Chubby♨️@kimmonismusThinking Machines公司发布的新型交互模型，旨在从根本上改变人机协作模式。该模型能够原生地同时实现聆听、观看、说话、打断、反应、后台思考和使用工具，而非依赖语音转文本等拼接技术。其目标是将AI从被动的“一问一答”工具，转变为能感知用户犹豫、主动介入、预测下一步并维持流畅对话的实时协作伙伴。这标志着AI交互范式从提供最终答案，转向在协作过程中保持“在场”的根本性转变。
People talk, listen, watch, think, and collaborate at the same time, in real time. We've designed an AI that works with ...
🚨 AI News | TestingCatalog@testingcatalogPeople talk, listen, watch, think, and collaborate at the same time, in real time. We've designed an AI that works with ...
阿绎 AYi@AYi_AInotesAndrej Karpathy指出，当前AI发展的核心瓶颈并非模型能力，而是低带宽的文本交互方式。他建议在向大模型提问时要求“以HTML格式构建回答”，并在浏览器中查看结果。由于人类大脑约三分之一皮层专司视觉处理，HTML提供的丰富视觉呈现能带来远超Markdown的阅读效率与理解深度。他认为人机交互正从Markdown向HTML演进，虽然后者消耗更多token，但用少量成本换取人类时间效率是值得的交易。最终，给人消费的内容应优先采用HTML格式，而AI代理间则可用Markdown或JSON沟通。
This works really well btw, at the end of your query ask your LLM to "structure your response as HTML", then view the ge...
哈曼中国发布AI赋能车载K歌平台Sing Drive。该平台原生集成于整车信息娱乐与音响系统，采用低时延AI技术，可对任意来源的音乐进行实时人声消除与分离，打破了对预授权卡拉OK曲库的依赖。其结合车规级麦克风架构与专属数字信号处理，旨在提供稳定、低延迟的高品质车内K歌体验。平台支持灵活配置，可覆盖从基础伴唱到具备同步歌词和AI技术的全功能卡拉OK系统。
吉利银河life商城上架吉利Eva车载机器人，定价1099元并已开启预售。该产品采用圆角矩形设计，可安装于车机中控屏后方，通过小屏幕展示不同表情。它支持蓝牙BLE与WiFi双模双频连接，能与车机深度协同，一键触发上车欢迎、语音聆听等场景，并在充电、导航、座椅通风、开启智能驾驶时显示对应动画表情，还包含节日彩蛋。目前适配吉利银河星耀7的220km四驱星耀版和230km两驱探索+版两款车型。
Mureka正被企业用以替换Suno，一场AI音乐领域的迁移正在发生。背后涉及功能、成本或合规等方面的理由。
ginobefun@hongming731本期早报围绕三条主线。Eric Ries新书《Incorruptible》探讨成功公司如何通过公益公司章程等结构性设计抵御“财务重力”导致的腐化。Trigger.dev联创Eric Allam指出传统重放模型无法应对长时工作的AI Agent，提出上下文日志与执行快照的两层持久化架构。Mistral科学家Samuel Humeau阐述TTS技术正复用LLM范式，走向架构趋同。三者共同揭示：选择更复杂的结构性方案能获得更长久的生命力。速览部分还涉及AI自我成长评估、Agent上下文工程等议题。
Thinking Machines Lab发布interaction models研究预览。该模型从零训练，原生处理音频、视频和文本，采用多流微回合设计实现实时响应，无需外部脚手架。研究预览展示了全新的交互能力，并在智能性与响应性上取得综合SOTA表现。
ginobefun@hongming731Eric Ries提出用公益公司章程等“不锈钢螺栓”结构将使命嵌入组织，以对抗成功后的腐化。Eric Allam探讨长时AI Agent的持久化方案，通过分层实现毫秒级恢复。Samuel Humeau展示音频生成正复刻LLM技术路径，并以17毫秒首包延迟为当前标杆。
据彭博社记者马克・古尔曼透露，苹果计划在下一版macOS中进行小幅重新设计，以进一步完善液态玻璃设计语言，并优化Tahoe系统界面的细节。此次更新将微调系统全局透明度和阴影效果，旨在解决用户反馈的应用对比度不足问题。古尔曼指出，macOS 27版本将完整实现设计团队最初的液态玻璃构想。除界面优化外，新系统还将提升稳定性与运行效率，并进行代码精简，以提高设备性能与续航。新版Siri将是重点功能，依托AI平台升级，系统还将获得多项其他优化。
Chubby♨️@kimmonismus尽管AI生成播客内容日益增多，但成功的播客仍将依赖人类主播。播客的成功核心在于主播的个人魅力、表达能力和亲和力，这使听众渴望参与对话并成为节目的一部分。这与现场音乐会的魅力类似，关键在于“在场感”、人际互动与社会性动态。虽然如NotebookLM等AI工具的对话形式对学习有帮助，但这与作为人类听众参与一个有吸引力的播客体验存在本质区别。
OpenAI Developers@OpenAIDevs
Greg Brockman@gdbI just added real-time AI translation into Chormex using GPT-Realtime-2... and this feels absolutely surreal. It works a...
光帆科技宣布将于5月15日发售“光帆全感AI耳机”，该产品被称作行业首款带摄像头的AI耳机。耳机主打“全感知、主动式、个性化”，能通过环境感知主动提供提醒与服务，用户还可为AI选择不同人设，使其成为具有陪伴感的随身助理。硬件方面，单耳重11克，采用开放式耳挂设计，双侧配备200万像素双目摄像头用于实时识别物体与场景。耳机盒集成4G网络，支持脱离手机独立使用。续航上，耳机通话可达9小时，音乐播放15小时，配合充电盒总续航最高为90小时。
微信发布了Windows和Mac平台4.1.9版本，核心更新包括电脑端新增语音消息发送功能，用户可通过点击麦克风图标或按住Alt键录制并发送最长60秒的语音。截图工具加入滚动长截图功能，用户可截取完整纵向长页面。此外，输入默认表情后按右方向键可快速复制表情以连续发送，合并转发的文本消息支持右键一键全文翻译，网页打印功能也新增了预览支持。
StepFun@StepFun_aiStepFun's new StepAudio 2.5 TTS ranks #3 on the Artificial Analysis Speech Arena Leaderboard, only behind Inworld's Real...
华为Sound X5智能音箱正式开售，定价2199至2499元。新品主打全新“悦彰音质”，采用八单元三分频设计，支持36Hz低音。其核心升级在于搭载鸿蒙AI大模型，具备模糊语义理解和拟人连续对话能力。音箱支持鸿蒙智联全场景互联，提供智慧助眠、一碰传音、挥手控全屋等功能，并升级了可随声变化的幻彩灯效。共有鎏金、玄黑、云白三款配色。
阶跃星辰发布新一代实时语音大模型StepAudio 2.5 Realtime，现已全量上线。该模型能感知语调、语速等“副语言”信息以识别用户情绪，动态调整回应以提升对话真实感。开发者可通过API精细定制AI角色的性格、背景等，其能力基于超万个原生人设生成的百万级特征矩阵训练，并针对角色一致性进行了强化。模型在对话能力上强调智商与情商的双重提升，可应对从闲聊到专业面试等多种场景。据2026年4月评测，其主观对话体验与语音问答基准得分均领先于同期竞品。
OpenAI的实时通信服务因依赖WebRTC协议而面临延迟问题。分析显示，其服务往返时间中位数达88毫秒，远超QUIC等现代协议的个位数毫秒水平。这一技术选择导致交互响应显著延迟，成为性能瓶颈。文章指出，优化或替换现有WebRTC架构可大幅提升实时体验，对AI语音交互等场景至关重要。
WebRTC 的设计会在网络状况不佳时主动降级甚至丢弃语音提示数据包，以保持低延迟。这导致在语音会议中常出现失真的音频，因为其核心设计优先考虑实时对话的流畅性，不允许等待或重传数据包。然而，对于需要高准确性的AI语音交互场景，用户宁愿多等待200毫秒以确保提示完整无误，因为不完整的提示会导致低质量的AI回复。Discord的实践表明，在浏览器中甚至无法实现WebRTC音频包的重传，其实现被硬编码为必须满足实时性要求。
Artificial Analysis@ArtificialAnlysStepFun 推出的 StepAudio 2.5 TTS 模型在 Artificial Analysis 语音竞技场排行榜中位列第三，仅次于 Inworld Realtime TTS 1.5 Max 和 Google Gemini 3.1 Flash TTS。该模型语音自然度显著提升，以 1187 的 Elo 评分超越 Eleven v3。其定价为每百万字符 85 美元，高于领先模型；生成速度为每秒 37.6 字符，介于竞品之间。模型提供全局上下文提示和行内情感标签两种控制语音表现的方式。
Artificial Analysis@ArtificialAnlysStepFun的StepAudio 2.5 TTS在Artificial Analysis语音竞技场排行榜位列第三，仅次于Inworld Realtime TTS 1.5 Max和Google Gemini 3.1 Flash TTS。该模型Elo评分达1187分，在测试集上已超越Eleven v3，语音自然度显著提升。其定价为每百万字符85美元，高于头部竞品；生成速度为每秒37.6字符。模型提供全局上下文提示和行内情感标签两种控制路径，可精细调节语音风格与韵律。
苹果 CarPlay 在 iOS 26.4 系统更新中接入了马斯克旗下的 Grok AI 模型，用户通过 iPhone 连接车辆即可在车机中控屏进行语音对话。继 ChatGPT 和 Perplexity 之后，Grok 成为 CarPlay 生态的新成员，交互以语音为核心，支持查看最近对话、新建会话，并新增临时静音和切换语音功能，提升驾驶中的使用便利性。
Sam Altman@samaginobefun@hongming731OpenAI发布GPT-Realtime-2等实时语音模型，将高级推理能力引入语音交互，推动其从辅助转向核心界面。ElevenLabs年收入达4亿美元，并强调情绪智能与音频水印。Anthropic因80倍增长面临算力挑战，与SpaceX合作获取大规模计算能力，同时升级Claude托管智能体，使其具备自我改进与多智能体协作能力。行业趋势显示，AI正从工具演变为能自主运行的智能体系统，这给GitHub等基础设施带来了新的负载压力。
ginobefun@hongming731BestBlogs 周刊 #94｜语音 AI 突围 本周主线：OpenAI 发布了三个实时语音模型，GPT-Realtime-2 实测通话成功率从69%提升到95%。ElevenLabs 年收入4亿美元，下一个方向是情绪智能。Anthropic 增长80倍，算力成为核心瓶颈。 同时 AI 编程范式加速：Claude Code 创作者日均150个PR，GitHub 被 AI 流量压到86%可用性。 播客和图文都已上线 ↓
http://x.com/i/article/2052675131466809344
小互@xiaohuCardputer是Anthropic在Claude开发者大会上推出的售价29.9美元的实体设备，通过WiFi连接电脑，支持键盘输入问题由Claude处理并显示结果、语音对讲经STT/TTS转换交互，以及作为Claude实体宠物显示动态像素动物，还可接入OpenClaw平台扩展语音功能。
海信Vidda G11智能音频眼镜正式发布，首发价1299元起。产品主打轻量化设计，提供行业最轻的26.5克钛镜框和最细5.3毫米镜腿。音频方面首发搭载6麦克风空间拾音系统，配合自研AI算法，支持5米/秒抗风噪。续航表现突出，标称待机时间长达12天，实用续航47.2小时，并支持10分钟充电50%的快充功能。
小互@xiaohuOpenAI发布三款实时语音模型。核心GPT-Realtime-2首次集成“GPT-5级推理”能力，支持复杂对话推理、并行调用工具及纠错，上下文窗口扩展至128K。GPT-Realtime-Translate支持70多种语言的实时翻译，能适应说话节奏并处理专业词汇。GPT-Realtime-Whisper则为低延迟场景提供流式语音转文字服务。
Berryxia.AI@berryxia我想用这个做个Voice Agent 能行吗? 直接给我进行问答和做一些定向的检测和人物啊! 有没有玩过的朋友?
Eric@ericmitchellaiIntroducing GPT-Realtime-2 in the API: our most intelligent voice model yet, bringing GPT-5-class reasoning to voice age...
Berryxia.AI@berryxiaBerryxia.AI@berryxiathe @claudeai code conference welcome kit came with a tiny cardputer 😭 it's basically a mini programmable handheld comp...
Tibo@thsottiauxIntroducing GPT-Realtime-2 in the API: our most intelligent voice model yet, bringing GPT-5-class reasoning to voice age...
OpenAI 发布三款集成于Realtime API的实时语音模型，旨在解决语音交互中的延迟、打断处理和多语言支持难题。其中，GPT-Realtime-2具备GPT-5级推理能力，可在对话中进行推理、调用工具并处理打断，音频输入输出分别按每百万Token 32美元和64美元计费。GPT-Realtime-Translate支持70种输入语言同步翻译为13种输出语言，每分钟0.034美元。GPT-Realtime-Whisper提供低延迟流式转录，每分钟0.017美元。这些模型为开发复杂语音助手、实时翻译和转录应用提供了底层技术支持。
ginobefun@hongming731
