Grok 发布语音 API，支持实时 X 数据搜索；腾讯发布混元实时世界模型 1.5，开放个人体验丨日报

图片

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：@瓒an、@鲍勃

01 有话题的技术

1、腾讯混元发布国内首个开放体验的实时世界模型

12 月 17 日，腾讯混元发布世界模型 1.5（Tencent HY WorldPlay）。

据悉，混元世界模型 1.5 是国内首个开放体验的实时世界模型，用户输入文字描述或者图片即可创建专属的互动世界。

同时，混元世界模型 1.5（WorldPlay） 首次开源了业界最系统、最全面的实时世界模型框架，涵盖数据、训练、流式推理部署等全链路、全环节，并提出了重构记忆力、长上下文蒸馏、基于 3D 的自回归扩散模型强化学习等算法模块。

值得一提的是，混元世界模型 1.5 能够让用户在生成的世界里随意移动探索：离开某个区域再次返回时，模型能够「记住」该区域的三维结构，呈现前后一致的场景。

另外，模型支持多样化的交互体验、长范围的 3D 一致性、实时的交互生成（可以按照 24 FPS 的速度生成 720P 的高清视频）。

目前，用户可以在腾讯混元 3D 官网申请使用。

在线体验网站：

https://3d.hunyuan.tencent.com/sceneTo3D?tab=worldplayGithub


链接：

https://github.com/Tencent-Hunyuan/HY-WorldPlayHugging


Hugging Face: 

https://huggingface.co/tencent/HY-WorldPlay


项目主页：

https://3d-models.hunyuan.tencent.com/world/

( @APPSO)


2、xAI 发布 Grok Voice Agent API：原生支持多模态交互，响应速度 < 1 秒


Grok Voice Agent API 在特斯拉汽车里使用案例。例如，告诉 Grok 规划一次公路旅行，它会在 X 上搜索推荐、计算最优路线并添加停靠点，在几秒钟内生成完整行程。

xAI 推出 Grok Voice Agent API，允许开发者集成具备实时数据搜索、工具调用和多语言能力（支持数十种语言）的语音智能体。该 API 在 Big Bench Audio 评测中排名第一，平均首音频响应时间（Time-to-First-Audio）低于 1 秒。


  • Big Bench Audio 评测第一：Grok Voice Agent API 在独立验证的 Big Bench Audio 评测中得分 95%，显示其在音频推理方面的领先能力。


图片


  • 平均首次音频响应时间 < 1 秒：比最接近的竞争对手快近 5 倍，显著降低用户等待延迟。

  • API 价格：$0.05/分钟：相较于 OpenAI Realtime API（保守估计 >$0.10/分钟）等竞品价格更低，具备成本优势。


图片


  • 多语言支持与情感表达：支持数十种语言，可无缝切换，并在发音、韵律等方面通过盲测优于 OpenAI Realtime API；支持 [whisper]、[sigh]、[laugh] 等听觉提示，增强真实感。


图片


  • 原生工具调用能力：支持 web_search、x_search 以及自定义函数调用 （nav_search），允许智能体执行实时任务。


Grok Voice Agent API 目前已通过 xAI API 开放，兼容 OpenAI Realtime API 规范。xAI 计划在未来几周内发布独立的 TTS 和 STT 端点，以及性能更优的音频模型。

https://x.ai/news/grok-voice-agent-api

( @xAI Blog)


3、Gemini 3 Flash 正式上线，全球免费享 Pro 级智商

今天凌晨，Gemini 3 Flash 正式发布，直接对标 OpenAI 和 Anthropic 的旗舰模型，官方号称比 2.5 Pro 速度快 3 倍，价格砍到 3 Pro 的四分之一，性能还不降反升。


从今天开始，用户可以在 Gemini 产品线中体验到 Gemini 3 Flash（Fast/Thinking）和 Gemini 3 Pro。


基准测试结果显示，Gemini 3 Flash 保留了 Pro 级别的推理能力，但延迟、成本直接降到 Flash 级别。


图片


具体来说，在 GPQA Diamond 这种博士级推理测试里，它能拿到 90.4% 的成绩，跟那些体积更大的前沿模型打得有来有回。而 MMMU Pro 测试 Gemini 3 Flash 直接拿下 81.2%，达到业界最先进水平，跟自家的 3 Pro 表现相当。


数据显示，Gemini 3 Flash 的 Token 消耗比 2.5 Pro 少了三成，速度快三倍，价格更是压到了输入 0.5 美元/百万 Token，输出 3 美元/百万 Token 的地板价。


图片


此外，Gemini 3 Flash 的亮点还在于多模态能力，它能更快地处理视觉、音频等输入，把「看见、听见、理解」串成一条相对顺滑的链路，适合需要即时反馈的交互场景。

( @APPSO)


02 有亮点的产品

1、Meta AI 眼镜重磅升级：新增「对话聚焦」和 Spotify 视觉配乐功能

图片


12 月 17 日，Meta 公司宣布对其 Ray-Ban Meta 和 Oakley Meta HSTN 智能眼镜进行软件更新（v21），推出了两项关键新功能：「对话聚焦」以增强嘈杂环境中的听力清晰度，以及与 Spotify 合作的「视觉配乐」功能。


本次更新中最具实用性的功能是「对话聚焦」，该功能利用 AI 眼镜的开放式扬声器和人工智能技术，能够放大对话者的声音，从而帮助用户在嘈杂的环境，如繁忙的餐厅、酒吧或通勤列车中，更清晰地听到对方说话。


另一项引人注目的更新是与 Spotify 的合作。智能眼镜现在能够根据用户当前视野中的内容自动播放匹配的歌曲。


例如，当你看向一张专辑封面时，眼镜可以播放该歌手的歌曲；当你看着装饰有礼物的圣诞树时，它会播放节日音乐。Meta 承认这项功能更多是「噱头」，但它展示了公司如何思考将用户「所见」与应用中的「所为」联系起来的潜力。


（@极客公园、@aibase）



2、AI 六小龙抢跑 IPO：MiniMax、智谱均已通过港交所聆讯

图片


12 月 17 日，腾讯新闻《一线》从不同信源处获悉，「AI 六小龙」MiniMax 和智谱 AI，均于本周初获得了中国证监会备案，并参与了港交所的上市聆讯。


腾讯新闻《一线》独家获悉，MiniMax 于 12 月 17 日通过了港交所聆讯。针对智谱 AI 的聆讯事宜，市场也有传闻称其于 12 月 16 日在港参与并通过了聆讯，腾讯新闻《一线》从多位相关人士处证实了该消息。但暂未能获得上述两家公司置评。


除此之外，MiniMax 计划于 2026 年 1 月在港挂牌上市，因为下周开始（即 12 月 20 日），香港开始进入圣诞节假期。暂未知智谱后续的上市安排。


公开资料显示，MiniMax 的保荐人为瑞银等多家投行，智谱 AI 的保荐人则为中金等多家投行。MiniMax 曾于今年 6 月在港通过秘交申请上市，是首个在港提交 IPO 的国内 AI 大模型公司。


这两家公司可能是内地企业赴港上市「报备制」以来，在港过聆讯最快的案例。


公开资料显示，MiniMax 的投资人包括阿里巴巴、明势创投、红杉、高瓴以及腾讯、IDG 等多家机构。


（@腾讯科技）


03 有态度的观点 

1、罗福莉首次站台小米演讲，揭秘 MiMo 大模型和背后团队

图片


昨天，小米举办了年度「人车家全生态」合作伙伴大会，备受关注的 Xiaomi MiMo 大模型负责人、拥有「AI 天才少女」之称的罗福莉也迎来入职后首秀。其对近期发布的 Xiaomi MiMo-V2-Flash 开源 MoE 模型进行了介绍。


据悉，模型推理速度十分快。罗福莉解释称，MiMo-V2-Flash 围绕极致推理效率设计了模型结构，通过 3 层 MTP 推理加速并行 Token 验证，实现了 2.0～2.6 倍的推理速度提升。


MiMo-V2-Flash 凭借总参数 309B（激活 15B），实现了代码和 Agent 评测基准上全球开源模型 Top2，且初步具备模拟世界的能力。


值得一提的是，罗福莉还谈到了下一代智能体系统，认为下一代智能体系统不是一个「语言模拟器」，而是一个真正能够理解世界、并与之共存的「智能体」。


( @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、招聘：Unicorn Blocks 等你来，一起定义下一代智能玩具！


公司描述：Unicorn Blocks 是一家以 AloT 为核心产品形态的创新科技公司，致力于通过人工智能技术定义积木机器人的未来。我们的使命是「和孩子一起创造童话世界」，《玩具总动员》中的角色来到我们的世界。


核心团队：由海外常春藤联盟及国内 C9 高校顶尖人才组成，涵盖产品设计、AI 算法、硬件工程等跨领域专家。公司已完成头部机构领投的种子轮融资，正处于高速发展阶段，期待你的加入共同书写新篇章！


岗位职责


  • 设计并实现基于大模型高并发、低延时的 AI Agent 系统，保障积木硬件的对话交互效果

  • 参与定义并设计开发积木陪伴领域的 Agent 记忆系统，赋予积木机器人独特的灵魂

  • 参与 Agent 的效果优化，包括端到端延时、算法效果、成本降低等多方面

  • 全栈参与产品网站、小程序和 App 相关的前后端开发，服务器运维与集群管理


岗位要求


  • 本科及以上学历，计算机科学、人工智能或相关专业

  • 全栈扎实的编程能力，熟悉至少一门前后端开发语言（Python、Golang、Java、Nodejs）

  • 熟悉后端架构与云原生技术，具备高并发、分布式系统开发经验；

  • 优秀的学习能力、自驱力、问题分析与解决能力

  • 了解 Prompt Engineering、AI Agent、RAG 等技术，有使用 Langchain、Coze 等经验


岗位亮点


定义下一代智能玩具


  • 参与全球首款 AI 自适应积木开发，你的代码将赋予积木「感知-思考-创造」能力


超速成长体系


  • 团队扁平化：团队完全扁平化，你可以 Challenge 任何不认同的观点，共建团队共识

  • 技术商业化：从 0 到 1 负责一个产品的诞生，打通技术到产品再到商业落地的思维闭环

  • 参与从产品设计到量产的全流程，6 个月实习=传统企业 2 年经验密度创造全球影响力

  • 产品全球性：作品将进入数万家庭，成为 Z 世代儿童的「第一块 AI 积木」夯实出海经验：跟业内最优秀的出海企业学习出海经验，并亲身经历产品出海全流程


个人加分项


  • 参与过有影响力的开源项目

  • 参与 ACM/ICPC、NOI/IOI、Kaggle 等比赛，取得一定的名次

  • 参与开发过 AI Agent 相关的产品


有兴趣请投递简历到：

Bruce.Unicorntoy@gmail.com


图片

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。

图片

作者提示：个人观点，仅供参考

请 注册 或 登录 后评论
    // 作者
    R
    @RTE_Dev_Comm
    还什么也没有写～
    • 0
    // 本帖子
    分类
    开发者日报
    关键词
    #腾讯
    // 相关帖子
    Coming soon...
    • 0
    Grok 发布语音 API，支持实时 X 数据搜索；腾讯发布混元实时世界模型 1.5，开放个人体验丨日报RTRTE_Dev_Comm