语音推理模型 Step-Audio-R1.1 荣登全球第一；Manus 新功能：会议语音转录直接生成 PPT 或网站丨日报

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、能把视频压缩到 0.02%，中国电信 TeleAI 发布 GVC 生成式压缩技术

据量子位报道，中国电信人工智能研究院（TeleAI）发布了一项名为「生成式视频压缩」（GVC，Generative Video Compression）的新技术。

该技术据称能将视频数据压缩率提升至 0.02%，原本 1GB 的视频压缩后仅占 200KB ，且可保持高清画质与连贯细节。

GVC 的核心理念是「用计算换宽带」。

与 HEVC（H.265）或 VVC（H.266）等传统视频编码标准依赖「像素搬运」不同，GVC 不再传递画面像素本身，而是传输语义信息（场景与物体结构）和运动信息（动态变化指令）。

接收端通过预置的扩散模型，结合传输的压缩 Token 指令，利用生成式 AI 实时重建视频画面。

技术报告数据显示，GVC 传输的 Token 大小可压缩至 0.005 bpp - 0.008 bpp（比特每像素）。在极低码率下，使用 LPIPS（感知画质评价指标）对比，GVC 的画质「显著优于」传统 HEVC 标准。

报告指出，传统方法若要达到与 GVC 同等的视觉画质，需消耗 6 倍以上的带宽。此外，在机器视觉任务（如视频分割）的验证中，GVC 重建视频的语义准确性也保持了高水准。

在算力需求方面，TeleAI 团队通过模型小型化与知识蒸馏优化，使该技术可在消费级硬件上运行。数据表明，在 RTX 4090 显卡上，生成一组 29 帧的画面耗时约 0.95 秒至 1.35 秒，适用于非实时或准实时场景。

该技术基于智传网理论体系，旨在解决远洋海事、灾区应急救援、深空探测及自动驾驶数据回传等极端网络环境下的通信难题，标志着视频通信正从像素传输向语义生成转变。

技术报告地址：

https://www.arxiv.org/abs/2512.24300

（@APPSO、@量子位）

2、爱诗科技发布 PixVerse R1：首个 1080P 实时视频生成世界模型，支持自回归流式交互

爱诗科技「AceTech」正式发布实时世界模型「PixVerse R1」，通过自研架构实现了 1080P 分辨率下的指令即时响应。该模型将视频生成从异步的「离线渲染」转变为同步的「实时编织」，提出了「Playable Reality」（可玩现实）的交互新范式。

Omni 原生多模态基础模型：放弃传统的插件式语意理解，在底层潜空间实现视觉与语意的深度融合，指令下达即触发潜空间的物理世界重构。
自回归流式生成机制：将生成逻辑从「固定长度片段」转向「无限视觉流」，确保交互过程中帧与帧之间的连续性，消除重新加载的刷新感。
瞬时响应引擎与算力调度：通过优化算法逻辑与算力分配，将启动延迟压缩至感知阈值以下，支持根据文本或语音指令实时干预视频演化走向。
技术取舍与挑战：为保障 1080P 的实时性，模型在极致物理细节上做了部分退让；同时官方披露，在长周期生成中仍面临时间误差累积导致的物理模拟波动问题。

模型目前处于内测阶段，采用内测码/定向邀请机制提供早期试用，暂未在中国内地市场全面开放。

试用链接：

https://realtime.pixverse.ai/

（@极客公园）

3、VoiceRun 完成 550 万美元种子轮融资：推出代码原生语音智能体平台，支持端到端自动化评估

「VoiceRun」宣布完成由「Flybridge Capital」领投的 550 万美元种子轮融资。该平台旨在取代传统的低代码可视化编辑模式，通过代码原生的开发环境，允许开发者和编码智能体直接构建、验证并规模化部署高性能的语音智能体。

代码驱动架构：放弃主流语音平台采用的可视化流转图，转而支持纯代码定义对话逻辑。该设计旨在适配「编码智能体」的原生工作流，使其能自动生成逻辑、编写测试用例并进行迭代。
端到端生命周期管理：集成了从代码编写、自动化评估、A/B 测试到一键即时部署的完整流水线，解决语音应用从 Demo 到生产环境迁移困难的问题。
支持复杂长尾场景配置：相比受限于 UI 按钮的功能集，代码模式允许开发者灵活配置特定方言、动态业务逻辑嵌套等细分需求，同时确保客户对业务逻辑代码和数据的完全所有权。
市场差异化定位：产品能力介于低代码工具（如「Bland」、「ReTell AI」）与底层基础设施之间，重点通过工厂化的标准化流程提升语音智能体的稳定性。

平台已上线并向企业开发者开放，目前已在餐厅科技等领域投入商用（如 AI 订座礼宾）。

( @TechCrunch)

4、阶跃星辰语音推理模型 Step-Audio-R1.1 荣登全球第一

全球知名权威大模型评测榜单 Artificial Analysis Speech Reasoning 更新，阶跃星辰原生语音推理模型 Step-Audio-R1.1 登顶榜首。

该榜单是目前业界评估「原生语音模型」（Native Audio Models）最权威的第三方基准之一。核心考量模型直接处理音频并进行复杂逻辑推理的能力，主要考察维度包括准确率、首包延迟等。

和大语言模型同理，语音模型同样需要具备强大推理能力，才能提供更高阶智能、更自然交互。

Step-Audio-R1.1 以 96.4% 准确率，超越 Grok、Gemini、GPT-Realtime 等主流一线模型，刷新历史最好成绩。

在性能与速度的综合权衡上，Step-Audio-R1.1 全面碾压同类语音模型。

Step-Audio-R1 是由阶跃星辰发布的全球首个开源原生语音推理模型。它可以在不增加额外时延的情况下，端到端理解语音内容，「像人类一样听到对话即可思考」。

核心能力包括：

深度语音推理
实时响应能力
音频领域的可扩展 CoT

Step-Audio-R1.1 是最新升级版本，兼顾更强实时对话和复杂语音推理能力。完整的实时语音 API 将在 2 月上线，目前开放的 chat 模式已搭载 R1.1 核心，支持边想边说的流式推理。

GitHub:

https://github.com/stepfun-ai/Step-Audio-R1

（@阶跃星辰）

02 有亮点的产品

1、Born 发布「Friends」AI 多智能体伴侣平台：DAU 突破 100 万，同步预览多模态写实数字人「Life」

Born 宣布将其单角色 AI 应用「Pengu」升级为多角色平台「Friends」，并达成 100 万日活跃用户里程碑。公司同步预览了具备光线追踪级别视觉效果的数字伴侣「Life」，主打基于长期交互的个性化性格演化与全模态实时通讯。

多角色垂直化架构：「Friends」平台弃用了单一聊天机器人模式，通过特定功能模型实现场景分发：包括负责社交连接的「Pengu」、专注教育学习的「Mellow」以及提供心理支持的「Bao」。
全模态交互矩阵：预览产品「Life」支持文字、图像、短视频、语音及实时音视频通话。其底层逻辑是让 AI 从被动响应转变为具备主动表达能力的数字实体。
动态参数演化系统：AI 伴侣的行为偏好、性格特征并非静态预设，而是基于用户长期的交互数据进行权重修正，实现数字人格的持续演变。
社交原生生态：该平台强调角色间的共享生态，旨在模拟真实的社交动态而非孤立的 1-on-1 对话，通过多智能体协作环境增强用户的沉浸感。

「Friends」平台目前已正式上线；「Life」处于预览阶段，具体的大规模开放时间及定价策略尚未披露。

( @fabiankamberi@X)

2、OpenAI 收购 Torch Health：构建「ChatGPT Health」及多源医疗数据统一上下文引擎

OpenAI 宣布收购医疗 AI 初创公司「Torch Health」，其创始团队将整体加入 OpenAI，旨在开发名为「ChatGPT Health」的垂直化 AI 工具。此次收购的核心目标是利用 Torch 的技术解决医疗数据碎片化难题，为数亿用户建立统一的个人医疗记忆。

统一医疗上下文引擎：Torch 技术栈核心在于将跨医院、跨实验室、传感器及消费级检测机构的异构数据聚合，转化为 AI 可高效处理的结构化上下文。
解决医疗数据孤岛：针对患者记录散落在多方门户、App 和 Web 端的现状，Torch 提供了一套集成管道，将零散数据流转化为可用于推理的「上下文引擎」。
「ChatGPT Health」垂直应用开发：OpenAI 明确将基于此技术推出针对健康与福祉场景的专用工具，旨在将每周数亿次的通用健康咨询转化为基于个人病史的精准问答。
专业协作与安全性标准：项目强调与执业医师的协作机制，并承诺在数据集成过程中遵循高规格的隐私与安全性标准。

Torch 团队已加入 OpenAI ；相关技术将集成至「ChatGPT Health」；暂未披露具体 API 开放时间或定价详情。

( @IlyaAbyzov@X)

3、Meta 旗下「Manus」上线 Meeting Minutes：实现从语音转录到交付物生成的端到端执行流

「Manus」发布新功能「Meeting Minutes」，将线下会议录制、实时转录与后续执行流整合。该功能不仅提供结构化摘要与任务分配，核心在于允许用户将会议上下文直接导入「Manus」的执行空间，实现从语音到幻灯片、网页等交付物的闭环生产。

上下文驱动的交付物生成：会议记录不再是静态文档，而是作为后续任务的输入参数。用户可在同一任务流内，基于会议共识直接驱动智能体生成 PPT、响应式网站或社交媒体素材。
智能说话人识别与任务分配：系统具备说话人聚类能力，通过识别会议中提及的姓名，将行动项自动关联至特定执行人，提高任务跟踪的准确度。
离线冗余录制机制：针对线下场景优化，仅在会话启动和 AI 分析阶段需要网络。录制过程支持在断网状态下持续进行，确保长时会议的数据完整性。
协作式执行空间：支持邀请团队成员进入同一任务视图，将讨论内容转化为可实时编辑、可共同审阅的结构化输出，而非传统的单向笔记分享。
阶梯式计费模型：录制与基础转录功能免费开放，复杂的 AI 分析、摘要提取及后续物料生成需消耗系统积分，体现了算力资源向推理端的精准分配。

现已向所有「Manus」用户开放；功能内置于 web 移动版及客户端应用；录制免费，分析与生成逻辑按积分计费。

( @ManusAI)

4、OpenAI 强化 ChatGPT 翻译工作流：集成多模态输入，支持 50+ 语言的语境化推理与 UI 本地化约束

「OpenAI」正式推介 ChatGPT 作为高阶翻译工具的深度集成方案。通过结合 Transformer 模型的语境理解能力与多模态（文本、图像、语音）输入接口，该系统实现了从基础文本互译到专业本地化（L10n）工程的跨越。其核心价值在于支持通过 Prompt 进行细粒度的风格控制与文化语境校准。

多模态融合翻译架构：支持通过键盘输入、语音转录及图像上传（OCR 识别）进行多源数据获取。系统可直接处理菜单、路牌截图或。pdf 文档，并允许针对视觉内容进行追问与深层语义解析。
语境驱动的风格重塑：区别于传统 NMT（神经机器翻译），ChatGPT 支持在翻译过程中通过指令切换多种语态（如：商务礼仪、学术文体、儿童科普），并能识别并解释特定区域的俚语、成语及特定文化背景下的隐含意义。
针对开发者与 L10n 工程师的工程化支持：支持复杂的本地化约束逻辑。例如，可要求模型按照特定国家（如墨西哥、日本）的商务习俗调整用语，或在翻译软件 UI 标签时遵循特定字符长度限制及标准 UX 术语规范。
交互式语法校验与双向反馈：提供实时翻译后的解释功能，用户可针对翻译结果中的语法逻辑进行后验查询。通过对话上下文，模型能根据后续修正持续优化同一段内容的输出质量。

功能已在「ChatGPT」全平台（Web， iOS， Android）上线，支持 50 种以上语言，免费用户及 Plus/Enterprise 用户均可使用。

03 有态度的观点

1、小米潘九堂：没有哪家成功的企业不大量模仿别人

近日，小米产业投资部合伙人潘九堂连续两天在微博发文，围绕模仿与创新及友商评估 Pro Max 机型等行业讨论作出回应。

潘九堂昨日表示，模仿是创新的基础，产业进步本质上是企业在相互模仿、启发与微创新中共同推动。

他强调「没有哪家成功企业不大量模仿别人，也没有哪家企业只靠模仿可以取得成功」，并指出模仿、学习、对标在行业中十分常见，无需被污名化。

而针对此前博主爆料「多家友商评估 Pro Max 机型」的传闻时，潘九堂表示，对标是最常见的商业策略，不仅大陆厂商如此，苹果、微软、Google 等海外巨头也长期通过「买 + 抄」方式吸收外部技术。

他引用行业历史案例指出，施乐 PARC 研究中心的 GUI 技术曾被苹果借鉴，而后又被微软吸收，显示技术流动与模仿在科技史中极为普遍。

此外，潘九堂昨日还间接否认了网上流传的卢伟冰离职传闻，称其为小米引入的企业家级别重磅高管，深受公司内部认可，并评价「百将易得，一帅难求」。

( @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