Lokutor 发布 CPU 原生 Voice Agent 栈，可部署在本地丨日报

本期编辑：@三水、@鲍勃

01 有话题的技术

1、Voice AI 公司 Lokutor 推出 CPU 原生 Voice Agent 技术栈：转写、轮次判断与语音合成无需 GPU，可部署到本地和设备端

马德里的 Voice AI 公司 Lokutor 正在把整套语音智能体链路重做到普通 CPU 上。其五段式语音链路中，降噪 Psst、轮次判断 Turno、语音转写 Conv 和语音合成 Versa 都由 Lokutor 自研，只有 LLM 接第三方模型；整条链路不依赖 GPU，可运行在云端、本地服务器或设备端。

整条实时语音链路可在 CPU 上运行： Lokutor 将降噪、Turn-taking、STT 和 TTS 都针对 CPU 推理设计。官网数据显示，在单个 4-vCPU 节点上，从用户说完到回复首个语音约 0.9 秒；加入轮次检测后约 1.3 秒，流式 TTS 首段音频约 120 ms。
Turn-taking 不再主要依赖静音超时： Turno 直接分析原始音频，区分真正的打断和类似「mhm」的附和，因此可以决定智能体应该继续说还是让出话轮。
同一套模型可以下沉到本地和设备端： 因为不依赖加速卡，Lokutor 支持 x86、ARM64 本地部署，也可以直接运行在机器人、车载等设备已有算力上，并支持离线运行。
开发者可以直接接入完整 Voice Agent 或单独调用语音模块： Lokutor 提供 JavaScript、Python SDK、REST 接口和 Pipecat 集成，也把 Conv 转写、Psst 降噪等能力作为独立接口开放。

https://lokutor.com/

2、SpaceXAI 发布语音转写模型 Grok Voice Transcribe 2.0：多语言短指令 WER 从 20.6% 降至 6.8%，旧版 API 无需改代码

SpaceXAI 发布 Grok Voice Transcribe 2.0，重点提升电话、对话、账号信息和多语言短指令等真实语音场景的转写准确率，其中多语言是相比 1.0 提升最大的部分。现有 Speech-to-Text API 接入无需修改代码即可获得新版准确率提升。

多语言短指令 WER 从 20.6% 降至 6.8%： 模型可自动识别数十种语言，并在同一段录音中跟随语言切换；在涵盖 19 种语言的短语音指令测试中，WER 相比 1.0 明显下降。
真实场景准确率全面提升： SpaceXAI 在客服电话、Grok 对话、电话号码/邮箱/地址等口述信息，以及多语言短指令四组内部生产数据上测试，2.0 均优于 1.0；在 Artificial Analysis 的 32 个流式转写模型榜单中，官方称其准确率排名第一。
价格不变，原有 API 可直接升级： 批量转写仍为 0.10 美元/小时，流式转写为 0.20 美元/小时；说话人分离、词级时间戳、关键词偏置等能力继续包含在价格内。

https://x.ai/news/grok-voice-transcribe-2

3、Rust WebRTC 栈 webrtc.rs 发布 v0.21.0：进入 1.0 RC，公共 API 基本冻结并补齐拥塞控制、抖动缓冲与 FlexFEC

webrtc.rs 发布 webrtc 和 rtc v0.21.0，官方将其视为事实上的 1.0.0-rc.1：下一版本计划直接进入 1.0，期间两个 crate 的公共 API 原则上不再做破坏性修改，除非遇到无法兼容修复的重大 bug。

1.0 API 冻结前的核心工作已经完成： v0.21.0 完成 API 可扩展性审查，并在 CI 中加入 cargo-semver-checks；从 0.21.x 到 1.0.0，允许 bug 修复和增量能力，但默认不再接受破坏性 API 变更。
此前列为候选项的媒体能力大多已落地： 新增 GCC 带宽估计与 pacer、RFC 8888 反馈、抖动缓冲，以及端到端 FlexFEC 恢复；拥塞控制仍为可选开启，避免默认引入排队延迟。
WebRTC 底层传输对象正式暴露给开发者：SctpTransport、DtlsTransport 和 IceTransport 已进入两个 crate，可读取当前 ICE candidate pair 等底层连接状态，API 设计基本对齐 W3C WebRTC。
0.20 → 0.21 仍包含最后一批破坏性改动： 包括 SettingEngineBuilder、新的 Crypto Provider、Interceptor 链结构调整、RTCDataChannelId 类型变化，以及部分 enum 改为 #[non_exhaustive]；这些也是项目选择先发 0.21 而不是直接进 1.0 的原因。

https://webrtc.rs/blog/2026/09/19/announcing-webrtc-v0.21.0.html

02 有亮点的产品

1、TypeSafe AI 决策模型 Jev 实时语音案例：实时判断用户是在和 AI 说话，还是在和身边的人交流

开发者 Ashutosh Purohit 基于 Jev 做了一个名为 Toothless 的常驻语音 AI Demo：它持续监听环境中的语音，但不会把听到的每句话都当成对 AI 的指令，而是让 Jev 实时判断当前这句话究竟是说给 AI，还是说给旁边的人。Jev 本身不生成回复，而是作为低成本决策层，根据当前对话上下文和多个判断条件给出结构化决策。TypeSafe AI 将 Jev 定位为一种不生成自由文本、而是返回带概率的类型化决策模型。

常驻语音 AI 不再依赖每次唤醒： Toothless 的目标是让 AI 始终在线，同时判断一段话是否真的在呼叫 AI，减少 Siri、Alexa 这类依赖唤醒词的交互。
判断重点从「有没有人在说话」变成「这句话是不是对我说的」： Demo 会结合当前话题是否延续、请求是否需要联网、是否属于 AI 可以帮助完成的事情等多个因素，让 Jev 判断当前语音的指向对象。
Jev 被放在实时语音链路的决策层： 它不负责生成回答，而是返回结构化判断，再由系统决定 AI 是否应该介入。这和此前用 Jev 判断浏览器操作、提前触发工具调用的案例属于同一种用法：把模型用于实时分流和动作决策。

https://x.com/ashutoshpuro97/status/2101660362882085299

2、印度语音 AI 公司 Navana.ai 获 ₹4 千万（约 420 万美元）A 轮融资：自研语音模型覆盖 12 种印度语言，已处理超 1 亿分钟企业语音

Navana.ai 宣布完成 ₹4 千万 A 轮融资，由 Ronnie Screwvala 领投，Antler India、Sharad Sanghi、Sandeep Singhal、Paula Mariwala 等参投。相比融资金额本身，更值得关注的是它把资源继续押在 面向印度企业的自研语音栈：官方称其 Bodhi 语音模型覆盖 12 种印度语言和 40+ 种方言，并已在真实企业环境中处理超过 1 亿分钟 Voice AI。

核心不是通用 Voice Agent，而是印度本地语言与真实通话环境： Bodhi 面向噪声、重叠语音、代码切换和地区口音等场景训练，Navana.ai 将其用于银行、金融服务和保险等企业语音应用。
企业部署强调受监管场景： 第三方融资报道显示，Navana.ai 提供本地部署选项，面向对数据隐私和合规要求更高的 BFSI 客户；公司官网则将产品定位为端到端企业 Voice AI 栈。
融资信息已经可以核验： Navana.ai 官方 LinkedIn 已确认获得 ₹4 千万融资，投资方名单与多家融资数据库一致；但「45 种方言」的口径在官网目前写作 40+ dialects，因此正文更适合按官方最新口径写。

https://navana.ai/

3、AI 助听器公司 Fortell 获 1.63 亿美元融资：自研 AI 芯片实时分离语音与噪声，而不是把环境声一起放大

Fortell 是一家做 AI 助听器的创业公司，近期获得 1.63 亿美元融资，投资方包括 Founders Fund、Thrive Capital，以及 Valor Equity Partners CEO Antonio Gracias。它的核心思路不是传统助听器式地把所有声音一起放大，而是在设备端实时判断哪些声音更重要，把目标语音增强、其余声音压低。

把「鸡尾酒会问题」作为核心 AI 任务： Fortell 用神经网络区分用户想听的语音和背景噪声，再选择性增强目标声音。公司称，这套方案针对的是传统助听器在餐厅、聚会等多人噪声环境中难以分离重叠语音的问题。
为实时 AI 推理自研专用芯片： Fortell 没有沿用传统 DSP 架构，而是重新设计处理器，让更大的神经网络能直接在助听器里运行，同时控制延迟和功耗。
最新 AI 2.0 是上市后的最大模型更新： Fortell 在 2026 年 8 月发布 AI 2.0，称这是产品推出以来最大的一次 AI 模型升级，继续提升噪声环境中的语音分离能力。
独立测试给出了新的性能数据： 9 月 15 日，Fortell 宣布其助听器在 HearAdvisor 测试中获得 6.0 的综合 SoundScore 和 6.4 的噪声语音得分；该实验室此前最高记录为 4.5。

(@Techcrunch)

4、AI 教育公司 Aristotle 获 500 万美元种子轮：语音优先 AI 辅导结束内测，面向全美学生开放

Aristotle 宣布完成 500 万美元种子轮融资，由 True Ventures 领投，Wicklow Capital 及来自 Anthropic、OpenAI、Sierra、Ramp、Cognition 等公司的个人投资者参投。更值得关注的是产品从封闭测试进入全国开放：在此之前，超过 1000 名学生已经完成 1500 多小时一对一 AI 辅导。

产品从聊天框转向持续语音辅导： Aristotle 把交互设计成类似和真人老师进行 Zoom 通话，系统会记住过去的辅导内容，并根据学生的学习方式决定什么时候追问、什么时候等待，而不是直接给答案。
目标用户是 13–18 岁学生： 目前覆盖 STEM、标准化考试、语言学习等场景，产品定位不是一次性问答，而是高频、持续的一对一 AI 辅导。
此次变化重点是从内测进入规模化使用： Aristotle 在完成 1500+ 小时封闭测试后正式向全美开放，融资将用于继续扩展产品和团队。

https://www.heyaristotle.com/

(@Aristotle)

03 有态度的观点

1、黄仁勋：AI 在 2030 年毁灭世界的概率为 0%

英伟达创始人兼 CEO 黄仁勋在接受 CBS News 采访时表示，他完全不认同 AI 会在 2030 年毁灭世界的说法，并把这种情况的概率定为「0%」。

这是 CBS 已公开的专访片段中最明确的结论。面对「AI 研发是否应该减速」的问题，黄仁勋回答：「无论别人如何，我们都应该尽可能快地前进。」

他说，他的底线是不能在产品尚未准备好或不安全时发布。这个判断回应了 AI 行业近期的减速争论。

Anthropic CEO Dario Amodei 警告，AI 能力以「指数级」速度发展，行业应协调放慢前沿模型的开发节奏；黄仁勋则明确反对这一主张。

黄仁勋给出的边界集中在产品发布环节：继续加快研发，但不把尚未准备好的产品推向市场，也不交付不安全的产品。CBS 将于 9 月 20 日播出完整专访，目前公开的文字稿与视频片段尚未展开更多执行方案。

(@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