本期编辑：@ 三水、@ 鲍勃
1、PolyAI 发布 Dialog-RSN-1 音频原生对话模型：融合轮次控制、语音识别与函数调用能力
PolyAI 发布面向企业语音交互场景的 Dialog-RSN-1 模型，并开放 Agent Studio 平台。该模型直接处理用户音频输入，将轮次判断、语音识别、函数调用和响应生成整合到统一对话模型中，面向复杂电话客服和语音智能体场景优化。
端到端建模真实对话行为： 模型针对电话场景训练，重点处理打断、停顿、上下文延续等实时对话问题，而非仅生成文本回复。
内置函数调用能力： 模型可在对话过程中触发业务工具调用，用于查询信息、执行操作等企业服务流程，实现从聊天到任务完成的闭环。
面向企业语音 Agent 部署： PolyAI Agent Studio 提供可视化构建和部署入口，开发者可基于平台创建、测试和管理语音智能体。
支持生产级语音交互场景： Dialog-RSN-1 已用于真实企业对话环境，针对高复杂度客户服务场景进行优化。
https://poly.ai/blog/PolyAI-dialog-rsn-1
(@PolyAI)
2、AVS3 音视频编码标准支撑 2026 世界杯超高清直播：4K 码率降低 40%，完成编码到终端全链路商用
AVS3 音视频编码标准在 2026 美加墨世界杯期间首次作为世界级赛事超高清直播主力方案规模化应用，实现从编码、云端分发到终端播放的全链路商用。基于云边端一体化架构，AVS3 支撑千万级并发直播流，并在 4K 视频场景下相比 HEVC 平均节省 40% 以上码率。
AVS3 4K 编码码率降低 40% 以上：DVB 客观测试显示，AVS3 相比 HEVC（H.265）在 4K 视频编码中平均节省超过 40% 码率，在相同网络条件下支持更高画质传输。
千万级并发直播流稳定运行：世界杯期间，AVS3 基于云边端一体化架构完成超高清直播分发，支持千万级并发流量，并提供超高清、菁彩影像等多档画质适配不同网络环境。
覆盖 600 余款手机终端适配：AVS 工作组联合产业伙伴完成鸿蒙、安卓、苹果三大系统超过 600 款主流手机机型适配，用户无需更换设备即可观看 AVS3 编码内容。
落地智能编码与赛事内容生产系统：基于 AVS 编码底座，世界杯期间部署搭载率失真感知的强化学习预处理滤波智能编码方案，并支持 2D 转 3D 直播（4K 120 帧）、实时赛场战术图谱等智能观赛功能。
从国家标准到国际生态扩展：AVS 系列标准已完成多代演进，AVS3 成为面向 4K/8K 超高清的视频编码标准，并与 DVB-I 标准融合；AVS3 系列标准同时获批成为 ETSI 下一代音频标准之一，推动国产音视频标准进入国际生态。
（@ 新一代人工智能联盟）
3、StreamCore 发布开源实时语音智能体框架：Go 实现 WebRTC 通信，支持本地化语音 Agent 部署
StreamCore 开源实时语音智能体框架 streamcore-server，提供从音频接入、语音识别、模型推理到语音合成的完整实时交互链路。该项目基于 Go 构建，支持 WebRTC（WHIP）、流式 STT/LLM/TTS 管线、多语言 SDK 以及本地运行模式，面向实时语音 Agent 和电话机器人等场景。
Go 原生实时语音服务器架构： 基于 Go 构建服务端，整合 WebRTC（WHIP）音频传输、流式 STT/LLM/TTS 处理链路，提供端到端实时语音 Agent 基础设施。
支持 WebRTC 与 SIP 电话接入： 提供 WebRTC 实时通信能力，同时支持 SIP Telephony，可连接浏览器、电话系统等多类语音入口。
可插拔插件系统与多语言 SDK： 提供插件化扩展机制，并支持多语言 SDK 接入，方便开发者集成自定义模型和业务逻辑。
支持本地化运行模式： 项目支持 Fully Local 模式，可在本地环境部署语音 Agent，降低对云端 API 的依赖。
面向实时语音 Agent 场景优化： 集成打断（barge-in）、流式处理等实时交互能力，针对低延迟对话场景设计。
https://github.com/streamcoreai/streamcore-server
4、NVIDIA 发布 Voice Memory 语音记忆机制：无需训练权重，通过外部记忆提升 ASR 纠错能力
NVIDIA 研究团队提出 Voice Memory，一种面向智能体语音识别的推理阶段记忆机制。该方法通过可读写的外部文本记忆文件，让冻结的语音识别模型根据领域经验自主判断是否修正识别结果，无需微调模型参数即可提升特定场景下的识别准确率。
外部记忆替代模型微调： Voice Memory 将语音纠错能力存储在独立的 memory.md 文件中，推理时由冻结的纠错模型读取记忆内容，不修改模型权重即可适配不同领域。
Listener-Thinker 双路径架构： 将实时识别与记忆优化拆分为两个角色：Listener 负责流式语音识别阶段的即时决策，Thinker 在后台根据反馈更新记忆内容，两者通过外部记忆连接。
Act / Abstain 动态纠错机制： 模型不会对所有识别结果强制改写，而是逐句判断是否应该修正；当模型判断原始 ASR 结果更可靠时，会选择保留原结果，降低错误纠正带来的二次损坏。
领域自适应无需训练成本： 实验覆盖 10 个 HyPoradise 领域，Voice Memory 将加权词错误率（WER）从 8.36% 降低至 7.52%，同时无需新增模型参数。
降低过度纠错问题： 传统生成式纠错容易修改正确文本，Voice Memory 通过受约束编辑机制降低错误修改比例，在金融新闻场景中过度纠错率由 64% 降至 35%。
https://arxiv.org/abs/2607.26410
(@NVIDIA)
1、京东外卖推出 AI 智能头盔：集成语音助手、路线规划与商户环境核验能力
京东外卖发布 AI 智能头盔，面向骑手配送场景集成 AI 语音助手、单王路线、商户环境核验、一键 SOS 等功能。该设备通过语音交互、路线辅助和订单信息提醒减少骑手操作负担，并计划向全职骑手免费发放。
AI 语音助手实现免手操作： 支持骑手通过语音完成接单、联系用户等操作，减少恶劣天气或骑行过程中操作手机的需求。
「单王路线」沉淀骑手经验： 将资深骑手积累的小区路线经验数字化，在配送过程中提供楼栋入口、路线等导航提醒，辅助降低复杂场景下的寻找成本。
商户环境核验辅助门店检查： 骑手取餐过程中，AI 智能头盔可辅助进行商户环境核验，并对异常情况进行标记，提升配送环节的信息透明度。
订单备注智能提醒： 系统可解析订单备注内容，并在配送前提醒骑手关注用户特殊需求，例如免打扰配送等场景。
首批免费发放全职骑手： AI 智能头盔将于近期陆续投入使用，首批覆盖京东全职骑手，后续逐步扩大覆盖范围。
（@ 京东外卖）
2、Vokie 推出「表达场」：让语音输入拥有可调节的表达风格
Vokie 推出「表达场」功能，尝试解决自然表达与最终文本之间的偏差问题：用户说出来的话，往往并不是最终想发送的内容，而不同场景也需要不同的整理方式。
表达效果拆解为二维调节矩阵： Vokie 将 AI 整理过程拆分为「整理强度」与「润色程度」两个维度。整理强度覆盖从保留原始口述，到自动提炼结构、重组表达；润色程度则覆盖从忠实记录，到更符合场景的表达优化。
支持不同场景下的表达调整： 用户可以通过矩阵自由选择不同组合，例如私人聊天更接近自然表达，邮件和文档则可以提高整理与润色程度。
将 AI 编辑判断变为可控参数： 传统语音输入通常直接将口语整理成固定格式，而「表达场」尝试将隐藏在模型中的编辑判断显性化，让用户决定 AI 应该介入多少。
扩展语音输入后的任务处理： 除「表达场」外，Vokie 也提供自然口述整理、会议记录、摘要与行动项生成，并将语音历史沉淀为未来 Agent 可调用的上下文。
https://x.com/alanshen144905/status/2082796610824863980
(@Vokie)
3、OpenAI ChatGPT Voice 登陆桌面端：支持 macOS 与 Windows 免手语音操控工作流
OpenAI 将 ChatGPT Voice 体验扩展至 macOS 和 Windows 桌面应用，用户可通过语音与 ChatGPT 进行实时交互，无需键盘输入。桌面端 Voice 基于实时语音能力，支持连续对话、打断、任务指令等交互方式，并可用于控制工作流和智能体任务。
https://x.com/ChatGPT/status/2083305352469352714
(@ChatGPT)
4、腾讯《猫仙札》AI Agent 游戏首曝：自研角色模型，支持动态记忆与多 Agent 协同互动
腾讯在 ChinaJoy 2026 展示 AI Agent 叙事 RPG《猫仙札》，将 AI Agent 融入女性向叙事玩法，通过角色对话、休闲玩法和多人互动模块扩展传统剧情游戏体验。项目采用自研模型构建角色交互系统，并通过角色训练数据、情绪平滑、动态记忆等机制提升 AI 角色稳定性。
自研角色模型控制 AI 人设稳定性： 不采用通用大模型直接驱动角色，而是针对每位角色进行专门训练，单角色训练数据达到十万字量级以上，并结合提示词约束和内容筛选机制降低 OOC（角色偏离）。
静态记忆 + 动态记忆构建个性化关系： AI Agent 同时记录角色背景设定与玩家互动细节，将玩家选择、对话内容等写入动态记忆，使角色后续回应基于个人互动历史生成，而非固定剧情分支。
AI 导演协调多 Agent 互动： 引入 AI 导演模块管理多个 AI Agent 之间的协作，维持角色关系、剧情逻辑和互动稳定性，支持未来打牌、茶饮、解签、多人冒险等多个 Agent 玩法模块。
情绪平滑机制提升角色连续性： 通过上下文记忆捕捉玩家情绪变化，并调整角色回应节奏，避免 AI 对话中常见的情绪跳变和角色状态不一致问题。
AI Agent 与叙事内容解耦设计： 游戏故事、世界观和角色设定仍由创作团队完成，AI Agent 主要用于扩展剧情之外的互动空间，通过自由对话和玩法增加玩家与角色之间的长期关系深度。
计划接入全局语音交互能力： 项目正在优化 TTS 与 Agent 联动能力，未来角色不仅能够生成语音，还将结合情绪表达和动态表现，实现更完整的语音互动体验。
（@ 游戏日报）
1、The Information：苹果应该收购 AI 会议记录产品 Granola，它是苹果长期缺失的下一代 AI 交互入口
The Information 近日提出一个大胆判断：苹果应该收购 AI 会议记录产品 Granola。原因并非看中一个简单的效率工具，而是 Granola 代表了一种苹果长期缺失的 AI 产品形态——一个无需学习、持续陪伴用户、能够理解个人生活上下文的下一代交互入口。
Granola 展示了 AI 产品真正的 Apple 式体验
与许多 AI 产品追求功能堆叠不同，Granola 凭借极简设计、低干扰体验和高频使用场景获得用户喜爱。它更像一个「隐形基础设施」，而不是一个需要学习的新工具。
AI 正在重新定义可穿戴设备的价值
Granola 的 Apple Watch 版本意外成为爆款，甚至重新激活了用户对 Apple Watch 的兴趣。原因在于：语音记录和 AI 总结这种场景天然适合随身设备，而不是藏在手机里的 App。
苹果缺少能够推动 AI 时代产品创新的团队
作者认为，苹果近年来更多依赖已有硬件产品迭代，而 Granola 团队展现出的能力——让一个成熟设备重新变得有吸引力——正是苹果需要补充的 AI 产品能力。
Granola 可能是苹果进入「Always-on AI」时代的入口
AI 未来可能从被动调用工具，转向持续感知、记录和理解用户生活。Granola 已经验证了用户对于这种「始终在线的个人记忆层」的需求。
收购成本符合苹果传统策略
Granola 成立于 2023 年，最新估值约 15 亿美元。相比苹果历史上的大型收购，这属于可接受范围，也符合苹果偏好收购小团队、吸收核心能力的方式。
延伸阅读：引爆 AI 会议工具潮流，Granola 打造 2.5 亿美元估值产品的秘密丨 Voice Agent 学习笔记
（@The information）
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
