本期编辑：@ 三水、@ 鲍勃
1、QwenAudio 开源 Qwen-Audio-Agent：将实时语音交互层部署在用户与后台智能体之间
QwenAudio 开源 Qwen-Audio-Agent，将实时语音交互层部署在用户与后台智能体之间，负责连续对话、任务委派、上下文衔接和结果播报。系统可即时处理简单问题，并将搜索、推理、代码修改和工具操作等复杂任务转交 OpenCode、OpenClaw、Qoder、Hermes、CodeBuddy 或 Codex 执行。
全双工语音支持连续补充与任务打断：用户可在智能体执行过程中继续说话，追加约束、修改目标或取消当前任务，无需等待上一轮任务完全结束后重新发起请求。
前台语音模型与后台智能体分层运行：实时语音组件负责自然对话和即时响应；复杂请求连同当前上下文被委派至 Agent Runtime，执行结果再返回原有语音会话，避免让实时模型直接承担全部搜索、推理与工具调用。
首批接入 6 类代码与通用智能体：项目已适配 OpenCode、OpenClaw、Qoder、Hermes、CodeBuddy 和 Codex，支持项目 Session、任务委派、进度查询、取消任务及权限控制等能力。
通过 ACP stdio 扩展更多智能体：除内置适配器外，其他兼容 ACP stdio 协议的智能体可通过通用入口接入，使语音前台与后台模型、工具和项目上下文解耦。
提供 TUI、WebUI 与 macOS 桌面端：项目可通过 npm 全局安装，配置 DashScope API Key 和智能体协议后启动终端或网页界面；源码版本还提供常驻桌面的语音悬浮球。
https://github.com/QwenAudio/qwen-audio-agent
2、安菲翁科技发布个性化语音识别系统 AmphionASR：集成 LLM 与检索增强，支持万级热词与指定说话人识别
安菲翁科技发布基于 LLM 的个性化语音识别系统 AmphionASR，将行业热词、指定说话人、强噪声下语音识别和耳语识别四类能力融合至统一框架。该系统通过检索增强与三阶段训练策略，实现了复杂声学场景下的高精度转录。
架构设计：采用音频编码器、LLM 内核及检索增强模块，音频特征与文本指令拼接后由 LLM 以自回归方式生成转录结果。
垂直领域热词增强识别：支持从约一万个候选词中自动筛选前 50 个相关热词作为上下文偏置，中文关键实体词错误率相对下降 55%，英文相对下降 37%。
目标说话人语音识别：提供 3 至 5 秒参考声音即可在重叠语音中锁定目标对象，词错误率为 13.02%。在目标说话人没有出现、输入内容完全静音的测试条件下，AmphionASR 有 93.9% 的样本能够正确保持静默，没有强行生成不存在的转录内容。
强噪声下语音识别与耳语识别：在覆盖噪声、远场、混响等复杂音频条件的 16 个测试子集中拿下 8 个最优；中英文耳语识别错误率分别为 0.58% 和 6.11%。
API 即将发布，论文与技术细节已开源上线。
信息来源（@Amphion Team）
AmphionASR：「懂」场景支持大规模热词的个性化语音识别
(@Amphion)
3、Audio8 开源 0.6B 多语言 TTS 模型：支持 11 种语言与零样本声音克隆，输出 44.1kHz 音频
Audio8 发布 Audio8-TTS-Preview-0.6b，一款采用 DualAR 架构的多语言 TTS 模型，主模型参数量为 601M，支持零样本声音克隆和无参考音频生成。项目同步开放完整模型权重、44.1kHz 神经音频编解码器、分词器及 Transformers 推理代码，并采用 Apache 2.0 许可证。
601M 参数 DualAR 架构：模型包含 24 层 Slow AR 与 4 层 Fast AR；Slow AR 为每个音频帧预测语义 token，Fast AR 根据隐藏状态和已生成码本继续预测当前帧的声学 token。
44.1kHz 编解码器与 10 层声学码本：内置编解码器采用 10 个码本，每个码本包含 4096 个条目，每个模型帧对应 2048 个音频采样点，处理频率约为每秒 21.5 帧，无需额外下载独立编解码器权重。
支持 11 种语言与零样本声音克隆：当前 Preview 版本覆盖普通话、粤语、英语、日语、韩语、法语、德语、西班牙语、意大利语、荷兰语和波兰语；声音克隆需同时输入参考音频及与其准确对应的转录文本。
Seed-TTS 英文 WER 为 1.506：官方评测中，Audio8 在 Seed-TTS 英文测试上的 WER 为 1.506、说话人相似度为 63.2%；中文 CER 为 0.950、相似度为 73.1%，但困难中文测试 CER 为 11.510。官方同时指出，不同项目使用的文本规范化和评测器不同，跨模型结果仅供参考。
完整权重开源，但暂未接入托管推理服务：模型可通过 Transformers 和 trust_remote_code=True 在本地加载，推荐使用 Python 3.10 以上环境及支持 CUDA 的 GPU；Hugging Face 当前尚无推理服务商直接托管该模型。
demo：
https://audio8-ai.github.io/Audio8_TTS/
(@Audio8)
4、Google 发布音乐生成模型 Lyria 3.5：最长生成 3 分钟，增强歌词结构、演唱表现与节奏控制
Google DeepMind 发布 Lyria 3.5，并率先接入 Google Flow Music。新版本重点提升旋律结构、歌词指令遵循、歌声自然度和发音准确性，同时支持按提示词控制歌曲节奏与时长，可生成最长 3 分钟的完整音乐。
最长生成 3 分钟，可指定目标时长：Lyria 3.5 支持生成 60 秒短片段、半长度曲目或最长 3 分钟的完整歌曲，并根据用户指定的时长保持整体音乐连贯性。
增强旋律复杂度与段落连贯性：模型可生成更复杂的旋律结构，并改善音符、节奏与编曲在整首歌曲中的自然衔接，减少长曲目中常见的重复和结构断裂。
歌词支持更强指令遵循与结构理解：Lyria 3.5 提升歌词生成质量，可更准确地遵循主题与内容要求，并理解主歌、副歌等歌曲结构，而非仅生成连续文本。
歌声提升情感表达、真实感与发音准确性：新版本增强演唱中的情绪和细节表现，支持更自然的多语言人声，同时改善歌词发音；用户还可通过提示词指定声线、演唱方式、BPM、调性和乐器配置。
率先接入 Flow Music，生成音频嵌入 SynthID：Lyria 3.5 已在 Google Flow Music 上线，用户可免费注册并使用基础额度，更多生成次数需订阅 Flow Music 或 Google AI 会员；所有生成和编辑的曲目均嵌入 SynthID 水印。
https://blog.google/innovation-and-ai/models-and-research/google-labs/lyria-3-5/
https://flowmusic.google
(@Google DeepMind\@Google Labs)
1、企业级对话智能体平台 Encore AI 完成 3000 万美元 A 轮融资：从客户通话提炼销售方法，训练语音与文本智能体
Encore AI 宣布完成 3000 万美元 A 轮融资，由 Team8 领投，并将原 Insait IO 品牌更名为 Encore AI。其平台通过分析企业积累的通话、邮件、聊天和 CRM 数据，识别高绩效员工在销售、催收和客户服务中的有效行为，再将其转化为可自主对客或辅助人工坐席的智能体。
Interaction Mining 从历史对话提炼可执行方法：平台将客户交互拆分为多个阶段，分析哪些表达、案例、应对策略和操作推动了业务进程，哪些环节导致失败，再将有效行为组合为智能体使用的多个工作手册。
统一处理通话、聊天、邮件与 CRM 数据：Encore AI 不只使用转录文本，还将语音和文字交互与 CRM 中的客户状态、业务结果及结构化数据关联，用于判断具体行为是否带来转化、回款或服务结果。
支持自主智能体与实时坐席辅助两种模式：训练后的智能体可通过语音或文本直接与客户沟通，也可作为实时助手，在人工坐席对话期间推荐回复、策略和下一步动作。
覆盖销售、催收、客服与交叉销售流程：平台面向金融、保险和医疗等受监管行业，可将智能体部署在语音、聊天、IVR 和在线表单等渠道，用于线索转化、申请推进、余额催收、追加销售和交叉销售。
已服务 40 余家企业客户，ARR 18 个月增长超 5 倍：TechCrunch 披露其全球客户超过 40 家，多数为金融机构；公司 ARR 自上一轮种子融资以来增长超过 5 倍。本轮资金将用于扩大美国销售团队和大型金融机构部署。
https://techcrunch.com/2026/07/29/encore-ai-raises-30m-to-build-ai-agents-that-learn-from-customer-calls/
(@Encore AI\@TechCrunch)
2、telli 完成 1500 万美元种子轮融资：语音、聊天与 WhatsApp 智能体统一处理客户运营
柏林初创公司 telli 完成 1500 万美元种子轮融资，由 redalpine 领投，Mutschler、Cherry Ventures、Y Combinator 及多位天使投资人参投，累计融资超过 1850 万美元。其平台面向 B2C 企业，将语音、聊天、SMS、WhatsApp 和邮件中的客户交互统一交由智能体处理，并通过 AI 协作者 Charlie 帮助运营团队构建、分析和持续优化这些智能体。
五类渠道统一接入客户运营流程：telli 智能体可跨语音、聊天、SMS、WhatsApp 和邮件运行，处理客户咨询、线索筛选、预约安排和服务请求，减少不同渠道之间独立配置工作流和上下文割裂的问题。
Charlie AI 协作者负责智能体构建与持续优化：Charlie 可连接企业内部系统、分析历史客户对话、识别运营问题，并协助团队调整智能体的沟通方式与执行流程，不仅承担对客交互，也参与后台运营管理。
支持从单次对话扩展至端到端业务动作：平台可让智能体执行线索资格判断、预约写入、客户跟进和服务请求处理，并将客户会话、业务状态与后续工作流关联，而非只生成问答回复。
已处理数百万次客户对话：telli 表示，其智能体已服务从中小企业到大型企业的客户，每年处理数百万次客户交互；官方产品页还支持从单路扩展至数千路并行通话，并覆盖 30 多种语言。
融资用于扩充工程、商业团队与多渠道能力：本轮资金将用于扩大工程和市场团队，继续开发 Charlie、语音及多渠道智能体平台，并推动其在更多 B2C 客户运营场景中的部署。
https://tech.eu/2026/07/23/telli-secures-15m-seed-to-automate-customer-facing-operations/
(@telli)
3、Intelligent Internet 开源 Genii 个人智能体：消息入口交互，支持长期记忆与本地部署
Intelligent Internet 开源个人智能体 Genii，将 AI 助手入口从独立聊天窗口迁移至日常消息场景。项目支持通过消息与智能体持续交互，并通过长期记忆保存用户上下文，使智能体能够跨会话延续任务和个人偏好。
消息即入口的个人智能体架构：Genii 将用户交互层设计为消息接口，用户无需进入专用 AI 应用即可向智能体发送请求；系统围绕个人助手场景设计，而非单次问答机器人。
长期记忆模块支持跨会话上下文保持：项目引入持久化记忆机制，用于保存用户历史交互中的关键信息，使智能体能够在新的对话中调用此前上下文，减少重复输入。
开源个人智能体运行框架：Genii 提供完整代码仓库，开发者可自行部署和修改智能体逻辑；项目定位为个人 AI 基础设施，而非单一模型能力展示。
面向主动式个人助手场景设计：相比传统聊天机器人依赖用户主动发起每次请求，Genii 的核心方向是结合个人记忆和持续上下文，让智能体更适合作为长期协作对象。
开放源码与 Web 体验入口：项目同步提供 GitHub 开源仓库和在线体验入口，开发者可查看实现细节并直接体验 Genii 的个人智能体能力。
https://github.com/Intelligent-Internet/genii
https://x.com/ii_posts/status/2082474832877269208
(@Intelligent Internet)
1、OpenAI 总裁 Greg Brockman：未来计算入口将从键盘转向语音
OpenAI 总裁 Greg Brockman 在接受《华尔街日报》记者 Joanna Stern 采访时表示，语音将成为未来人与 AI 交互的主要方式，下一代计算设备不再只是围绕屏幕和键盘设计，而是围绕人与 AI 的自然交流展开。
Brockman 认为，当前 ChatGPT 桌面应用仍存在一些体验问题，但 OpenAI 正持续改进。同时，他透露 OpenAI 正在探索新的 AI 设备形态，希望重新定义人与计算机之间的连接方式。
过去几十年，人类逐渐适应计算机的交互方式：点击鼠标、敲击键盘、操作触摸屏。而 AI 时代的变化可能恰恰相反——计算机需要开始理解人的表达方式。语气、停顿、上下文和情绪，都将成为新的交互信号。
这一趋势也解释了为什么语音成为当前 AI 产品竞争的重要方向。从 ChatGPT Voice、Realtime API 到各种 AI Agent，实时语音正在从「辅助功能」变成 AI 服务的核心入口。
Brockman 认为，未来人们不会再像今天一样「使用电脑」，而是直接与智能系统交流。计算机的下一次革命，可能不是更强的屏幕，而是更懂人的对话。
https://x.com/JoannaStern/status/2082485630513156597
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
