Neuphonic 开源 43MB 语音决策模型 NeuDecide：不经 ASR 语音调用工具丨日报

本期编辑：@三水 @鲍勃

01 有话题的技术

1、端侧 AI 模型公司 Liquid AI 开放两款多模态决策模型 d1：600M 首次支持音频输入，3B 可在 Jetson 上实现毫秒级决策

Liquid AI 发布 d1-3B 和实验性模型 d1-omni-600M，两款模型分别支持文本与图像、文本与图像或音频的组合输入。与逐 token 生成回复的 LLM 不同，d1 通过一次前向计算直接输出结构化决策结果及其概率，可用于智能体意图分类、任务路由、内容审核等场景，并支持在工作站和边缘设备上本地运行。与 NVIDIA 合作，在 Isaac Sim 中展示了 d1-3B 模型在环境中的导航能力。该模型运行在 Jetson 设备上，采用硬件在环仿真方式实现。

600M 模型首次加入音频决策能力： d1-omni-600M 约有 5.87 亿参数，采用共享主干网络连接视觉与音频编码器，支持最长 30 秒的语音输入。模型可以直接判断用户语音的主题、意图或请求类型，无需先转写成文字再交给 LLM 判断。目前音频能力主要针对英语语音训练，尚未公布专门的音频决策评测结果。
3B 模型可在 Jetson 上实现毫秒级推理： d1-3B 基于 LFM2.5-VL-3B 训练，在 Decision Index v0.2.1 公共测试集上得分 48.57。单个问题的端到端推理延迟在 RTX 4090 上为 8ms，Jetson AGX Thor 为 16ms，Jetson AGX Orin 为 26ms，Jetson Orin Nano 为 50ms。
开放权重并支持本地微调和部署： 两款模型均已在 Hugging Face 开放权重，并提供 llama.cpp 支持，覆盖 NVIDIA DGX、RTX 工作站及 Jetson 等设备。开发者可以根据决策准确率、模型体积和输入模态需求选择模型。

https://www.liquid.ai/blog/d1-open

2、语音 AI 公司 Neuphonic 开源 43MB 语音决策模型 NeuDecide：无需 ASR 直接生成工具调用，单线程 CPU 即可运行

Neuphonic 开源端侧语音决策模型 NeuDecide，仅有 5550 万参数、43MB 模型文件，可以直接将用户语音转换为工具调用的函数名称和参数，无需经过传统的 ASR 转写环节。模型基于 ONNX Runtime 运行，单线程 CPU 即可完成推理，无需 GPU 或云端服务，开发者还可以直接在浏览器演示中测试语音控制工具。

语音直接映射为工具调用： NeuDecide 将预训练流式语音编码器与轻量级工具调用模型结合，直接根据音频和开发者提供的 JSON Schema 生成结构化函数调用。例如，用户说出「打扫浴室」，模型即可输出 cleanRoom(room="bathroom")。工具列表可在推理时动态传入，无需为新增工具重新训练模型。
43MB 模型实现毫秒级本地决策： 根据官方测试，NeuDecide 在 MacBook Pro M3 上生成工具调用耗时 46ms，三星 S24+ 为 82ms，树莓派 5 为 206ms。在 SLURP 语音指令测试中，模型的工具选择准确率达到 75.5%，函数及参数完全匹配率为 37.5%；作为对比，Whistle → Needle 3 串联方案分别为 25.6% 和 7.1%。
开放权重与本地部署： NeuDecide 采用 Apache 2.0 许可证，提供 Python SDK、ONNX 模型及 Hugging Face 在线演示。目前支持英语、最长 30 秒音频，官方建议单次提供不超过 10 个工具。模型更适合执行范围明确的语音指令，复杂或无法识别的请求仍建议交由更大的模型处理。

https://x.com/neuphonicspeech/status/2108161404079350113

3、独立开发者 Sahil Mahendrakar 开源 8M 参数 TTS 模型 Paradee：仅 9MB，单线程 CPU 实现 18 倍实时语音合成

开发者 Sahil Mahendrakar 发布开源语音合成模型 Paradee，通过知识蒸馏将 Kokoro-82M 从约 8200 万参数压缩至 807 万参数，并将量化后的模型文件缩小至 9MB。在 Apple M4 Pro 的单线程 CPU 上，发布的 ONNX 版本无需 GPU 即可达到约 18 倍实时语音合成速度，目前支持英语单音色生成。

将语音合成模型压缩至原来的约 1/10： Paradee 保留 Kokoro 的基本架构，但缩小各层宽度，将文本预测模块和音频解码器分别蒸馏。训练时利用原模型生成的音素时长、音高、能量和语音特征作为监督信号，两部分独立训练后直接组合，无需额外联合训练。
9MB 模型接近原版语音质量：在 200 条测试语句上，Paradee 的 UTMOS 语音自然度预测评分为 4.41，接近 Kokoro-82M 的 4.52。研究版本的词错误率（WER）均为 5.7%。模型还通过无需额外训练的相位校正滤波器，减少小型解码器产生的轻微杂音。
支持 CPU 本地部署与浏览器运行：项目已开放 Apache 2.0 许可的模型权重、训练代码和 ONNX 文件，可通过 Python 调用，也已用于浏览器扩展中的本地语音合成。目前仅支持 Kokoro 的 af_heart 英语音色，暂不支持多音色生成。

https://huggingface.co/sahilmahendrakar/Paradee-8M-v1.0

4、微软 AI 发布流式语音识别模型 MAI-Transcribe-2-Streaming：百毫秒输出初步转写，同步推出两款多语言 TTS 模型

微软 AI 发布首款流式语音识别模型 MAI-Transcribe-2-Streaming，支持 60 种语言的实时转写，接收音频后约 100 毫秒即可输出初步识别结果，并随着后续语音输入持续修正。同期推出多语言语音合成模型 MAI-Voice-2.1 和低延迟版本 MAI-Voice-2.1-Flash，覆盖从实时语音识别到语音生成的完整链路。

流式 ASR 可在用户说完前输出识别结果： MAI-Transcribe-2-Streaming 支持连续语言检测，并逐步输出初步转写及最终确认文本，让 Voice Agent 能够在用户说话过程中提前启动推理或工具调用。微软表示，该模型在 Artificial Analysis 的初步转写和最终转写准确率评测中均排名第一；内部测试显示，实时字幕中的文字出现速度达到最接近竞争模型的 2 倍。
TTS 新增跨语言保持同一声线的能力： MAI-Voice-2.1 支持 23 种语言、26 个地区变体，同一个声音可以在英语、中文、德语等语言之间切换，同时保留声音身份，并采用相应语言的自然口音。模型还支持通过几秒参考音频进行跨语言声音克隆。
Flash 版本进一步降低语音生成延迟： MAI-Voice-2.1-Flash 面向高并发、低延迟场景，微软称其在生成最长 45 秒音频的任务中端到端延迟约 150 毫秒，模型推理速度提升 55%，成本较同类模型降低约 60%。定价为每百万字符 15 美元，标准版 MAI-Voice-2.1 为 22 美元；MAI-Transcribe-2-Streaming 年底前的推广价格为每小时音频 0.54 美元。

三款模型均已通过 Microsoft Foundry 等渠道提供，其中 MAI-Transcribe-2-Streaming 的实时 API 目前处于公开预览阶段。

https://microsoft.ai/news/our-first-streaming-transcription-model/

02 有亮点的产品

1、AI 硬件公司 Natura 发布语音智能戒指 Interface：通过语音调用多个 AI 智能体，无需拿出手机即可分配任务

Natura 发布面向 AI 智能体的智能戒指 Interface，将语音输入变成调用不同 AI 智能体的统一入口。用户按住戒指上的按钮即可发出语音指令，通过配套系统 NatureOS 将任务交给 Claude、ChatGPT、Grok 等智能体执行，并在手机或耳机上接收结果。戒指还支持语音笔记、会议录音和健康数据追踪。

一个戒指调用多个 AI 智能体： Interface 内置麦克风和实体按钮，用户可以通过语音指定不同智能体完成编程、行程规划、信息检索等任务。NatureOS 负责连接智能体与应用、管理访问权限，并在执行需要授权的操作前请求用户确认。任务完成后，结果可通过耳机、iPhone 锁屏通知或 NatureOS 应用返回。
语音输入同时用于会议记录与个人记忆： 用户可以双击按钮开始或结束较长时间的录音，将会议内容转换为笔记、决策和待办事项，也可以随时口述想法并保存。戒指采用按键触发录音的方式，不会持续监听；官方标称日常续航为 6–12 天，并支持心率、睡眠和活动监测。

Interface 计划以 99 美元的早期价格推出，预计于 2026 年 12 月至 2027 年 1 月期间发货。目前官网开放候补登记，最终售价和交付时间仍待确认。

https://natura.inc/interface

2、法国儿童 AI 硬件公司 Mallow 推出无屏语音游戏音箱：人类编写剧情，AI 根据儿童语音实时推动游戏

由法国前数字经济国务秘书、Mistral AI 联合创始人 Cédric O 参与创立的 Mallow，推出面向 4–10 岁儿童的无屏 AI 语音游戏音箱。产品将人工编写的故事、游戏规则与生成式 AI 结合，孩子通过语音回答问题、做出选择，AI 则根据回答实时调整剧情和角色反馈。公司同时披露此前完成的 1100 万欧元种子轮融资，投资方包括 General Catalyst 和 Balderton Capital。

语音成为游戏的主要交互方式： 孩子将角色玩偶放在音箱顶部，即可启动冒险故事、生物养成、迷你游戏或知识问答。过程中无需屏幕和手柄，孩子通过语音与角色交流、解谜和完成挑战，系统根据回答动态推进游戏。目前已与 Nathan 旗下科普系列 Kididoc、动画 IP《瓢虫雷迪》合作推出互动内容。
人类负责故事创作，AI 负责受控互动： Mallow 的故事、角色和游戏规则由编剧与游戏设计师预先创作，生成式 AI 在设定好的叙事与规则范围内理解儿童语音、生成回应并调整游戏进程。产品不提供开放式聊天机器人或 AI 陪伴功能，并通过多层安全防护、确定性规则和持续测试限制不适当的互动内容。

Mallow 表示，产品在两年多开发期间邀请超过 300 名儿童及其家庭参与测试，累计完成 6000 多次测试会话、约 900 小时游戏时长。目前已在法国开放预订，音箱含一枚玩偶售价 119.99 欧元，不收取订阅费。

https://mallow.fr/

3、欧洲语音 AI 公司 Deepslate 完成 770 万欧元种子轮：自研 Speech-to-Speech 模型，440ms 响应并支持欧盟本地部署

德国柏林语音 AI 公司 Deepslate 完成 770 万欧元种子轮融资，由 42CAP 领投，Alstin Capital、SIVentures 等参投。公司专注于欧洲语言的端到端 Speech-to-Speech（S2S）模型，直接处理输入音频并生成语音响应，减少传统 ASR → LLM → TTS 串联流程的延迟，同时将数据处理和存储限制在欧盟境内，并提供企业私有化部署方案。

440ms 语音响应，支持 27 种语言： Deepslate 在 Artificial Analysis 评测中取得 440ms 响应时间。模型采用语音编码器、推理核心和语音解码器三部分架构，推理核心基于经过语言专项训练的开放权重 LLM，可以独立替换底层语言模型，而无需重新训练整个系统。
面向欧洲企业的数据主权部署： Deepslate 的模型和推理服务运行于欧盟数据中心，已获得 ISO 27001 认证，企业也可以选择部署在自己的基础设施中。平台提供 API、SDK 和 SIP 接入，已在保险、呼叫中心等场景投入生产使用，API 推广价格为 每分钟 0.02 欧元。

本轮融资将用于扩大欧洲语言训练数据，重点覆盖德国人名、街道名称和方言，同时继续降低模型延迟、改善语音质量，并扩展欧洲数据中心的部署规模。

(@Deepslate)

4、个人 AI 智能体公司 Instinct 完成 10 亿美元 C 轮融资：估值达 100 亿美元，超 50% 交易来自旅行预订，可智能体直接语音致电商家

个人 AI 智能体公司 Instinct 宣布完成 10 亿美元 C 轮融资，投资方包括 Sequoia Capital、Benchmark Capital 和 Coatue，公司估值达到 100 亿美元，较一个月前的 25 亿美元增长 3 倍。Instinct 提供可通过文字和语音交互的个人智能体，能够自主完成旅行预订、购物、订票、取消订阅等任务，并可使用独立电话号码和云电脑执行操作。

旅行预订占平台交易量的 50% 以上： 创始人 Noah Shinn 透露，Instinct 平台的年化交易额正接近 10 亿美元，其中超过一半来自旅行相关交易，主要涉及机票、酒店等预订。该数字为交易总额，并非公司收入，具体统计口径尚未披露。
智能体开始代替用户拨打电话： Instinct 近期推出 Concierge 功能，允许智能体直接致电商家，完成无法在线办理的预约等任务。平台还新增 Trusted Person Network，使不同用户的智能体能够相互协调行程和计划。

Instinct 目前仍采用邀请制，团队仅有 14 名成员。本轮资金将用于扩大产品覆盖范围，并继续开发个人智能体的自主执行能力。

(@Techcrunch)

03 有态度的观点

1、Sam Altman：社会应接受 AI 带来的部分负面事件

OpenAI CEO 萨姆·奥尔特曼近日接受 Politico 播客《Decoded》采访时表示，世界应接受 AI 带来的部分负面事件，以换取技术收益和用户自主权。

他说，OpenAI 与部分更严格的 AI 安全倡导者的分歧之一，是认为社会在探索系统韧性时「一些不好的事情将会发生」，监管应采取更轻的方式。

这段表态是在讨论 OpenAI 与 Anthropic 的 AI 安全路线差异时提出的。奥特曼认为，AI 带来的好处数量级上会超过坏处；纽约大学荣誉教授 Gary Marcus 则批评这套说法把社会风险转成了公司扩张的代价。两种立场都围绕一个问题展开：模型被更广泛开放后，哪些风险可以由社会承担，哪些需要在发布前被挡住。

奥特曼的重点是把监管边界放在系统韧性和用户选择上：如果风险可以被发现、解释并在使用中修复，他倾向于让产品先进入真实环境；如果风险会造成不可逆伤害，则应在发布前设置限制。

Marcus 的反驳则集中在责任归属，认为把「会发生一些坏事」当成创新成本，可能让受影响的人承担本应由公司和监管者承担的损失。

(@APPSO)

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