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：@ 三水、@ 鲍勃
1、字节跳动发布音频创作模型 Seed Audio 1.0：统一生成人声、音效与环境声，单次音频约 2 分钟
字节跳动发布音频创作模型 Seed Audio 1.0，在统一框架内生成人声、音效和环境声。用户可通过 prompt、参考音频和结构化时间线直接生成完整声音场景，减少分环节制作与后期拼接。
通用声学编码器统一建模多类音频：将语音、音效和环境声映射至同一声学表征空间，联合处理角色语气、背景氛围、声音节奏及各要素间的声学关系。
时间线控制声音起止与衔接：支持指定角色、台词、情绪以及音效的进入时机，可按时间线控制不同声音要素的进场和叙事配合。
零样本生成支持文本与参考音频：可直接通过文字描述目标声音，或输入参考音频控制音色，无需针对每种声音单独训练模型。
单次生成约 2 分钟并支持持续延长：模型可基于参考音频扩展长音频，在多次延长过程中维持角色音色和表达方式一致，并支持同一音色演绎不同角色。
覆盖 20 余种语言：人工评测显示，大部分语言的音频自然度 MOS 超过 4；复杂指令遵循方面，除越南语外，其余受测语言 MOS 均高于 3.5。影视、短剧、动漫、播客对话等多数受测场景的音频可用率达到 90% 以上。
（ @ 语音之家）
2、Memories.ai 发布音视频理解框架 O-MARC：音视频推理延迟降低 34.6%，显存占用减少 34.7%
Memories.ai 发布音视频理解框架 O-MARC，通过训练外的 OMAC 压缩和压缩蒸馏降低全模态模型的推理成本。在 Qwen2.5-Omni-3B 上，其四项基准平均得分达到 45.8，高于完整 token 推理的 44.1，同时实现 1.53× 推理加速。
推理延迟降低 34.6%，显存占用减少 34.7%：OMAC 相比完整 token 推理实现 1.53× 加速，两项数据均来自 Qwen2.5-Omni-3B 评测。
OMAC 无需重新训练即可接入现有模型：该组件保留高信息量的视频帧和时间对齐的音频锚点，再利用视觉记忆分布动态分配音频 token 预算。
压缩后平均得分由 44.1 提升至 45.8：O-MARC 通过完整上下文教师分支与压缩上下文学生分支进行蒸馏；相同评测中，OmniZip 得分为 41.0。
UGC-AVQA 包含 1,000 条视频和 4,816 组问答：样本经过音轨移除测试，仅保留无法依靠视觉信息单独回答的问题，用于验证模型是否实际结合声音与画面推理。
压缩方案覆盖 3B、7B 和 30B 模型规模：论文称 OMAC 在三个规模上均优于 OmniZip；其中 O-MARC 的主要效率与得分数据来自 3B 模型。
参考链接：https://memories.ai/research/O-MARC
( @Memories.ai\@X)
3、面壁智能开源 MiniCPM-Robot：1.5B VLA 单步延迟 120ms，跟踪模型端侧延迟约 180ms
面壁智能与 OpenBMB 发布 MiniCPM-Robot 系列，包含通用操作模型 MiniCPM-RobotManip 和目标跟踪模型 MiniCPM-RobotTrack。两款模型均面向端侧机器人部署，分别输出操作动作和移动轨迹，模型权重及代码已开放。
1.5B VLA 保留最长 1 分钟视觉记忆：MiniCPM-RobotManip 采用流式上下文持续加入历史观测，可保留 60 帧历史信息，单步计算量由 125 TFLOPs 降至 3.3 TFLOPs。
视觉 token 压缩率达到 4×：MiniCPM-RobotManip 继承 MiniCPM-V 4.6 的压缩机制，将单帧视觉 token 从 256 个减少至 64 个。
H100 单步模型前向延迟为 120ms：在 BF16、单帧输入条件下，MiniCPM-RobotManip 的单次决策前向延迟为 120ms；官方给出的 π0.5 对照结果为 234ms，数据不包含动作自回归解码。
跟踪模型直接预测 8 个未来航点：MiniCPM-RobotTrack 融合 DINOv3 与 SigLIP 视觉特征，根据自然语言指令输出 8 组 [x, y, yaw] 轨迹点，用于机器人目标跟随。
宇树 Go2 原生算力实现 5+ FPS：MiniCPM-RobotTrack 联合优化图像采集、编码、推理、动作生成与指令传输后，端到端延迟约 180ms，可在无网环境执行人物跟踪。
Github:
https://github.com/OpenBMB/MiniCPM-Robot
Hugging face:
https://huggingface.co/openbmb/MiniCPM-RobotManip
https://huggingface.co/openbmb/MiniCPM-RobotTrack
（ @ 面壁智能）
1、BodyPark ATOM 健身摄像头上市：摄像头识别训练动作并提供实时语音反馈，售价 219 美元起
BodyPark 将此前通过 Kickstarter 众筹的 ATOM 转为现货销售。该设备通过摄像头识别训练动作并提供实时语音反馈，使独立训练者无需佩戴传感器即可获得动作纠正、次数统计和训练报告。
34 点骨骼追踪提供实时动作纠正：摄像头持续识别人体姿态，自动判断训练动作、统计次数，并通过内置扬声器提示姿势问题。
160° 广角覆盖近距离全身动作：采用 1/2.8 英寸 CMOS，面向家庭、健身房等空间受限场景；镜头支持 5°–40° 俯仰调节。
1.43 英寸 AMOLED 显示实时指标：训练过程中可直接查看动作和次数等数据，训练结束后生成分析报告。
155g 机身支持磁吸底座与三脚架：设备内置扬声器和 Bluetooth，配备物理隐私遮盖，可放置于地面、桌面或安装至三脚架。
软件持续更新动作识别与反馈能力：BodyPark 表示后续更新覆盖动作识别、计数、姿态反馈和训练报告；当前未披露识别准确率、反馈延迟及支持的动作总数。
https://www.bodypark.fit/
( @ritwikpavan\@X)
2、千问亮相 Qwen Clip 耳夹耳机：Bose 参与调音，支持同声传译与 AI 眼镜联动
千问在 WAIC 2026 展示 Qwen Clip，由千问与 Bose 共同打造，定位为接入千问智能体的开放式耳夹耳机。设备可承担语音输入输出、实时翻译和会议记录，并与千问 AI 眼镜联动，但完整硬件规格和发售计划尚未公布。
开放式耳夹结构保留环境声音：Qwen Clip 不塞入耳道，用户在接收设备音频的同时仍可感知外部声音，面向长时间佩戴场景。
Bose 声学团队参与调音：双方合作范围目前仅明确包含音频调校，驱动单元、麦克风阵列及降噪方案尚未披露。
支持实时同声传译与会议纪要：设备可处理实时翻译、会议录音和内容总结，官方未公布支持语言、转写准确率及端到端延迟。
增加健康数据记录能力：Qwen Clip 可采集健康相关数据，但具体指标、传感器配置和测量精度尚未公开。
可与千问 AI 眼镜联动：耳机负责音频交互，眼镜提供视觉入口；眼镜平台还计划支持第三方技能和智能体，但跨设备共享上下文、记忆及任务执行的具体机制尚未说明。
( @Alibaba Cloud Community )
3、Spotify 上线对话式 AI 功能「Talk to Spotify」：支持语音/文字交互，覆盖音乐、播客、有声书全场景
Spotify 推出对话式交互功能，用户可在应用内通过语音或文本搜索内容、控制播放并查询个人收听记录。该功能首先向部分 Premium 用户开放 Beta，可在同一会话中持续修改播放要求，无需退出当前页面。
多轮指令持续调整播放结果：用户可先要求播放未听过的艺人，再追加特定歌手、限定近期作品或调整音乐情绪。
对话直接触发播放操作：支持收藏当前歌曲、加入播放队列及关注艺人，不再需要进入对应的独立操作页面。
「正在播放」页面增加内容问答：可查询歌曲、专辑、艺人和流派信息，并继续获取相关艺人及作品推荐。
问答范围覆盖播客与有声书：用户可查询作者的其他书籍、嘉宾参与过的其他播客，以及当前内容涉及的人物和主题。
个人收听历史成为查询上下文：系统可结合播放列表、收藏艺人、重复播放和历史记录，回答首次收听时间或近期偏好流派等问题。
( @Spotify)
1、Google DeepMind CEO 哈萨比斯：AI 不会让 STEM 和计算机科学学位失去价值
谷歌 DeepMind CEO 德米斯·哈萨比斯在伦敦一场商业会议上表示，AI 正在改变科技行业的职业路径，但 STEM 学位和计算机科学基础不会因此失去价值。哈萨比斯认为，掌握软件工程和计算机科学基础的人，能够更高效地使用 AI 工具。
他提到，编程语言已经历从机器码到 C 语言、再到 Python 的演变，未来可能进一步转向使用英语进行编程。不过，系统架构设计和软件工程最佳实践仍然不可或缺。
真正深入理解技术的人，使用 AI 工具的效率可能达到缺乏技术基础者的 10 倍。他同时表示，AI 时代也需要伦理学、哲学、经济学等人文学科和社会科学，以应对技术发展带来的新问题。
( @APPSO)
招聘、项目分享、求助……任何你想和社区分享的信息，请联系我们投稿。（加微信 creators2022，备注「社区黑板报」）
1、活动推荐｜AMD AI DevMaster 全球黑客松等你来战
首届 AMD Radeon GPU 全球黑客松来了！2026 AMD AI DevMaster 正式开放报名！本届黑客松由 AMD 主办，聚焦前沿 AI 应用与高性能 AMD Radeon GPU 技术，基于完全开源的 AMD ROCm 软件栈。无论你是独立开发者还是小团队（≤3 人），只要对 GPU 上的 AI 开发有热情，这就是你的舞台！
三大独立赛道，每个赛道单独评奖，总奖金池 30,000 美元。
时间：
详情链接：
报名开启 | AMD AI DevMaster 全球黑客松等你来战（文末福利）
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
