本期编辑:@ 三水 @ 鲍勃

01 有话题的技术

1、AI 可穿戴公司 Looki 发布生活理解模型体系 Loom:串联感知、事件与长期记忆,让 AI 理解真实生活上下文

AI 可穿戴设备公司 Looki 介绍自研生活理解模型体系 Loom,面向第一视角设备持续采集的视觉、声音及环境数据,将日常记录整理为可供 AI 检索和调用的结构化上下文。Loom 采用 Sense、Moment、Memory 三层架构,不仅识别用户当下正在做什么,还尝试记录事件的发生过程、关键决定及其原因,为长期陪伴式 Personal Agent 提供记忆基础。

(@Looki 团队)

2、Higurashi AI 开源 4B 全双工语音模型 Haru:133ms 音频分块,支持日英中等 9 种语言及自然笑声

语音 AI 团队 Higurashi AI 发布并开源全双工语音对话模型 Haru-4B,支持在持续聆听用户讲话的同时生成语音回应。模型基于 Qwen3.5 语言模型构建,采用连续音频表示和单步生成架构,能够处理重叠发言、接话及角色化语音表达。项目已开放 Apache 2.0 许可的模型权重与推理代码,并提供 NVIDIA GPU、Apple Silicon 和 vLLM-Omni 三种运行方案。

https://github.com/higurashi-ai/Haru

https://blog.higurashi.ai/melte/haru4b/

3、Liquid AI 开放 7400 万参数流式音频编解码器 LiquidCodec:单核 CPU 编码速度达实时 361 倍,解码达 87 倍

Liquid AI 发布并开放流式音频编解码器 LiquidCodec,这是 LFM3-Audio-2B 和 LFM3-Omni-2B 使用的音频 Tokenizer。该模型约 7400 万参数,可将连续语音转换为供语言模型预测的离散 Token,再将 Token 还原为音频。团队重点优化语音重建质量、Token 预测效率与端侧推理速度,以降低实时语音模型的音频处理开销。

https://www.liquid.ai/blog/liquidcodec

https://x.com/liquidai/status/2120947649994228088

4、Keyframe Labs 实时数字人模型 persona-2.0-live 全面开放:支持词级表情控制,最低每分钟 0.06 美元

实时数字人技术公司 Keyframe Labs 宣布,旗下 persona-2.0-live 正式结束预览阶段,向所有套餐用户开放。模型支持在 AI 角色讲话过程中,按照具体词语或短语调整面部表情,并结合实时语音生成口型、头部动作和细微表情,面向 AI 教育、客服及陪伴等需要面对面交互的应用。

https://platform.keyframelabs.com/

02 有亮点的产品

1、Google Antigravity 上线 Voice Mode:基于 Gemini Live,开发者可通过语音指挥 Coding Agent 编写代码和执行任务

Google 为 AI 编程工具 Antigravity 推出 Voice Mode,基于 Gemini Live 实现双向实时语音交互,支持开发者边查看代码、边通过语音向 Coding Agent 分配任务、修改要求或询问执行进度。该功能同时覆盖 Antigravity 桌面应用与 CLI,语音对话会继承当前会话上下文,Agent 仍可正常读取文件、修改代码及运行命令。

https://antigravity.google/blog/antigravity-voice-mode/

2、Fish Audio 推出零代码语音 Agent 平台 Fish Agent:支持电话呼入呼出,集成全双工模型 Live 3

语音 AI 公司 Fish Audio 宣布推出 Fish Agent,面向开发者和企业提供无需编写代码的语音智能体构建平台。用户只需使用自然语言描述 Agent 的角色和任务,即可生成可测试的语音助手,并将其部署到电话、网站或应用中。平台集成此前发布的全双工语音模型 Live 3,Fish Audio 称其 Agent 部署时间中位数为 32 秒。

https://fish.audio/agents/

3、语音 Agent 平台 Retell 年化营收突破 1 亿美元:月处理超 1 亿通电话,推出自研实时通话模型 Tell-1

AI 语音客服平台 Retell 宣布年化营收运行率(Annualized Run Rate)突破 1 亿美元,在 17 个月内从 1000 万美元增长至 1 亿美元。公司目前服务超过 4000 家企业,每月处理超过 1 亿通电话,累计融资仅 460 万美元,并已实现盈利。同日,Retell 发布面向实时呼叫中心场景的自研语言模型 Tell-1,重点优化电话交流中的推理速度、对话连续性和工具调用。

https://www.retellai.com/blog/retell-100m-revenue-run-rate

03 有态度的观点

1、前字节、美团招聘负责人魏小康谈 AI 人才泡沫:高薪要看能解决什么问题

在《晚点 LatePost》的访谈中,曾参与搭建字节跳动招聘体系、负责过美团招聘的魏小康说,衡量大模型人才的薪酬,应该先看他们能解决什么问题。基座模型训练需要大量算力,少数核心研究者做的决定,会影响训练资源的使用效率,甚至决定模型能不能做出来。

魏小康回忆,早期「百模大战」推高了研究员薪酬,一些公司花高价组队,招来的人却无法完成大模型研发。他认为,这类投入才是人才泡沫。随着基座模型竞争收敛到少数公司,即使有顶级论文和头部模型厂实习经历,毕业生也可能更难拿到面试机会。谈到资源有限的团队如何把基座做出来,魏小康给出三项做法:由懂模型的人决定实验方向,允许试错但保持过程可检验;让算法、数据和基础设施人员一起工作;单独把训练数据的质量做好。

谈到应用团队时,魏小康主张缩小产研团队,让擅长使用 AI 的成员承担更大范围的工作。他认为,过去依靠大量招聘扩大组织的办法,在 AI 应用创业中会逐渐失去优势。

( @APPSO)

04 社区黑板报

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、😎 在 RTE 开发者社区,一起动手给 AI 眼镜加个自己想用的功能!

MemoMind One 开发者内测开启招募。 有个想在眼镜上实现的点子?可以先用 SDK 和模拟器把它做成应用,获邀开通白名单权限后,再到 MemoMind One 真机上跑一遍,看看实际佩戴时的体验怎么样。

📲 扫码报名想动手试试的伙伴,欢迎扫描海报二维码报名。MemoMind 团队将分批联系入选开发者并发送测试指引,请留意报名时填写的联系方式。

本期应用仅供开发者本人测试,暂不支持公开分发。

🛠 开发资源

开发者平台:

https://cn-open-platform.memo-mind.com

开发者 SDK github:

https://github.com/memomind-open/plugin-open-platform

自然语言编程 skill:

https://github.com/memomind-open/plugin-open-platform/tree/main/.agents/skills

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


↙↙↙阅读原文可查看相关链接,并与作者交流