Meta 发力语音模型，Muse Voice Transcribe 突破 20+人分离与中英混说丨日报

本期编辑：@三水、@鲍勃

01 有话题的技术

1、Meta 发布实时音频感知模型 Muse Voice Transcribe：单模型完成流式 ASR、20+ 人说话人分离与端点检测

Meta Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcribe，把流式 ASR、20+ 人说话人分离和端点检测原生整合进同一个模型。过去实时语音系统往往需要分别完成转写、判断「谁在说话」和检测「用户是否说完」，Muse Voice Transcribe 则让这些信号在同一条实时输出流中产生。

单模型同时输出转写、说话人和轮次边界： Muse Voice Transcribe 以流式 ASR 为基础，通过额外的特殊 Token 标记说话人切换、说话开始和说话结束，可原生处理 20+ 名说话人，无需再做额外后处理。
按词动态决定「还要听多久」： 音频以 80ms 为一个 Chunk 输入，模型不会采用固定等待时间，而是通过 Adaptive Delay（自适应延迟） 判断每个词需要多少音频上下文；简单词更快输出，困难词则多等待上下文，在准确率与最终转写延迟之间动态取舍。
支持中英混说和上下文偏置： 模型训练覆盖 70+ 种语言，首发重点验证 25 种，并支持句内语言切换；开发者还可以通过语言、关键词和上下文偏置，提高人名、地点及领域术语等特定词汇的识别准确率。
已开放 Meta Model API： Muse Voice Transcribe 已可通过 Meta Model API 调用，同时用于 Meta AI for Mac 的听写和 Muse Code 的语音输入。截至 9 月 1 日，该模型位列 Artificial Analysis 流式 Speech-to-Text 排行第一，并在公开说话人分离 Benchmark 中排名第一。

https://research.meta.ai/blog/introducing-muse-voice-transcribe

2、李飞飞联合创办的 World Labs 发布多模态世界模型 Atlas：支持像素级相机控制，并统一图像、视频生成与 3D 重建

李飞飞联合创办的 World Labs 发布多模态世界模型 Atlas。该模型从零开始预训练，可原生处理文本、图像、视频和 3D 信息，并在同一模型中完成受控图像/视频生成、3D 重建与时空模拟；其中最突出的变化，是把精确相机几何参数直接作为模型输入，让开发者能够按指定机位、角度和运动轨迹生成画面，而不再只靠文本描述镜头运动。

相机控制从文本指令升级为几何级输入： Atlas 可以根据 1 张或多张参考图，从指定相机位置和角度生成新视角，并沿人工设计的相机轨迹生成视频。官方展示中，Atlas 可生成最长 1 分钟、1440p 的连续视频。
一个模型同时负责生成与 3D 重建： Atlas 不仅生成二维图像和视频，还能从 1 张到多张图像重建场景几何，并输出点云和 3D 高斯泼溅结果。对于未被相机拍摄到的区域，模型会结合已有空间上下文补全场景。
采用多模态自回归扩散 Transformer 架构： 文本、图像、相机位置和 3D 深度图会被组织进统一的空间上下文，模型再根据已有内容逐步生成后续结果。视频在模型内部被表示为连续图像序列，使图像生成、视频生成和 3D 空间建模能够共享同一套架构。
从空间生成进一步延伸到时空模拟： Atlas 可从少量相机拍摄的视频重建场景，再从新的视角重新生成画面；在机器人场景中，还可以基于真实环境构建模拟空间，并生成机器人沿不同路径运动时对应的 RGB 图像和深度数据，用于真实环境到模拟环境的训练流程。
目前处于早期开放阶段： World Labs 正向部分合作伙伴开放 Atlas，后续 Atlas 也将用于驱动 Marble 等 World Labs 产品。

https://www.worldlabs.ai/blog/atlas

3、Visko 发布实时世界生成模型 Orbis 1.0：首个实时模型上线，可在生成过程中即时改写内容

Visko 正式发布 Orbis 1.0，这是其首个实时模型。相比传统「提交提示词、等待成片」的视频生成方式，Orbis 1.0 把生成过程变成一条可持续输出的实时流：用户可以一边生成、一边改写后续内容，系统则持续把世界渲染出来，并通过 Reactor 提供 API 访问。

把视频生成从一次性出片改成实时流式生成： Visko 将 Orbis 定位为一个「创建真实世界并实时呈现出来」的基础模型。官网也将其描述为可「创建鲜活世界并实时流式输出」的模型，核心变化是从离线生成短片，转向持续运行的实时生成系统。
支持生成过程中实时交互： Orbis 1.0 支持用户在生成过程中随时修改后续剧情，新的指令会实时反映到后续画面中。官网展示的交互方式包括直接续写故事、语音输入驱动画面，以及基于文本或参考图生成世界。
持久记忆支撑长时一致性： Orbis 1.0 通过有界多尺度记忆，在分块生成过程中持续保留角色、场景和风格信息，用来支撑长时间连续生成，减少长视频里常见的内容漂移和风格漂移问题。
支持文本生成、图像生成和视频续写三类工作流： Orbis 1.0 支持长时文本生成视频、图像生成视频，以及视频续写；并支持多语言提示词和生成过程中切换提示词，这意味着它不只是「实时播放视频」，而是一个可持续操控的生成工作流。
已通过 Reactor 提供 API，并区分动态版与稳定版： Orbis 1.0 现在可通过 Reactor 访问，其中 Orbis-Dynamic 被标注为「可实时切换的视频生成」，Orbis-Stable 被标注为「可操控的视频生成」。这说明 Visko 不只是发布演示页面，而是已经把模型接入开发平台，供开发者测试与调用。

Orbis :

https://visko.ai/models#orbis

动态版本：

http://reactor.inc/sandbox?model=visko-orbis-dynamic

稳定版本：

http://reactor.inc/sandbox?model=visko-orbis-stable

4、Datapoint AI 开源客服场景 TTS 人类偏好数据集：31.5 万次真人盲评覆盖 15 款模型

Datapoint AI 发布 Text-to-Speech Human Preferences 315K，将其 TTS Bench 背后的 31.5 万次真人偏好投票开放出来。数据覆盖 15 款 TTS 模型、300 条英文客服提示词和 8 类 Voice Agent 场景，开发者不仅可以查看模型排名，还能直接用这批人类偏好数据训练或评测语音奖励模型。

31.5 万条数据实际是两两语音比较的真人投票： 15 款 TTS 模型组成 105 种模型配对，每组配对都会在全部 300 条提示词上比较，每个比较单元保留 10 次有效真人选择，最终形成 31,500 个比较单元、315,000 次有效偏好投票。评测时用户看不到模型名称，只需在两段语音中选择更喜欢的一段。
专门针对客服 Voice Agent，而不是通用朗读： 300 条提示词覆盖 8 类实际客服任务，包括共情与情绪安抚、问候与品牌表达、操作指导与故障排查、人名与拼写、政策说明、口误与表达修正、预约与升级处理、交易信息播报，可以分别观察不同 TTS 模型在具体客服任务中的人类偏好差异。
除投票外还开放 4,500 条模型生成音频： 数据集包含 15 款模型针对 300 条提示词生成的 4,500 条 FLAC 音频，同时提供模型配对结果、单次真人投票、提示词和模型信息，可用于训练语音偏好模型、奖励模型，以及复现 Datapoint 的 TTS 排名。
排行榜由同一批真人偏好数据生成： Datapoint 使用 31.5 万次有效投票拟合 Bradley–Terry 偏好模型，再转换为 Elo 分数，并提供总榜和 8 个客服类别的独立排名。整体榜单对各类别等权计算，而不是简单按所有投票混合排序。

https://trydatapoint.com/benchmark/leaderboard

02 有亮点的产品

1、Bodhan AI × AI4Bharat 公布多语言语音合成模型 Indic-Speak：40 亿参数支持 23 种语言，可单次生成双人播客

Bodhan AI 与 AI4Bharat 公布 Indic-Speak，一款面向印度多语言场景的 40 亿参数语音合成模型，支持 23 种语言。相比此前发布的语音识别 Indic-Transcribe、翻译模型 Indic-Translate 等能力，Indic-Speak 补上了「语音生成」环节，并重点处理多人对话、语言混说和长文本连续朗读。

双人对话可一次生成，不需要后期拼接： 官方演示两位虚拟说话人 Parth 和 Dhara 用印地语讨论论文《Attention Is All You Need》，整段播客式对话由模型一次生成，通过说话人标签控制双方轮流发言，而不是分别生成两条语音后再拼接。
支持真实对话中的多语言混说： Indic-Speak 可以直接合成一句话中混合多种语言的内容，例如印度语言与英语交替出现，无需先把文本统一翻译成单一语言再生成语音。
针对印度本地表达做了专门处理： 模型能够正确处理 PAN、Aadhaar、货币金额等本地常见表达，减少缩写、数字和专有名词在语音生成中的读错问题。
支持长文本连续语音生成： 官方还展示了完整泰米尔语有声书章节的连续朗读，重点验证模型在长时生成中保持内容连贯和稳定的能力，而不只针对短句 TTS。

Indic-Speak 将于 2026 年 9 月 5 日在 Bodhan AI 上线。

(@MiteshKhapra@X)

2、语音 AI 公司 Smallest.ai 完成 1300 万美元 A 轮融资：押注实时语音到语音系统，累计融资超 2100 万美元

语音 AI 公司 Smallest.ai 完成 1300 万美元 A 轮融资，由 Seligman Ventures 领投，Sierra Ventures、3one4 Capital 等参投，累计融资已超过 2100 万美元。新资金将重点投入下一代实时语音到语音系统、底层实时基础设施和企业部署，目标是进一步摆脱传统 ASR、LLM、TTS 串联架构带来的延迟。

下一阶段重点转向实时语音到语音架构： Smallest.ai 认为，传统级联系统需要依次完成听写、推理和语音生成，而自然对话中的「听、想、说」实际上会同时进行。公司正在开发能够在语音到达时同步处理信息的架构，以降低对话响应延迟。
复杂任务仍可交给大型基础模型处理： Smallest.ai 的设想并非完全抛弃 LLM，而是让小型实时语音模型负责低延迟对话，遇到超出自身知识范围的复杂问题时，再调用大型基础模型处理，形成实时交互与复杂推理分工的双模型架构。
资金还将用于扩大企业级部署： Smallest.ai 创始人 Sudarshan Kamath 表示其技术目前已在 10 多家企业中支撑超过 10 亿分钟实时语音 AI 使用量，新资金将继续投入模型、实时基础设施以及金融、客服等企业场景。
「通过语音 AI 图灵测试」目前是公司自身表述： Kamath 在融资公告中称其系统已经「通过语音 AI 图灵测试」，但目前未同步公开具体测试协议、参与人数或独立评测结果。值得注意的是，Smallest.ai 此前研究文章也指出，行业仍缺少针对实时语音交互的严格图灵测试标准，需要同时评价响应时机、打断、情绪和轮次互动等维度。

https://smallest.ai/blog/series-a-funding-13m-next-generation-voice-ai

3、Violoop 完成数亿元天使轮及 Pre-A 轮融资：联想创投、蓝驰创投等参投，加速桌面 AI 硬件量产

桌面 AI 硬件公司 Violoop 完成数亿元天使轮及 Pre-A 轮融资，由联想创投、中金保时捷、蓝驰创投、元生资本、启赋资本和 Zero2IPO Ventures 共同投资。其首款产品是一台外接电脑使用的 AI 设备，通过 HDMI 读取屏幕、USB 模拟键鼠操作，让现有 Windows、macOS 和 Linux 电脑无需更换系统即可获得跨应用的智能体操作能力。

核心路线是「外挂硬件」改造现有电脑： Violoop 不要求应用逐一接入 API 或插件，而是直接读取电脑屏幕，并通过 USB 键鼠控制完成跨应用任务；设备可根据当前屏幕内容提供下一步建议，也支持持续执行多步骤任务。
部分感知和推理直接放在端侧： 设备搭载 RK3576 芯片和 26 TOPS AI 加速器，可在本地运行 Qwen 8B Q4 模型；原始屏幕画面可在设备侧处理，再按任务需要调用用户自己的 Claude、OpenAI 或 Gemini API。
联想将从投资进一步延伸到产业协同： 除成为股东外，联想还计划在生产制造、供应链、全球渠道和品牌资源上支持 Violoop 产品规模化，并与其探索智能体运行框架、端侧个人模型和自进化闭环等方向。
产品即将进入正式销售阶段： Violoop 此前已获得约 1.2 万名用户的订金预订，首款产品建议零售价为 699 美元，Kickstarter 及国内首发价为 399 美元，计划于 9 月正式上线。

https://news.qq.com/rain/a/20260901A03PK400

https://violoop.ai/

（@新京报）

03 有态度的观点

1、宇树科技回应「超 100 元报销需王兴兴审批」：很多内容不实

据澎湃新闻报道，9 月 1 日，「宇树员工称超 100 元报销需王兴兴审批」「宇树员工称奖惩机制只有罚几乎没有奖」等话题登上热搜。

宇树科技对此回应称：「很多内容不实，切勿当真。」不过，官方未进一步说明具体哪些内容不实。

此前报道称，有员工表示，在宇树科技，一笔超过 100 元的报销需要公司创始人王兴兴审批，员工也经常在其办公室外排队等待审批。相关报道还提到，王兴兴的沟通方式相对直接严厉，要求员工不对外透露公司消息，并高度关注产品细节和成本控制。

此外，宇树科技于 8 月 27 日宣布，将每年无偿赞助部分「天才少年」开展科技项目，申请对象为高中阶段至硕士研究生毕业前的学生，资助金额为 1 万至 2 万元，特别优秀的项目不设金额上限。

( @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、社区活动推荐｜Google DevFest 2026 Shanghai 超前报名开启：Beyond the Model，Build for Real

今年 11 月初，Google DevFest 2026 Shanghai 将在上海举办，预计汇聚 3000 名开发者，设置 5 个分会场、17 个 Topic 和 3 场 CodeLab。

今年的主题是 「Beyond the Model. Build for Real.｜超越模型，为真实而构建」。相比只讨论模型能力，这届 DevFest 更想把问题往真实工程里推一步：API 挂了怎么兜底？模型幻觉怎么做 Guardrails？成本失控后 Infra 怎么优化？Agent、Cloud、Android、Web 又该怎么真正进入生产环境？

对正在做 AI / Agent / Cloud / Android / Web 的开发者来说，这次会更偏向真实项目、工程实践与技术落地，而不是只聊趋势和概念。

时间： 2026 年 11 月初