据匮乏的问题。
性能指标提升：在 AudioCondition 测试集中，其事件时间对齐指标显著优于现有基准模型，并在引入强约束控制的同时，保持了与主流 TTA 模型相当的 FAD 和 CLAP 音频质量得分。
随着音频与多模态生成模型的发展，越来越多系统开始探索 Speech、Audio、Music 的统一建模范式。研究团队希望 ControlAudio 所提出的「多粒度条件统一建模 + 渐进式生成」思路，能够为通用音频生成提供一种可扩展的技术路径，推动模型从单一任务走向更复杂、多维度可控的内容生成。
效果试听：
https://control-audio.github.io/Control-Audio
（@ 机器之心）
1、Bud 发布 AI Human Emulator：集成云端虚拟环境，支持全自主端到端任务执行
Bud 推出名为 AI Human Emulator 的智能体系统，通过为 AI 配备完整的云端虚拟计算环境（算力、存储、内存及浏览器），使其具备像人类一样操作计算机的能力。该产品无需本地配置，支持通过短信、Telegram 或 Web 端直接调用，实现从代码编写到深度调研的端到端任务闭环。
集成全功能虚拟计算栈：每个智能体实例内置独立的存储、算力与内存资源，支持创建、编辑、存储文件及运行复杂代码逻辑。
原生多模态交互入口：除 Web 端外，支持通过 +1（415）525 9024 短信及 Telegram 进行实时交互，将智能体能力下沉至即时通讯工具。
全自主浏览器及工具调用：具备完整的浏览器访问权限，可自主导航、信息检索及调用第三方工具集，无需预设特定 API 插件。
零配置端到端执行：采用「No setup」模式，用户无需配置 Mac mini 等本地硬件或环境，即可执行构建完整 App、处理复杂编程项目或自动化研究任务。
试用链接：https://bud.app/
2、乐鑫发布 ESP-Claw 框架：以 Chat Coding 实现 AI 智能体对物理世界的实时重构
乐鑫科技正式推出 ESP-Claw 智能体框架，核心围绕 Chat Coding（聊天造物） 理念，将 Agent Runtime 下沉至 ESP32 系列边缘芯片。该框架消除了传统硬件编程门槛，允许用户通过自然语言对话实时定义设备行为，实现 AI 逻辑与物理实体能力的深度解耦与双向调度。
Chat Coding 驱动的硬件语义化定义：用户通过对话描述功能需求，LLM 实时生成逻辑代码，并通过 Lua 引擎实现动态加载。该机制允许在不重新烧录固件的情况下，通过自然语言即时重构物理硬件的功能（如将灯带从「氛围灯」重定义为「天气预警灯」）。
物理世界与 AI 的 MCP 标准化接口：内置 MCP（Model Context Protocol）协议栈，使 ESP32 设备获得 MCP Server 与 Client 双重身份。AI 智能体可像调用 API 一样调度物理外设（如摄像头、传感器），设备亦能主动请求物理世界之外的云端服务。
边缘侧物理感知与事件驱动架构：设备基于本地事件总线（Event Bus）主动上报物理环境变化（如 PIR 人体感应、温度突变）。高实时性任务通过本地固化的 Lua 规则实现毫秒级响应，复杂决策则由 Agent 动态触发云边协同处理。
物理设备长期记忆与本地演进：针对物理场景交互数据，引入「摘要标签」机制在本地实现结构化长期记忆。系统可自动提取用户的物理操作习惯与偏好，在 MCU 资源受限环境下完成个性化智能演进，且隐私数据不下云。
硬件解耦与多芯片适配：框架已适配 ESP32-S3、ESP32-C5、ESP32-P4 等系列。支持通过 Web 端一键刷写固件，开发者无需配置复杂的硬件开发环境，即可通过主流聊天工具实现对物理实体的跨平台控制。
（@ 乐鑫信息科技）
3、DeepL 发布实时语音翻译套件：支持多平台集成、自定义词汇及开发者 API
DeepL 正式推出语音到语音（Voice-to-Voice）翻译套件，覆盖会议、移动端及 Web 端等实时协作场景。该套件通过降低延迟技术实现跨语言对话，并同步开放 API 接口，旨在为呼叫中心、跨国培训及一线员工提供定制化的翻译解决方案。
级联式语音处理架构：当前系统采用「语音转文本（STT）— 文本翻译 — 文本转语音（TTS）」的三阶段处理流程；官方表示后续将研发跳过文本步骤的端到端语音翻译模型。
行业术语与名称自适应：该技术支持学习并适配自定义词汇，包括特定行业专业术语、公司名称及专有名词，以提升专业垂直领域的翻译精度。
主流协作平台深度集成：提供 Zoom 与 Microsoft Teams 专属插件，支持参与者在原生界面内实时收听母语翻译音频，或同步阅读翻译后的屏幕字幕。
开发者 API 支持：发布专用 API 允许外部企业在现有业务流程（如呼叫中心系统）中集成 DeepL 语音翻译技术，降低多语言客服的人力成本。
多端实时交互机制：支持通过二维码（QR Code）快速加入群组对话，适用于培训研讨会等线下及远程混合场景。
4、Krisp 推出英式英语实时口音转换技术：端侧 AI 处理，无感集成至离岸呼叫中心
Krisp 宣布在其 AI 口音转换（Accent Conversion）技术中新增英式英语输出支持。该技术允许位于印度、菲律宾等地的离岸呼叫中心智能体通过端侧 AI 实时将口音转换为自然英式英语，旨在消除跨国服务中的沟通摩擦并降低运营成本。
端侧（On-device）实时推理：语音转换逻辑完全在本地设备运行，不依赖云端处理，解决了实时语音交互对延迟（Latency）的极高要求，确保通话自然度。
零配置集成（Zero-enrollment）：该系统无需智能体进行声纹录入或预训练，作为虚拟音频层运行，可直接嵌入现有工作流，无需更改任何软件架构。
运营效率大幅提升：官方披露的部署数据显示，该技术使平均处理时间（AHT）缩短 25%，规模化运营交付成本降低 70%，同时销售转化率提升 26%。
低检出率与高满意度：在实际应用中，仅 1% 的客户感知到语音经过 AI 修正；同时由于减少了沟通阻力，智能体的工作满意度提升了 25%。
1、分析师：苹果评估 CEO 更看重多元化
昨天，苹果官宣 Tim Cook 将于 9 月 1 日卸任 CEO，转任执行董事长；现任硬件工程高级副总裁 John Ternus 正式接棒。对此，天风国际证券分析师郭明錤发文，就这一换帅决定进行了分析。
郭明錤认为，Ternus 最具代表性的成就是主导 Mac 从 x86 平稳迁移至 ARM（Apple Silicon）。这场系统级平台转换涵盖软硬件整合与开发者生态重建，正是这段「换脑手术」经验，使他成为带领苹果迈向设备端 AI 时代的合适人选。
在人选逻辑上，郭明錤指出，Ternus 并非出身 iPhone 体系，反映出董事会对 CEO 的评估标准已趋向多元。他还提到，此前亚洲供应链圈普遍押注 Jeff Williams 接任，直至其退休消息公布后判断才随之改变。郭明錤预计，Ternus 将延续 Tim Cook 建立的供应链管理机制，并加深与供应商的技术合作。
另据彭博社报道，Ternus 被认为能够重现乔布斯时代那种果断、强硬的决策风格。作为苹果硬件业务的核心负责人，Ternus 长期深度参与 iPhone、Mac 等核心产品线的研发与决策，在苹果内部具有较高威望。
(@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
