本期编辑:@ 三水 @ 鲍勃

01 有话题的技术

1、腾讯混元发布实时语音模型 Hy Realtime:新增 Agentic 工具调用与唱歌能力,已接入元宝和腾讯客服

腾讯混元发布实时语音模型 Hy Realtime,在语音理解、多轮指令遵循和拟人化表达方面升级,并新增 Agentic 工具调用与唱歌能力。模型能够结合上下文理解用户含糊、未说完或中途修改的指令,在语音交流中自主决定是否联网搜索,并通过与腾讯音乐 TME 灵音 AI 团队合作,将自然语言点歌和语音演唱融入对话。

实时语音模型 Hy Realtime 发布:能说会唱、还能调用工具

https://rtcube.cloud.tencent.com/component/hunyuan/index.html

2、DeepSeek 开放搜索、OCR、ASR 与 TTS 等应用 API:支持独立调用,工具费用与 Token 分开计价

DeepSeek 宣布开放「全家桶应用 API」,将此前 DeepSeek App 中的联网搜索、文件解析、链接阅读及语音输入输出能力提供给开发者。此次更新基于已有的 DeepSeek-V4.1-Flash 模型,无需更换基础模型,即可通过参数开启内置工具,也可独立调用 Search、Fetch、OCR、ASR 和 TTS 接口。DeepSeek 同步开源浏览器聊天 Demo,展示如何组合这些能力构建应用。

Demo 体验入口:

https://cdn.deepseek.com/chat-demo

示例代码入口:

https://github.com/deepseek-ai/chat-demo

3、独立开发者开源 450 万参数 TTS 模型 tiny-voca:仅 18MB,使用纯合成语音,无真人声音训练并支持浏览器运行

独立开发者 Muhammed Nazeem 发布并开源轻量级英语语音合成模型 tiny-voca,完整模型仅约 450 万参数、18MB,能够在 CPU 和浏览器中直接运行。与依赖真人录音训练的常见 TTS 方案不同,tiny-voca 从零开始使用 AI 合成语音数据训练,并通过显式预测音高、时长和能量生成波形。项目同步开放模型权重、训练数据、代码与训练流程。

https://github.com/n4ze3m/tiny-voca

https://tiny-voca.n4ze3m.com

02 有亮点的产品

1、马斯克旗下 AI 团队裁撤约 60 名 Grok Imagine 员工:图像视频生成团队大幅缩减,转向 Coding 与 Agent

据科技媒体 The Information 援引知情人士消息,马斯克旗下 SpaceX 人工智能业务近期裁撤了 Grok Imagine 图像及视频生成团队的大部分员工,涉及约 60 人。目前仅保留少数成员维持产品运行,Grok Imagine 仍对用户开放。报道指出,相关业务正在将更多资源投入 AI 编程工具与 Grok Bot 等 Agent 产品。

https://www.theinformation.com/articles/elon-musks-ai-group-guts-grok-video-generation-team/

2、Anthropic 推出 Claude Meetings:AI 作为可见参会者加入 Google Meet,实时回答问题并创建文档

Anthropic 发布 Claude Meetings Beta,将 Claude 作为独立参会者加入 Google Meet 视频会议。与主要在会后生成纪要的会议助手不同,Claude 可以在会议过程中理解讨论内容,接受口头或聊天指令,实时查询授权的外部工具,并与参会者共同创建文档、白板及其他工作成果。目前功能开始向 Claude Team 和 Enterprise 用户分批开放。

https://claude.com/resources/articles/claude-meetings

3、Apple Watch AI 录音应用 Auday 发布 1.1.0:支持录音中断后自动恢复,结合语音、健康与位置构建个人记忆

Apple Watch 全天候 AI 录音应用 Auday 发布 1.1.0 版本,重点升级持续录音稳定性、本地语音处理与个人记忆管理。用户可通过 Apple Watch 采集日常对话,在 iPhone 上进行语音转写,并结合授权的健康、压力估计及位置信息回顾一天的经历。此次更新新增录音连续性引擎,尝试解决来电、Siri 和闹钟打断录音后需要手动重启的问题。

https://x.com/auday_ai/status/2121984977449705541

4、The Browser Company 开放语音交互实验 Clackety Clack:结合全双工语音与图形界面,支持边说边编辑工作内容

Arc、Dia 浏览器背后的 The Browser Company 公开一款 iPhone 语音交互实验应用 Clackety Clack,并通过 TestFlight 提供测试。团队正在探索将全双工语音模型与传统软件图形界面(GUI)结合,让用户不必依赖单一聊天窗口,而是通过自然对话直接组织想法、编写消息及修改工作内容。该项目由少量成员在数周内完成,目前属于研发实验。

https://x.com/joshm/status/2122081456646393919

03 有态度的观点

1、Dario Amodei:算力预测是 Anthropic 面临的最深层商业困境

据《商业内幕》报道,Anthropic CEO Dario Amodei 近日在与摩根大通 CEO Jamie Dimon 的直播对谈中表示,围绕算力的「巨大不确定性」是公司目前面临的「最深层商业困境」。

Anthropic 正冲刺首次公开募股(IPO),目标估值 1.4 万亿美元,计划于下周三定价、下周四挂牌交易。招股书显示,公司已承诺投入约 9000 亿美元用于基础设施建设,其中约一半资金将于 2030 年前到期。Amodei 坦言,算力采购面临两难:买多会导致成本远超营收,买少则会造成客户算力断供及研发受阻。

为应对这一风险,Anthropic 将结合 Claude Code 等产品的增长势头预判需求,并依托两大「缓冲机制」:一是较高的单位算力毛利率,二是截至 9 月 30 日超过 950 亿美元的现金及 360 亿美元的短期投资。在具体策略上,公司倾向于提前锁定「相对较少」的算力以保持灵活性,若实际需求超出预期,则动用充裕的现金在现货市场即时采购。

(@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


↙↙↙阅读原文可查看相关链接,并与作者交流