PLAUD 发布 AI 耳机 Plaud One：充电盒能听能说，从记录走向执行丨日报

本期编辑：@三水、@鲍勃

01 有话题的技术

1、清华、南洋理工等开源实时语音智能体记忆系统 VoiceMem：提出 Dual-Brain「双脑」架构，记忆检索仅需 134ms

清华大学、南洋理工大学、新加坡国立大学、香港中文大学与 Open Interaction Lab 联合发布 VoiceMem v0.0.1，一套专门为实时语音智能体设计的开源记忆系统。它试图解决现有 Agent Memory 直接接入 Voice Agent 时的两个核心问题：检索太慢、一次返回的记忆太多；同时进一步把用户的事实信息与情绪、人格和关系记忆分开长期维护。

「双脑」分别管理事实和对人的理解： 左侧记忆系统负责用户说过什么、人物和事件等事实信息，并用「类别—实体」两层结构提高少量检索结果的信息密度；右侧则长期积累情绪、人格和用户对不同人物或事物的态度，再通过关联关系与事实记忆联合检索。
在用户还没说完时就开始找记忆： VoiceMem 将转写、实体匹配和记忆检索拆到整段语音交互过程中执行，当静音达到约 200ms 时便开始准备查询，最终记忆检索本身只需 134ms，可以塞进常见 VAD 等待用户停说的时间窗口，而不用在用户说完后再额外等待 1–2 秒。
只给语音模型少量高密度记忆： 在 LoCoMo 评测中，VoiceMem 使用 Top-5 记忆达到 91.2%，Mem0 为 61.68%；项目给出的单次检索上下文约为 430 个记忆 Token，Mem0 为 6,956 个，让上下文窗口更紧张的实时语音模型也能使用长期记忆。
从文本记忆扩展到真实音频记忆： 系统不仅保存转写文本，还可以记录说话人声纹、情绪、多人对话、环境声音和音乐等音频信息；官方同时开放 ChatMem-400K 训练数据、ChatMem-Bench 评测集，以及基于 Qwen2.5-Omni、Qwen3-Omni、Step-Audio2-Mini 的记忆增强模型。
记忆层与 Voice Agent 本身解耦： 开发者可以继续使用自己的语音模型，只将 VoiceMem 接在「麦克风 → 实时记忆检索 → 模型回复」之间；底层记忆引擎也可以替换，目前默认使用 Mem0，方便后续更换新的检索和记忆方案。

https://xzf-thu.github.io/VoiceMem

2、Tavus 发布实时对话理解模型 Sparrow-2：不再只判断「用户说完没有」，而是持续决定该听、等、说还是继续说

Tavus 发布 Sparrow-2，一款面向实时 Voice Agent 的对话理解模型。相比 Sparrow-1 主要解决「什么时候轮到 AI 说话」，Sparrow-2 把目标进一步扩展为持续理解整个对话状态和周围声场：同时考虑语义、语调、说话人、停顿、附和、打断和背景声音，再决定 Agent 下一步应该继续听、等待、开口，还是保持说话。

从 Endpoint Detection 转向持续对话状态建模： Sparrow-2 不再依赖固定静音阈值，也不只看最后几百毫秒的音频。模型会持续判断用户是在思考、犹豫、附和、真正打断，还是已经完成表达；官方称系统中没有使用 silence timer。
不先把背景声消掉，而是先理解它有没有意义： 背景对话、环境噪声、听不清的语音都会保留下来参与判断。比如 Agent 可以区分旁边有人聊天和真正有人在对它说话，也能在音频过于模糊时选择让用户重复，而不是基于错误转写继续回答。
10ms 一次更新对话状态，推理速度比 Sparrow-1 提升 4 倍： Sparrow-2 以 10ms 音频帧运行，每秒最多更新 100 次状态判断；处理 80ms 音频约需 7ms，Sparrow-1 约为 30ms。它还能允许用户在一句话中停顿 6–8 秒而不急着抢话。
在真实视频通话评测中，错误率降至 2.1%： Tavus 在 575 个真实对话事件上统计「错误插话或用户说完却没有响应」，Sparrow-2 的失败率为 2.1%；对于 1 秒以上的思考停顿，97% 不会被错误打断，同时没有漏掉已经结束的对话轮次。
已经进入正式可用阶段： Sparrow-2 目前已在 Tavus PALs、API 和平台中 GA，并开始用于其企业级实时对话产品。

https://www.tavus.io/blog/sparrow-2

3、ReWorld 提出实时交互世界长时记忆框架：让世界模型在持续交互中记住过去发生过什么

ReWorld 面向实时交互世界中的「长期遗忘」问题：现有模型可以根据用户动作持续生成后续画面，但随着交互时间拉长，早期出现的人物、物体、空间关系和事件容易逐渐丢失。ReWorld 为实时世界生成加入长时记忆机制，让模型在继续响应当前操作的同时，也能重新调用更早的历史状态，维持跨长时间交互的一致性。

把历史世界状态从上下文窗口中独立出来： 不再要求生成模型始终保留完整视频历史，而是持续提取值得长期保存的视觉与状态信息，并在后续需要时重新检索。
短期交互与长期记忆分开处理： 最近的动作和画面负责保证实时响应，更早的重要事件进入长期记忆，使模型不必在「反应快」和「记得久」之间二选一。
重点解决长时间交互中的一致性： 当用户离开某一区域后再次返回，或者早期改变过某个对象状态时，系统需要继续保持此前发生过的变化，而不是随着生成时间增加逐渐把世界「重置」。
把世界模型从连续视频生成推进到「有历史的环境」： ReWorld 关注的不只是单段画面能生成多久，而是一个交互世界能否持续积累状态和事件，为更长时间运行的游戏、空间 Agent 和实时世界模型提供记忆层。

https://zhifeichen097.github.io/ReWorld/

4、RunAnywhere 发布 Qualcomm NPU 端侧推理运行时 QHexRT：STT、LLM、TTS 可在手机上跑完完整 Voice Agent 链路

RunAnywhere 将自研 Qualcomm Hexagon NPU 推理运行时 QHexRT 集成进 runanywhere-sdks，把原本彼此独立的 STT、LLM 和 TTS 模型统一到同一套端侧 Voice Agent 开发框架里。重点不是单独证明某个模型能在手机运行，而是让整条「听懂—思考—说话」链路都能利用 Snapdragon 手机上的 NPU，并保持本地、离线运行。

QHexRT 统一支持语音和语言模型上 NPU： 运行时可在 Hexagon v75、v79、v81 上执行 LLM、VLM、STT、TTS、Embedding 等任务，应用仍通过统一的 loadModel、generate 等接口调用，由 SDK 自动选择合适的硬件后端。
完整 Voice Agent 流程已被封装进 SDK： RunAnywhere 提供 VAD → STT → LLM → TTS 一体化语音管线，开发者不再需要分别拼接 Whisper、LLM Runtime 和 TTS 引擎；同一 SDK 还覆盖 Kotlin、Flutter、React Native 等移动端开发栈。
Galaxy S25 上已给出分阶段性能数据： 在 Snapdragon 8 Elite 的 Hexagon v79 上，Whisper Base ASR 可达到约 5× 实时速度，MeloTTS-EN 约 4.5× 实时速度；LLM 方面，LFM2.5-230M 解码速度约 164 tok/s，Qwen3-0.6B 约 33 tok/s。
支持的端侧模型不只限于小模型： 当前 QHexRT 已覆盖 Qwen3.5、Llama 3.2、DeepSeek-R1-Distill-Qwen、Whisper、Moonshine、MeloTTS、Magpie-TTS 等模型，并支持部分 MoE、混合注意力和 1-bit 模型。

https://github.com/RunanywhereAI/runanywhere-sdks

(@RunAnywhereAI)

02 有亮点的产品

1、PLAUD 发布 AI 耳机 Plaud One：充电盒能听也能说，从 AI 录音走向 Voice-to-Action

PLAUD 发布 Plaud One Explorer Edition，将此前 Note、NotePin 的录音与总结能力扩展到无线耳机形态。PLAUD 创始人兼 CEO 许高将其定位为一个「随时可以调用 AI，同时又足够自然、符合日常社交习惯的可穿戴交互界面」。产品也由此从记录对话进一步延伸到利用对话上下文执行任务。

从「记录」走向「执行」： Plaud One 不再只围绕录音、转写和总结设计。Plaud 智能体可利用此前会议和对话内容生成跟进邮件、文档或演示稿，并计划连接 Gmail、Google Calendar、Notion、Slack 等服务。

充电盒成为独立 AI 设备： Plaud One 的充电盒集成 4 个麦克风，并支持 4G LTE 和 eSIM，可脱离手机进行会议录音和部分 AI 交互。这让产品不只是普通蓝牙耳机增加录音功能，而是增加了一个可以放在桌面使用的独立语音入口。
耳机成为新的 AI 交互界面： 许高认为，耳机本身已经是用户熟悉、能够长时间佩戴的设备，因此比新增一种陌生的 AI 硬件形态更容易成为持续调用 AI 的入口。相比需要额外佩戴或拿出的 NotePin、Plaud Note，耳机也天然覆盖通话、线上会议和移动中的面对面对话。
智能体能力仍处于早期阶段： Plaud Intelligence 目前仍为 beta，第三方服务连接和部分智能体功能不会在首发时全部上线，因此 Plaud One 首批产品仍带有明显的产品验证性质。

Plaud One Explorer Edition 售价 249.99 美元，首批全球限量 2,000 台，已开放预订，计划于 2026 年第四季度开始发货。

https://www.plaud.ai/products/plaud-one

（@TechCrunch、@The Verge）

2、Hugging Face × Pollen Robotics 推出 399 美元开源双足机器人 Microduck：完整开放强化学习训练栈，可自行训练新动作

Hugging Face 旗下 Pollen Robotics 推出 Microduck，一款高 25cm、重约 800g 的开源双足机器人。与预设动作玩具不同，Microduck 将机器人 SDK、MuJoCo 仿真环境和完整强化学习训练栈全部开放，开发者可以在模拟环境中训练新的运动策略，再直接部署到真实机器人上，把强化学习机器人的开发门槛降到 399 美元。

机器人动作可以自己重新训练： Microduck 的行走、坐下起身、踢球、拾取物体、轮滑和跌倒后自主站起等行为都由强化学习策略驱动，开发者可以在本地机器或 Hugging Face Jobs 中重新训练、部署和分享新的动作策略。
强调从仿真直接迁移到真实机器人： 官方提供与实体 Microduck 对应的模拟版本，开发流程是「仿真训练 → 真机部署 → 调整仿真 → 再训练」，降低在真实硬件上反复采集和试错的成本。
完整软件栈开源，而不只是提供控制 API： SDK、物理仿真和完整 RL 训练代码均采用 Apache 2.0 开源，机器人出厂自带的 7 个动作策略也全部可以查看、修改和重新训练。
硬件为强化学习实验预留完整感知与控制能力： Microduck 配备 15 个电机、摄像头、LiDAR 和两颗 IMU，运动策略以 50Hz 在机器人端运行，可用于进一步开发视觉感知与运动控制任务。

Microduck 已于 8 月 27 日开放预订，首发价格 399 美元，计划在 2026 年圣诞节前发货。

https://pollen-robotics.com/microduck/

3、Instinct 提出个人 Agent：不做新界面，直接用短信或电话控制手机和电脑完成现实任务

Instinct 创始人 Noah Shinn 公布同名个人 Agent，产品最特别的地方不是再做一个聊天窗口，而是把短信和电话本身作为 AI 入口。Instinct 被训练成像人一样使用手机和电脑，并连接邮件、消息、屏幕、音频、位置等个人上下文，让用户直接说「要做什么」，由 Agent 在后台完成跨应用操作。

「没有新界面」是核心产品思路： 用户可以直接给 Instinct 发短信或打电话，不需要学习新的 App 操作方式；Agent 还能主动给用户打电话、发消息，继续跟进之前没有完成的事情。
目标是完成完整生活任务，而不是只给建议： 早期用户已经用它规划跨州公路旅行、购买每周杂货和演唱会门票、取消订阅，甚至协助筹备婚礼。
Agent 可以跨手机和电脑执行操作： Instinct 会调用用户的邮件、消息、屏幕和位置等信息，并像人一样在设备上完成预订、购买、联系商家等多步骤任务。
目前仍处于邀请制测试： Instinct 正在扩充算力，现阶段仅向私人测试用户开放；新用户可以加入候补名单，或通过现有成员邀请进入。

https://instinct.co/

(@noahrshinn)

4、GLM-5.3-Flash 操控 Blender 搭建 3D 梦幻厨房：不是生成视频，而是直接构建可编辑场景

5、Kapinote 推出本地优先 AI 会议助手：Qwen3 ASR 本地转写，会议上下文可直接交给 Codex、Claude Code

开发者 Guangzheng Li 推出 macOS AI 会议助手 Kapinote，重点不是再做一个「录音—总结」工具，而是把会议内容变成 Agent 可以持续调用的工作上下文。语音转写可完全在本地通过 Qwen3 ASR 或 Apple Speech 完成，会议数据保存在本机 SQLite 中；录制结束后既可以用内置 AI 总结，也可以直接把会议内容交给 Codex、Claude Code 等外部 Agent，继续写邮件、提取行动项或完成后续工作。

会议转写可以完全留在本机： 中文及中英混合会议可使用本地 Qwen3 ASR，英文或单一语言场景可使用 Apple Speech；同时支持自定义词汇，用于修正人名和业务专有名词。
把会议记录直接接进 Agent 工作流： Kapinote 提供 kapinote-cli 和 Agent Skill，Codex、Claude Code、Cursor 等可以直接查询和修改本地会议数据，例如询问「上周会议有哪些行动项」，而不需要用户手动复制转写内容。
不强制开发者重新配置 API Key： 除了 Ollama 和云端模型，Kapinote 支持 BYOA（Bring Your Own Agent），可复用电脑上已经登录的 Codex、Claude Code 等工具，把会议助手从单独的 AI 产品变成现有 Agent 工作流的一块上下文来源。
应用本身目前只支持 macOS： Kapinote 使用 Rust + Tauri 构建，目前免费使用。

https://guangzhengli.com/blog/zh/kapinote

03 有态度的观点

1、黄仁勋：AGI 可能已经实现，但里程碑本身已失去意义

在英伟达最新财报电话会上，分析师问及 OpenAI 希望今年底达到 AGI，以及递归式自我改进会如何影响算力需求。黄仁勋回答：「在很多方面、对很多任务而言，我们可以说已经实现 AGI。」

他的判断从正在运行的智能体出发。黄仁勋称，多数 AI 的使用方式在最近一个月已经跨过分界点，从人类逐次提示转向智能体自主执行。未来，一家公司可能让成倍于员工数量的智能体持续运行、彼此协作；智能体每次完成任务后反思表现并更新 skill 文件，下一次运行便会有所改进。他把这种机制称为一种较松散、粗粒度的自我改进。

黄仁勋随即说，继续划分这些里程碑「在此刻已经有些没有意义」。他给出的判断标准有三个：AI 已能完成有生产力、有实际用途的工作；模型推理产生的 Token 已经可以带来利润；如果获得更多算力，AI 服务还能生成更多有利润的 Token。

这套说法没有宣称 AI 已在所有能力上达到统一定义中的通用智能。黄仁勋把 AGI 从一条等待跨越的技术终点，改写成一组已经进入企业经营和工作流程的能力：智能体能否持续干活、改进任务表现，并把算力转化为实际产出。

( @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、上海开发者活动推荐｜Data for AI Meetup，一场围绕开源 AI 数据基础设施的技术聚会

做 Agent、RAG、Data Agent、企业 AI 数据平台 的朋友，可以关注下 9 月 5 日上海这场 Data for AI Meetup。

当 Agent 真正开始接企业数据、执行复杂任务后，问题往往不再只是「模型够不够强」，而是：它能不能理解企业指标口径、取对数据、检索到真正有用的 Context，以及稳定连接背后的数据基础设施。

这次现场会把这条链路拆开聊透，嘉宾来自 Datastrato、腾讯、Zilliz / Milvus、Apache Doris、Red Hat 等，议题覆盖 开放语义层、Data Agent 取数工程、Agent Context Retrieval、Agentic Data Infrastructure，以及企业 AI 全栈落地。不是泛聊概念，更多是来自真实项目的一线工程实践。

尤其适合正在关注 Agent Memory、RAG、向量数据库、语义层、元数据治理、AI Infra 的开发者和技术负责人。

时间： 9 月 5 日（周六）13:30–17:30