吴恩达：AI 被过度炒作，但语音 AI 产品却被低估；ChatGPT 升级语音翻译功能丨日报-低调大师

吴恩达：AI 被过度炒作，但语音 AI 产品却被低估；ChatGPT 升级语音翻译功能丨日报

2025-06-09 288

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：@赵怡岭、@鲍勃

01 有话题的技术

1、BFL 推出新一代多模态图像生成与编辑模型：FLUX.1 Kontext

Black Forest Labs 推出的新一代多模态图像生成与编辑模型：FLUX.1 Kontext，不同于传统的文生图模型，Kontext 同时理解文本与图像输入，能够实现真正的「上下文生成与编辑」。

亮点：

角色一致性：可在多个场景中保持人物或元素的一致性
局部编辑：只编辑图像的特定部分，不影响其他区域
风格参考：可在指定风格下生成新场景
交互速度快：快速迭代、延迟极低

主要功能：

图文混合控制（Text + Image Prompt）：不仅可以用文字生成图像，也可以上传图像、再用文字修改它；
局部编辑（Local Editing）：可以精确修改图像中的某个部分，而不影响整体风格或其它区域；
人物与风格一致性（Character & Style Consistency）：无论你生成几个不同场景的图像，只要提供相同的参考图或描述，模型能自动保持人物的面孔、表情、姿态一致；
多轮连续编辑（Iterative Editing）：可以对同一张图反复添加修改：「先让她笑 → 再加墨镜 → 再换背景 →再改衣服文字」，每一步的变化都在保留前一轮基础上进行；
速度快、交互性强（Low Latency Inference）：推理速度高达当前主流模型的 8 倍。（@小互 AI）

2、智源全新悟界系列大模型，加速数字世界、物理世界融合

6 月 6 日，在第七届智源大会上作为主办方的智源研究院（简称智源），重磅亮相了全新一代「悟界」系列大模型。从命名来看，「悟界」代表了智源对于虚实边界的突破，通过深化对物理世界的赋能向着物理 AGI 方向迈进。

具体来讲，「悟界」系列包含了多项重要成果，它们分别是原生多模态世界模型 Emu3、脑科学多模态通用基础模型见微 Brainμ、跨本体具身大小脑协作框架 RoboOS 2.0 与具身大脑 RoboBrain 2.0 以及全原子微观生命模型 OpenComplex2。

「悟界」系列中的 Emu3 是全球首个原生多模态世界模型，它基于下一个 token 预测范式统一多模态学习，使模型更易扩展至更多模态。同时其通过研发新型视觉 tokenizer 将图像/视频编码为与文本同构的离散符号序列，构建模态无关的统一表征空间，可实现文本、图像、视频的任意组合理解与生成。

脑科学领域的多模态通用基础模型见微 Brainμ，基于 Emu3 的底层架构，将 fMRI、EEG、双光子等神经科学与脑医学相关的脑信号统一 token 化，利用预训练模型多模态对齐的优势，可以实现多模态脑信号与文本、图像等模态的多向映射，这使得单一模型就能完成多种神经科学下游任务，实现跨模态、跨任务、跨个体的统一通用建模。

跨本跨本体具身大小脑协作框架 RoboOS 2.0 是全球首个基于具身智能 SaaS 平台、支持无服务器一站式轻量化机器人本体部署的开源框架。同时，RoboOS 2.0 也是全球首个支持 MCP 的跨本体具身大小脑协作框架，旨在构建具身智能领域的「应用商店」生态。RoboOS 2.0 实现了小脑技能的免适配注册机制，显著降低开发门槛，典型场景下，相关代码量仅为传统手动注册方式的 1/10。

全原子微观生命模型 OpenComplex2 实现了生物分子研究从静态结构预测到动态构象分布建模的重大突破。（@机器之心、@智东西）

3、面壁智能发布 MiniCPM 4.0 端侧大模型：极限 220 倍提速，多框架部署开启端侧智能新纪元

面壁智能于 6 月 6 日晚发布端侧大模型 MiniCPM 4.0，通过自研 CPM.cu 推理框架实现极限场景 220 倍、常规 5 倍推理提速，支持 vLLM、SGLang、LlamaFactory 等多框架部署。该系列包含 8B 闪电稀疏版（支持长 / 短文本双频换挡机制）和 0.5B 轻巧灵动版（2.7% 训练开销实现性能翻倍），模型体积瘦身 90%。目前已适配英特尔、高通、华为昇腾等主流芯片，在智能汽车、AI PC 等场景落地，与长城汽车、上汽大众等头部车企达成合作。（@面壁智能）

02 有亮点的产品

1、ChatGPT 升级高级语音模式：更像真人和随身翻译官

ChatGPT 的高级语音（Advanced Voice）功能现已为付费用户升级，在语调和自然度方面均有显著提升，使得互动体验更流畅、更富人性化。此功能初次发布时，曾代表着 AI 语音技术的一次飞跃；如今，它的发音更为自然，语调变化更细腻，节奏更真实（包含自然的停顿和重音），并且对特定情感（如共情、讽刺等）的表达也更为精准。

此外，语音功能现已支持直观高效的语言翻译。只需提出翻译请求，该功能便会在整个对话过程中持续进行翻译，直到被告知停止或切换语言为止。无论是在意大利问路，还是与东京的同事交谈，这项功能都能随时满足翻译需求。例如，在巴西的餐厅里，语音功能可以将用户的英文句子翻译成葡萄牙语，也能将服务员的葡萄牙语回复实时译回英文——无论身在何处、与谁交谈，都能让沟通变得轻松无碍。

说话过程中加入了自然停顿和重音处理
可以听出同理心（Empathy）
能表达讽刺（Sarcasm）
可充当「双语翻译官」，会根据说话人语言自动切换
可自动「保持翻译模式」，直到你要求停止

03 有态度的观点

1、吴恩达和 OpenAI 实时 AI 负责人 Justin Uberti：语音应用目前被低估了

吴恩达最近在 X 上分享道：与 OpenAI 实时 AI 负责人 Justin Uberti 交流，他负责该公司的语音 AI 产品。我们都认为：尽管 AI 领域存在过度炒作的现象，但语音应用目前似乎被低估了。其应用前景似乎远大于开发者或企业对它的关注度。(@ AndrewYNg@X)

2、李飞飞：AI 的下一个目标是世界模型

近日，斯坦福大学教授李飞飞与 a16z 合伙人 Erik Torenberg，以及 World Labs 早期投资人 Martin Casado，共同探讨了「世界模型」等热门话题。

在被问及为何要成立一家基础模型公司，而不是继续做学术或参与现有大模型时，李飞飞表示，她的目标一直是解决真正的「北极星问题」，而不是为了创业本身。

李飞飞认为，语言是一种有信息损失的捕捉世界的方式，虽然强大，但人类生活在三维物理世界中，包括动物的整个进化史都是建立在大量感知和最终具身智能之上，而非纯粹语言的生成。

「物理现象发生在三维空间中，交互也发生在三维空间中。在桌子后面导航需要在三维空间中进行。无论是在物理世界还是数字世界中构建事物，都需要在三维空间中进行。所以从根本上说，这是一个三维问题。」

在应用方面，李飞飞举例称，从建筑设计、工业制造到电影创作，空间智能都可以重塑整个创意流程。Martin 补充道，这种 AI 不仅能生成语言，还能通过二维图像构建出完整的三维世界，甚至创造原本不存在的空间结构，用于虚拟现实、游戏、艺术等场景。

在李飞飞看来，正是这些年语言模型的突飞猛进，让她更确认世界模型的重要性。

她从个人经历出发，讲述自己因眼伤一度失去立体视觉，无法正常开车，由此进一步印证了人类对三维空间理解的高度依赖。而 Martin 也指出，人脑中负责空间感知的部分源远流长，远早于语言区域的进化，甚至可以追溯到爬行动物甚至更早的时代，说明空间智能才是智能的根基。 (@ APPSO)

更多 Voice Agent 学习笔记：

级联vs端到端、全双工、轮次检测、方言语种、商业模式…语音 AI 开发者都在关心什么？丨Voice Agent 学习笔记

a16z合伙人：语音交互将成为AI应用公司最强大的突破口之一，巨头们在B2C市场已落后太多丨Voice Agent 学习笔记

ElevenLabs 33 亿美元估值的秘密：技术驱动+用户导向的「小熊软糖」团队丨Voice Agent 学习笔记

端侧 AI 时代，每台家居设备都可以是一个 AI Agent丨Voice Agent 学习笔记

世界最炙手可热的语音 AI 公司，举办了一场全球黑客松，冠军作品你可能已经看过

多模态 AI 怎么玩？这里有 18 个脑洞

AI 重塑宗教体验，语音 Agent 能否成为突破点？

对话 TalktoApps 创始人：Voice AI 提高了我五倍的生产力，语音输入是人机交互的未来

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。

素材来源官方媒体/网络新闻

微信关注我们

原文链接：https://www.oschina.net/news/354459

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

盗版软件成公司里的“隐形炸弹”？老板们的“法务噩梦” 有救了！

自 2001 年国务院办公厅对国务院系统使用正版软件工作进行全面部署起，相关工作持续推进，从中央机关、地方政府逐步扩展至全国各企事业机构。一系列法律法规相继出台，为正版化筑牢坚实法律根基。在《中国人民共和国著作权法》中，就明确规定软件作品受法律保护，未经授权使用属于侵权行为。在如此严格的法律环境下，大量使用盗版软件的中小企业正面临棘手难题。过去，部分中小企业因成本压力、法律意识淡薄等原因，在经营中广泛使用盗版软件。如今，随着监管力度不断加大，这些企业随时可能因使用盗版软件而被软件著作权人追究法律责任，面临民事赔偿，甚至可能因情节严重而承担行政乃至刑事责任。一旦卷入法律纠纷，企业不仅要耗费大量时间、精力应对诉讼，还需支付高额赔偿金与罚款，这对本就资金紧张的中小企业而言，无疑是沉重打击，严重影响企业的正常运营与长远发展。最近和不少中小企业的用户聊天，一个个都顶着黑眼圈大吐苦水，老板明明已经给公司买了正版软件，可还是有员工偷偷下载盗版、破解版软件，甚至有不少小公司就因为这事频繁收到软件公司的律师函，要么花钱摆平，要么就只能硬着头皮应对法律纠纷，既耗时耗力又伤钱，简直就是隐形炸弹。...

2025-06-09

208

背景 Kuikly 是腾讯广泛使用的跨端开发框架，基于 Kotlin Multiplatform 技术构建，为开发者提供了技术栈更统一的跨端开发体验，由腾讯大前端领域Oteam（公司级）推出。在Android、iOS开源基础上，本次开源鸿蒙平台支持和Compose DSL支持，进一步提升业务多端适配和鸿蒙开发效率。目前Kuikly鸿蒙版已接入腾讯多款业务，开发并上架鸿蒙App，如QQ浏览器、腾讯新闻、搜狗输入法、全民K歌、自选股等。鸿蒙适配效果 Kuikly以高性能、动态化为框架核心目标。在鸿蒙Next系统推出后，Kuikly较早投入适配工作，得益于轻量渲染架构的设计很快完成初版。经过持续的迭代和打磨优化，Kuikly鸿蒙版完整适配，并取得了原生性能表现。实测数据如下：鸿蒙React Native 鸿蒙Kuikly Android原生 Android Kuikly 页面FCP耗时(ms) 828 122 125 125 （测试场景是一个较复杂的Feed流场景，机型均为华为Mate60）在鸿蒙平台上，Kuiky打开页面速度比RN快6倍 Kuikly鸿蒙版对齐Android版高性...

2025-06-09

374

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。