字节版 NotebookLM 悄悄上线；乐鑫、涂鸦争相推出 AI 硬件交互方案；2025 AI 语音输入工具盘点丨日报

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、乐鑫携手 Bosch Sensortec（博世传感器）推出 AI 智能交互方案

乐鑫科技（688018.SH）宣布与 Bosch Sensortec（博世传感器）达成合作，共同推出基于动作感知与大模型能力的人机交互创新方案。

该方案旨在推动多模态感知与智能交互技术的深度融合，覆盖 AI 玩具、智能家居、运动健康、智慧办公等典型应用场景，实现从环境感知、行为理解到智能反馈的完整链路升级，为新一代智能终端提供更自然、更实时的交互体验。

在此次联合方案中，博世提供多类型高性能 MEMS 传感器及算法优化能力，用于精准获取微动作、姿态与环境变化等多维数据；乐鑫以双频 Wi-Fi 6 物联网芯片 ESP32-C5 作为核心主控，通过稳定的无线连接、实时的数据处理能力以及对 MCP 协议的原生支持，实现感知数据的本地解析与大模型联动，使系统在端侧具备即时理解与响应能力。

这一方案不仅融合了双方的核心技术能力，也在系统架构、数据链路与交互体验层面进行了深度协同。无论是动作识别、场景感知，还是智能响应，均经过体系化整合，使设备能够更准确地理解用户意图。同时，该方案提供标准化的软硬件基础能力，大幅降低开发与验证的复杂度，缩短创新产品的落地周期，助力开发者更高效地构建下一代智能应用。

（@乐鑫董办）

2、涂鸦智能发布 Hey Tuya：基于多设备协同的 AI 智能管家，全球响应延迟低于 86 毫秒

涂鸦智能推出「超级 AI 助手」——Hey Tuya。它不再局限于手机 App，而是作为「物理 AI」的调度核心，通过接入各类智能硬件（智能体），实现跨设备、跨空间的自动服务与习惯学习。

毫秒级实时交互： 依托全球边缘加速网络，Hey Tuya 实现了全球平均低于 86 毫秒的响应速度。支持「极速打断」，用户在 AI 说话时可随时插入新指令，交互体验接近真人。
具备长期记忆能力： 区别于「聊完即忘」的普通 AI，该助手能学习用户的作息规律与环境偏好（如周五晚间自动调暗灯光）。通过长记忆技术，它能随使用时长增加而更精准地预测用户需求。
从「对话」转向「执行」： 深度集成视觉与感知引擎。例如，通过摄像头自动识别食物热量、根据室内光线自动调整照明方案，或在监测到能耗异常时主动开关电器。
全场景硬件覆盖： 智能体逻辑可原生运行于智能音箱、AI 玩具、中控屏、智能手表等硬件入口，打破了「必须打开 App」的操作限制。
开发者快速接入： 提供模块化编排工具，厂商可以将语音、视觉、控制等功能像「搭积木」一样组合。最快可在 1 天内完成传统硬件到 AI 智能装备的升级。

该系统现已面向全球开发者与硬件厂商开放。厂商可根据自身产品形态（如家电、穿戴、骑行设备）集成对应的 AI 功能，现已支持 60 多种语言。

（@新智元）

3、腾讯混元开源 HY-MT1.5 翻译模型：1.8B 版仅需 1GB 内存，性能对标 Gemini-3.0-Pro

昨天下午，腾讯混元正式开源翻译模型 1.5 版本，发布 Tencent-HY-MT1.5-1.8B 和 7B 两个参数规模，涵盖 33 个语种及 5 种民汉/方言互译。该系列模型通过架构优化实现端云协同，其中 1.8B 版本在端侧表现出超越主流商用 API 的推理效率与翻译质量。

端侧超低资源占用： 1.8B 模型支持量化部署，仅需 1GB 内存即可在手机等消费级设备实现离线实时翻译，适配 ARM、高通、Intel、沐曦等多种硬件平台。
推理速度提升 2.2 倍：在处理 50 tokens 的标准任务中，1.8B 模型平均耗时仅 0.18 秒，而主流商用翻译模型平均耗时约为 0.4 秒，显著降低了高吞吐场景的响应延迟。
On-Policy Distillation 蒸馏技术：采用 7B 模型作为 Teacher 指导 1.8B Student 模型，通过纠正预测序列分布的偏移，使小模型能够从预测错误中学习，而非传统的「死记硬背」标准答案，大幅提升了小参数模型的泛化能力。
Flores-200 评分达闭源模型 90%: 在 WMT25 及中外互译测试中，1.8B 模型性能达到 Gemini-3.0-Pro 的 90 分位水平，并在质量评估中获得约 78% 的分数。
原生支持复杂格式与术语控制：模型具备自定义术语库（Terminology）导入能力，支持长对话上下文理解及带格式文本（如 HTML）翻译，有效解决了小模型常见的语种混杂及译文注释夹带问题。

模型已在 GitHub 及 HuggingFace 正式开源，支持 1.8B 与 7B 版本下载，腾讯混元官网已同步上线相关功能。

混元官网：

https://hunyuan.tencent.com/modelSquare/home/list

Github:

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

HuggingFace:

https://huggingface.co/collections/tencent/hy-mt15

（@腾讯混元）

4、阿里通义开源 MAI-UI 系列智能体：涵盖 2B-235B 四种规格，端云协同实现 33% 成功率增益

阿里通义实验室开源「MAI-UI」全套 GUI 智能体方案，包含从 2B 端侧小模型到 235B MoE 架构云端模型在内的四个版本。该系统通过引入 MCP（Model Context Protocol）工具调用和主动追问机制，解决了移动端 GUI 操作步骤冗余及指令模糊等痛点，并在多项行业 Benchmark 中刷新 SOTA 纪录。

多尺度模型覆盖与 MoE 架构：发布 2B、32B、72B 及 235B（MAI-UI-235B-A22B）四个尺寸，满足从手机端侧部署到高性能云端推理的全场景需求。
端云协同任务切换机制：系统内置监控模块，根据任务轨迹是否偏离意图及数据敏感度动态分配算力。实验数据显示，协同机制使 2B 模型的任务成功率提升 33%，并减少了 40% 以上的云端调用。
原生集成 MCP 工具调用与主动交互：支持通过 MCP 协议直接调用外部 API（如高德、GitHub），绕过繁琐的 UI 界面操作；具备缺失信息检测能力，可在关键参数缺失时暂停并向用户索取反馈。
强化学习与自演化管线：采用支持 500+ 并行环境、最长 50 步交互的在线强化学习框架，配合自演化数据管线生成交互与工具调用数据，提升了模型在动态、复杂 UI 环境下的鲁棒性。
刷新多项 SOTA 指标：MAI-UI-235B 在 AndroidWorld 任务成功率达到 76.7%，超越 Gemini-1.5-Pro；MAI-UI-32B 在 ScreenSpot-Pro 上的元素定位准确率达 73.5%，优于 Gemini-1.0-Pro。

论文、代码及全系列模型权重已在 GitHub 开源，并提供详细的端云协作部署参考方案。

论文地址：

https://arxiv.org/abs/2512.22047

GitHub:

https://github.com/Tongyi-MAI/MAI-UI

（@量子位）

02 有亮点的产品

1、2025 AI 听写工具技术盘点：本地化 LLM 推理、自定义 API 接入与开发流深度集成

2025 年 AI 听写领域完成从单纯「语音转文字（STT）」向「LLM 语义重构」的技术转型。新一代工具通过本地部署、自定义 Prompt 引导以及对 IDE 的原生支持，解决了传统听写工具在专业术语识别及上下文格式化方面的瓶颈。

本地化推理与隐私工程：以「Monologue」和「VoiceTypr」为代表的工具支持全本地模型运行，通过下载模型至客户端实现离线转录，从物理层面隔离敏感数据；「Willow」则通过 LLM 语义补全能力，支持从少量关键词生成长段落文本。
模型异构支持与 API 接入：工具如「Superwhisper」允许用户根据精度需求切换模型，包括 Nvidia 的「Parakeet」语音识别模型；同时支持接入第三方云端或本地 AI API 密钥，解除 Token 使用上限。
开发者工作流与「Vibe-coding」集成：针对编程场景，「Wispr Flow」实现了与「Cursor」等 IDE 的深度集成，支持语音识别代码变量、自动打标文件，并针对不同写作风格（正式/随意）提供预设的 Context 引导。
低延迟与宏指令扩展：YC 孵化的「Aqua」重点优化了端到端延迟，并引入了基于短语触发的自动填充功能（如通过语音指令触发地址、代码片段填充），同时提供独立的「STT API」供开发者二次开发。
开源生态与多平台兼容：开源项目「Handy」和「VoiceTypr」（提供 GitHub 仓库）补齐了跨平台短板，支持 Linux 系统及 99+ 种语言，采用一次性买断或完全免费模式挑战订阅制主流。

( @TechCrunch)

2、字节版 NotebookLM 悄悄上线，实测 AnyGen，不仅要终结对话框依赖，它甚至推倒了某些数据孤岛

字节跳动在海外上线 AI 生产力平台「AnyGen」，定位为集文档、智能体、演示文稿与数据分析于一体的协作空间。该产品通过前移输入入口至多模态记录，并强化输出端的「原生可编辑性」，旨在解决 AI 生成内容在办公场景中因格式崩坏、逻辑漂移导致的「高返工率」问题。

多模态上下文聚合输入：支持长按录音实时转写，并允许同步投喂照片、网页链接、截图等碎片化素材，将非结构化信息统一转化为可加工的上下文环境。
结构锁定与段落级局部迭代：采用「引导式提纲」生成逻辑，用户需先确认骨架再填充内容；支持段落与句子级别的局部重写（Local Rewrite），避免因全篇重生成导致的上下文逻辑冲突。
原生 Slides 编辑器架构：输出结果非静态图片或 HTML 卡片，而是支持拖拽、对齐、网格调整的原生元素；支持上传 PPTX 模板并遵循主版式规范，图表对象支持直接修改数值。
异步 Deep Research 与数据清洗：集成实时检索与 Agent 处理能力，可执行批量频道筛选、订阅数核对等复杂调研任务；生成的分析报告支持模块化拆解，规避了表格乱码及导出兼容性问题。

目前已在海外市场上线（anygen.io），提供文档、智能体、Slides、数据分析四大模块；支持 Google、Apple 及 Lark 账号登录。

( @Z Finance)

03 有态度的观点

1、夸克揭晓 2025 十大搜索热词

昨天，夸克发布了「2025 年度十大搜索热词」，通过对全年用户搜索关键词的脱敏加密数据进行统计分析，揭示了年轻用户在学习、生活、消费等多个维度的关注焦点。

入围的热词有「黄金」「救救」「入坑神作」「这道题」「热量」「小众旅行」「新年旺」「高清」「PPT」「一句话」，反映出用户在信息过载时代下的实用需求与情绪表达。

具体来看，「黄金」相关搜索频繁出现「黄金多少钱一克」「金价预测」等，体现出年轻人对资产保值的关注日益增强，倾向于「不求暴富，只求别跌」的稳健理财观。

「救救」则成为学习压力下的情绪出口，涵盖「四六级救命高频词」「期末急救题库」「开题方向救急」等高频场景。

内容消费方面，「入坑神作」「这道题」等热词显示出用户对优质内容与学习工具的强烈需求，搜索中频繁出现「爆款短剧」「深度解题」「英语真题范文」等关键词，夸克的悬浮窗搜题功能也因此受到青睐。

生活方式层面，「热量」「小众旅行」「高清」等热词揭示了用户对健康饮食、个性化出行与影像质量的关注。

「热量」相关搜索如「低脂食品」「这道菜多少卡」反映出用户对饮食控制的精细化管理；「小众旅行」则聚焦于「跨年烟花」「双人行程规划」等关键词，展现出逃离喧嚣、追求独特体验的趋势。

此外，「新年旺」「旺」等词汇则体现出用户对好运、财运、桃花等传统文化意象的持续热衷；而「PPT」「一句话」则折射出职场与学习场景中对效率工具与信息提炼能力的高度依赖。

夸克表示，通过年度热词的发布，夸克希望与用户共同回顾这一年在搜索中留下的痕迹，洞察时代情绪与趋势。

( @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