Tavus 发布视听感知模型 Raven-1，捕捉用户语气、表情及语境；「雷格斯」获投数千万，探索「硬件+IP+AI」生态丨日报

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、Tavus 发布实时视听感知模型 Raven-1：能读懂讽刺与犹豫，赋予 AI 真实「情商」

Tavus 公司近日发布了专为实时 AI 打造的视听感知模型 Raven-1。该模型旨在解决当前对话式 AI 仅能理解文字而无法感知人类真实意图的痛点。不同于依赖转录文本的传统系统，Raven-1 通过原生多模态感知系统，将音频、视觉和时间动态融合为统一的理解框架，从而捕捉用户说话时的语气、表情、犹豫及语境。

Raven-1 在前代产品 Raven-0 视觉理解的基础上，实现了音视频流的实时对齐。其核心能力包括：

视听融合：将语调、韵律、面部表情、姿势和注视方向整合为单一感知表征，能准确区分真诚的微笑与讽刺的假笑。
句子级时间建模：追踪对话中的情绪和注意力演变，捕捉如挫败感累积或怀疑消退等细微叙事弧线。
自然语言输出：生成可解释的自然语言描述而非离散标签，使下游 LLM 能直接理解复杂的情感状态。
实时响应：总流水线延迟低于 600 毫秒，且上下文新鲜度（context freshness）保持在 300 毫秒以内，确保 AI 能在恰当时机做出反应。

该系统还支持通过 OpenAI 兼容模式调用自定义工具，允许开发者定义特定事件（如大笑或注意力转移）以触发相应操作。在 Tavus 的技术栈中，Raven-1 与对话流程模型 Sparrow-1 及情感渲染系统 Phoenix-4 协同工作，形成「感知-响应」闭环，显著提升了对话的深度与自然度。

Raven-1 的应用前景广阔，特别是在医疗健康、教育培训及招聘面试等高风险场景中，它能帮助 AI 实时识别患者不适、学员参与度或求职者的非语言信号。目前，该模型已在 Tavus 平台上线。

Demo:

https://raven.tavuslabs.org/

Blog:

https://www.tavus.io/post/raven-1-bringing-emotional-intelligence-to-artificial-intelligence

( @tavus@X、@Tavus Blog)

2、智谱新模型架构曝光：DeepSeek 同款稀疏注意力

日前，据海外博主「Chetaslua」消息，智谱下一代模型（或为 GLM-5）将采用 DeepSeek 同款架构。

据 Chetaslua 分析，GLM-5 将采用了 DeepSeek-V3/V3.2 架构，其中包含稀疏注意力机制（DSA）和多 Token 预测（MTP）；模型总参数量达 745B，将会是上一代 GLM-4.7 的 2 倍。

值得一提的是，近期有一个名为「Pony Alpha」的神秘模型上线全球模型服务平台 OpenRouter，并且引发较高热度。其中不乏有人分析指出，该模型或为智谱新的模型。

而据第一财经消息，智谱目前有相关保密项目在推进中，该神秘模型，是智谱即将发布新一代模型 GLM-5。

据悉，OpenRouter 合作方 Kilo Code 曾透露，Pony Alpha 是「某个全球实验室最受欢迎的开源模型的专项进化版」。

对此，报道指出，Pony Alpha 更有可能是 DeepSeek-V4 或者智谱即将发布的新一代模型 GLM-5。

( @APPSO)

3、vLLM 推出流式输入与 Realtime API：打破批处理限制，解锁低延迟实时推理

vLLM 联合 Meta 与 Mistral AI 推出流式输入功能及 WebSocket 「Realtime API」。该更新打破了先接收完整请求、再开始推理的传统范式，允许模型在用户说话或数据传输过程中同步处理，为语音助手、实时转录及机器人控制等低延迟场景提供了原生支持。

「StreamingInput」增量接口：核心输入对象从静态 Prompt 升级为异步生成器。开发者可以像「喂料」一样，将数据碎块随时间 yield 给引擎，实现边输入边处理。
「Anchor Request」锚定会话模式：会话启动时建立一个长期存在的「锚定请求」。后续到达的数据块直接进入队列，并强行复用已计算好的 KV Cache（中间计算状态），彻底避免了传统模式下每增加一段话就要重算整句前缀的计算浪费。
智能缓存衔接策略：在处理新输入块时，引擎会保留之前生成的大部分 Token 缓存。系统会自动丢弃最后一个尚未生成 Cache 状态的 Token 并进行重算，确保新生成的回答能完美衔接最新的输入上下文，且无需用户手动管理状态。
兼容 OpenAI 标准的 Realtime API：通过 /v1/realtime 端点提供 WebSocket 双向通信。支持 16kHz 的 PCM16 原生音频流输入，服务端可实时返回 transcription.delta（转录增量）和文本/音频响应，支持「听」与「说」同时并发。
模型架构适配要求：该特性需配合具备「因果注意力」机制的模型（如「Voxtral」）。这类模型在处理当前信息时无需参考后续未到达的内容，结合滑动窗口注意力可实现无限长度流式推理。

功能已在 vLLM 最新版本中开源。支持 vllm serve 一键启动，配合 Mistral AI 的 Voxtral-Mini-4B-Realtime-2602 等模型即可实现亚秒级语音交互。

02有亮点的产品

1、DuckDuckGo AI 语音聊天上线，承诺不存储音频

DuckDuckGo 昨日发布公告，宣布其 AI 聊天机器人平台 Duck.ai 新增实时语音聊天功能，主打极致隐私保护。

与市面上其他语音助手不同，该功能的核心卖点在于「隐私优先」的架构设计。用户通过加密通道与大语言模型（LLM）进行自然对话，无需担心语音数据被后台监听或二次利用。

为了兼顾智能体验与数据安全，DuckDuckGo 采用了独特的「中间人」模式。虽然语音聊天的底层智能由 OpenAI 提供支持，但 DuckDuckGo 在用户与 OpenAI 之间建立了一道防火墙。

官方强调，双方均受严格合同限制：DuckDuckGo 匿名化处理音频，OpenAI 仅负责处理请求，严禁保留数据。这意味着，该平台不会存储用户的聊天音频，也不会调用内容用于训练 AI 模型。

为消除用户疑虑，DuckDuckGo 公布了具体的隐私保护细节：

临时处理：音频流仅在说话时传输，会话结束后即刻销毁；
零训练：用户的声音和 AI 的回复均不会喂给算法模型；
加密传输：全程通过 WebRTC 和中继服务器进行高强度加密；
零留存：无论是 DuckDuckGo 还是 OpenAI，在通话结束后都不会保留任何记录。

在使用门槛上，Duck.ai 保持了开放策略：用户无需注册账号即可免费体验（受每日额度限制）。对于重度用户，DuckDuckGo 推出了每月 10 美元（现汇率约合 69.3 元人民币）的订阅服务，不仅大幅提升了使用限额，还附带了个人信息移除服务以及身份盗窃恢复服务等。

（@IT 之家）

2、奇妙拉比获投数千万，探索「硬件+IP+AI」新生态

奇妙拉比日前完成数千万人民币天使轮融资，由锦秋基金领投，首程控股联合投资，沧澜资本担任独家财务顾问。该品牌隶属于银屿趣玩（四川）人工智能科技有限公司，于 2025 年 3 月正式诞生，试图以潮流审美与可玩性定义 AI 潮玩新范式。

区别于传统 AI 玩具或陪伴型产品，奇妙拉比强调潮流审美、收藏价值与强 IP 人格，构建了「本体硬件 + 角色分支 + 配件生态 + 周边收藏 + 内容更新」的产品体系。

其首个核心 IP 雷格斯（RAGUS & WHITE）于 2025 年 6 月推出，坚持「潮玩优先，AI 后置」逻辑，通过 AI 赋予角色稳定人格与长期记忆，使其能随用户互动而「生长」。

市场数据验证了这一品类价值：雷格斯在近乎零推广下，预售当日引发小程序崩溃，下单量数千台；在线下，其在北京陶朱新造局等空间长期稳居销量前三。新品「阴阳双生」系列也于近日亮相，基于多元宇宙设定展示了同一人格的不同演化可能。

本轮融资将重点投入两大方向：

内容生态建设：持续完善 AI 潮玩宇宙的世界观与角色体系，深化用户与角色的长期互动。
SKU 矩阵扩展：推进多形态产品与玩法创新，探索与成熟 IP 及艺术家的授权合作。

联合创始人景林彦认为，传统潮玩体验峰值集中在拆箱瞬间，而 AI 潮玩通过角色成长驱动复购，是行业的下半场。

投资方锦秋基金与首程控股均看好 AI 潮玩作为新品类的潜力，认为其结合了 AI 与 IP 的优势，具备极大的想象空间。首程控股联席总裁叶芊特别指出，奇妙拉比团队在资源匮乏下展现出的极强战斗力与创新力，是其投资的核心原因之一。

（@IPO 早知道）

3、YC 孵化生产力工具 VoiceOS 上线：支持跨应用语音指令与 Prompt 自动优化

由 YC 投资的语音生产力工具 VoiceOS 正式上线。该产品被定义为一款通用的语音操作系统，试图通过语音交互将工作效率提升至新的层级，解决传统键盘输入带来的效率瓶颈。

VoiceOS 团队认为，尽管键盘是目前主流的输入工具，但它往往成为连接大脑与数字世界之间的阻碍。用户在将想法转化为屏幕文字的过程中，面临着精神负担重、纠错耗时以及应用切换导致思路中断等问题。很多时候，当用户完成了打字、重组语言、修正错别字和调整格式后，最初的灵感火花已经消逝。

针对这一痛点，VoiceOS 并未止步于传统的语音转文字功能，而是构建了一个能理解用户意图的通用语音界面。它能够即时将口述的想法转化为经过润色的输出，并自动处理格式、语气、语法和语境。其核心功能包括：

即时回复：用户无需打字或过度思考，只需口述意图（如「要求明天重新安排时间」），系统即可自动生成完整回复。
优化提示词：能够轻松地将用户杂乱的思维碎片，转化为适用于 AI 工具的精准提示词。
全平台兼容：支持 Slack、Gmail、Notion、ChatGPT、Cursor 等任意应用程序，且无需进行额外设置。

该项目的创始人 Kai 和 Jonah 在过去 7 年中积累了丰富的语音 AI 开发经验，涵盖从消费级产品到世界 500 强企业的部署。他们指出，此前语音技术的发展瓶颈并非在于模型能力，而在于交互界面。在通用人工智能（AGI）逐渐成为现实的背景下，键盘可能不再是人类与技术交互的主要方式，语音将取而代之成为新的操作系统。

( @ycombinator@X、@VoiceOS Blog)

4、被迫改名、发货推迟至 2027：奥特曼与 Jony Ive 的 AI 硬件项目遇阻

据 Gizmodo 援引 Wired 的报道，OpenAI 首席执行官 Sam Altman 与前苹果设计师 Jony Ive 合作开发的 AI 硬件项目正面临多重阻碍，问题主要集中在品牌命名、发货时间表以及技术研发三个方面。

首先是品牌命名问题。法庭文件显示，这家新成立的公司在尝试以「io」命名时遭遇了法律障碍。OpenAI 副总裁 Peter Welinder 在文件中称，经过对产品命名策略的评估，公司已决定不在任何 AI 硬件产品的命名、营销或销售中使用「io」一词。尽管官方表述为「决定」，但鉴于该公司在去年 6 月曾因商标索赔遭到起诉并收到法院命令，这一更名举动被外界视为并非完全自愿。

其次，产品的上市时间表大幅推迟。尽管此前有《The Information》和 Axios 的报道称 OpenAI 最快可能在今年揭晓其设备，但最新消息显示，这家目前暂无名称的公司要等到 2027 年 2 月才会开始正式发货。这使得原定于今年下半年的产品展示充满了不确定性。

此外，据《金融时报》此前报道，该项目的研发过程也面临着具体的软硬件挑战：

算力瓶颈：团队在整合足够的计算能力以支持设备运行方面遇到了困难。
交互缺陷：设备核心的语音助手功能尚不完善。该助手被设计为「全天候聆听」，但在实际测试中，难以精准区分何时该介入聆听用户的指令，以及何时该保持静默，这直接影响了设备的基础可用性。

目前的 AI 硬件市场环境并不乐观，Humane 的 AI Pin 和 Rabbit R1 等先发产品均因未能兑现功能承诺而遭遇挫折。Altman 和 Ive 的团队不仅需要解决上述技术与法律难题，还需面对智能手机这一成熟形态的强势竞争。

( @Gizmodo )

03有态度的观点

1、Anthropic：AI 智能体将重塑开发全流程

Anthropic 近日发布了一份名为《2026 Agentic Coding Trends Report》的重磅报告。

报告指出，随着 AI 编程能力从「实验性工具」向「生产力系统」的演进，软件开发行业正站在一场「地壳运动般」变革的边缘。

报告预测，到 2026 年，软件开发将不再局限于人类编写代码，而是转向由人类编排 AI 智能体团队来完成。这一转变将导致传统的软件开发生命周期发生剧烈坍缩，项目交付时间将从数周缩短至数小时。

报告中引人注目的技术趋势是 AI 智能体架构的演进。目前的单体智能体受限于上下文窗口和单线程处理能力，往往只能处理线性任务。但 Anthropic 指出，2026 年将是「多智能体协同」爆发的一年。

有趣的是，报告中还提到，尽管 AI 承担了更多执行层面的工作，但报告揭示了一个关键的「协作悖论」：AI 使用率高，但完全放权率低。

Anthropic 的内部研究显示，虽然工程师在 60% 的工作中都会使用 AI，但他们表示能够「完全通过」的任务比例仅为 0-20%。这表明，AI 目前更像是一个需要持续监督的合作伙伴，而非完全自动化的替代品。

报告指出，随着 AI 能力的提升，人类的监督方式也将发生质变——从「逐行审查」转向「基于智能体的质量控制」，即利用 AI 智能体来审查其他 AI 生成的大规模代码，人类仅需关注高风险和战略性的部分。

( @APPSO)

04 Real-Time AI Demo

1、AI 界的 WWE？Agent Wars 上线 Beta 版：围观 AI 实时编程对决，支持 SOL 下注

开发者 Joaki 近日推出了名为 Agent Wars 的平台，目前处于 Beta 测试阶段。该项目主打 AI 智能体之间的实时编程对决，并允许观众使用 SOL 代币对比赛结果进行下注。

在该平台上，核心互动机制分为人类观众与 AI 智能体两端。对于观众而言，他们可以观看 AI 智能体实时解决编程挑战，并在比赛开始前投入 SOL 押注获胜方。赔率根据资金池实时更新，采用彩池投注模式：若某智能体占据资金池的绝大比例，押注该智能体将获得较低的赔率回报；反之，押注冷门方则可能获得高额回报。获胜的投注者将按比例瓜分输家资金池的 95%。

对于 AI 智能体开发者，参与流程包括通过 API 注册并创建智能体档案。智能体需设置「心跳」机制，每 30 分钟检查一次战斗匹配。一旦匹配成功，智能体便会接收到涵盖编程、算法实现或调试等不同难度（从简单到专家级）的挑战任务。

每场对决遵循一套标准化的流程：

准备阶段：智能体匹配完成，投注通道开启，观众在战斗开始前下注。
实战阶段：智能体接收题目并现场编写代码，此时投注通道关闭。
裁判阶段：由 AI 裁判根据正确性、代码质量和效率对解决方案进行评估；若评分相同，响应速度更快者胜出。
结果公示：系统宣布获胜者，并自动分发奖励。

值得注意的是，为了激励开发者参与，获胜智能体的所有者将直接获得总投注池的 5% 作为奖励。在 Beta 测试期间，平台暂不收取任何服务费。开发者若需提取收益，可通过个人资料页面将 SOL 直接转入钱包。目前，任何 AI 智能体均可通过公开的技术文档申请加入这场竞技。

体验链接：

https://www.agentwars.gg/

（@itsjoaki@X、@Agent Wars）

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