阶跃星辰开源 130B 端到端语音大模型 Step-Audio-AQAA；MiniMax 计划发布独立音频生成应用丨日报

作者：声网

2025-06-13
四川
本文字数：5140 字
阅读完需：约 17 分钟

阶跃星辰开源 130B 端到端语音大模型 Step-Audio-AQAA；MiniMax计划发布独立音频生成应用丨日报

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：@赵怡岭、@鲍勃

01 有话题的技术

1、Manus 推出完全免费的 Chat 模式无任何使用限制

Manus 宣布推出全新免费聊天模式，用户可通过简洁界面实现日常咨询、知识查询等即时问答。此次更新同步支持无缝切换至代理模式，无需付费即可执行网页设计、数据分析、股票策略生成等复杂任务，显著降低使用门槛。作为全球首款通用型 AI 智能体，Manus 采用多代理架构，能在独立虚拟机中完成从需求解析到成果交付的全链路任务，覆盖金融分析、旅行规划等数十个场景。此前代理模式需订阅或消耗点数。（@AI 智前沿、@三花 AI）

2、StepFun 开源 130B 端到端语音大模型 Step-Audio-AQAA，基于其自研的 Step-Omni 多模态大模型开发，支持包括四川话、粤语等多种语言

StepFun 开源了其最新的大型音频语言模型 Step-Audio-AQAA，并已在 Hugging Face 上线。该模型拥有 1300 亿参数，基于其自研的 Step-Omni 多模态大模型开发。

Step-Audio-AQAA 是一个完全端到端的模型，专注于音频问答（Audio Query-Audio Answer， AQAA）任务。它能够直接处理原始音频输入并生成自然的语音回答，无需依赖传统的 ASR（自动语音识别）和 TTS（文本转语音）模块，从而简化了系统架构并避免了级联错误。该模型支持多种语言，包括中文（含四川话、粤语）、英语、日语等，并能进行精细的语音特征控制。

Step-Audio-AQAA 由双码本音频分词器、骨干 LLM 和神经声码器三个核心模块组成。

流程为：双码本音频分词器将输入音频转换为语言和语义令牌序列；骨干 LLM（经 SFT、DPO 和模型融合后训练）生成文本和音频令牌交错的输出序列；最后，声码器从音频令牌重建高保真语音波形作为响应。

HuggingFace 链接：

https://huggingface.co/stepfun-ai/Step-Audio-AQAA

StepEval-Audio-360 数据集：

https://huggingface.co/datasets/stepfun-ai/StepEval-Audio-360

论文链接：

https://arxiv.org/abs/2506.08967

02 有亮点的产品

1、智能家庭陪伴机器人 EBO Air 2 Plus：Enabot 联手声网通过 AI 对话+双向视频，打造家庭陪伴新范式

Enabot（赋之科技）重磅推出了全新智能家庭陪伴机器人 EBO Air 2 Plus ，并携手声网在互动体验上实现全新升级，此次升级引入 AI 探索新玩法，用户可以随时与不同角色的 AI 形象开启聊天对话。双向视频通话功能也是一大亮点，即使远隔千里，也可以随时随地开启视频聊天，化身 EBO 陪伴家中的 TA。

除了 AI 对话和双向视频通话，EBO Air 2 Plus 还具备 AI 追踪、智能巡航、全屋移动、实时监控、定时巡逻、一键寻宠等功能，能够在看护老人小孩、陪伴宠物、家庭安全监控、互动娱乐等多种场景下为家庭提供服务。目前，EBO 系列产品的全球用户总量已经超过 80 万，覆盖 160 多个国家和地区。

声网对话式 AI 引擎支持全球几乎所有大模型厂商，只要与 OpenAI 接口协议兼容的模型，均可原生支持。这意味着 EBO 能够调用更强大、更多样的 AI 大模型，扩充了知识储备和语言理解能力。

基于声网对话式 AI 引擎的选择性注意力锁定，EBO 能够精准识别用户的打断意图，即使周围环境嘈杂，也能锁定对话人声，确保准确识别。

在网络环境复杂多变的家庭使用场景中，声网对话式 AI 引擎可以实现抗丢包 80% 以上，即使断网 3-5 秒，仍能保证对话的流畅性，无论身处家中信号较弱的角落，还是遇到网络高峰时段，用户与 AI 的对话都不会出现卡顿，始终保持顺畅。（@声网）

2、老凤祥跨界推出 AI 智能眼镜，主打老年人市场，支持实时通过语音对话查询天气、了解最新的新闻等

6 月 11 日，在国际养老、辅具及康复医疗博览会以及火山引擎原动力大会上，老凤祥的 AI 眼镜正式亮相。

同时百年老品牌，中华老字号老凤祥官方微信公众号发布了一则即将推出的 AI 智能眼镜宣传视频，吹响了进入 AI 智能眼镜赛道的号角，这也是百年品牌拥抱科技创新的突破性尝试，彰显了老字号主动进化、无界融合的前瞻性。

产品是一款拍摄类的 AI 智能眼镜，配备了摄像头，可以实现「一键拍照」，方便老人第一视角拍摄，捕捉生活里的美好瞬间。

同时，眼镜搭载了豆包大模型，可以基于摄像头进行视觉感知的 Live AI，实现「秒懂世界」，可以识别药品说明书等，方便老人的日常生活。

3、字节否认 AI 眼镜携手老凤祥，计划 7 月上市，继 Ola Friend 遇冷后押注银发经济

据新浪科技消息，老凤祥与字节跳动旗下火山引擎联合打造的多款 AI 智能眼镜将于今年 7 月正式发布。

这是这家百年珠宝品牌首次跨界进军 AI 硬件领域，产品将集成由「豆包」大模型驱动的语音识别、视觉理解、语义对话、电话接听等功能，目标人群锁定为中老年用户群体，聚焦「AI 助老」这一日益受到关注的垂直场景。

6 月 12 日，据财经网消息，火山引擎相关负责人否认了上述消息。负责人表示：火山引擎没有与老凤祥合作打造 AI 智能眼镜的计划。豆包大模型为公开售卖产品，任何客户都可以合规采购。

据悉，6 月 11 日，老凤祥的 AI 眼镜已正式亮相于国际养老、辅具及康复医疗博览会和火山引擎原动力大会上。该款眼镜具备语音导航、实时翻译、智能辅助阅读、情感对话等功能，背后接入的豆包大模型。

早在今年初，《The Information》便报道称，字节跳动正秘密推进一款自研 AI 智能眼镜的研发计划，拟深度融合「豆包」模型，赋予设备语音交互与图像识别等智能能力。

据接近项目的知情人士透露，字节的 AI 眼镜项目早在 2023 年就已启动，并陆续吸引多位具有智能硬件设计经验的工程师加入。

如今，从耳机到眼镜，从 VR 到「AI 助老」应用，字节跳动的硬件路线正悄然转向「小而实用」的智能终端。(@Z Finance、@APPSO)

4、MiniMax 将发布文本推理模型，还计划推出独立的音频应用

半个月前，MiniMax 刚刚发布和开源了视觉推理模型 Orsta（One RL to See Them All）。

MiniMax 今年 3 月做出产品线调整，将旗下现有产品「海螺 AI」更名为「MiniMax」，与公司同名，聚焦文本理解和生成；另外重新推出一个叫「海螺 AI」的产品，主打视频生成，与快手的可灵 AI 和字节跳动的即梦 AI 竞争。

「新皮层」获得消息称，接下来 MiniMax 还将推出独立的音频生成应用，品牌名未知。加上原有的社区型产品星野（国内）和 Talkie（海外），MiniMax 将运营至少 5 款核心产品。

在发布文本推理模型和筹备音频应用之外，MiniMax 已经开始在同名应用中测试 Agent 功能。目前，它可以帮用户做 PPT、制作绘本、进行 DeepResearch（深度研究），还可以开发小游戏、制作网页，用户只需要用自然语言与之交互。与 Manus 相似，MiniMax 看起来想让这个 Agent 足够通用。

Agent 正在测试阶段。「新皮层」获得的消息称，该 Agent 目前主要面向海外用户。（@新皮层 NewNewThing）

5、新版 Siri 预计 2026 年春季推出：能够理解上下文和用户情景，支持在 App 内和跨 App 进行操作

6 月 13 日凌晨，彭博社记者 Mark Gurman 援引知情人士消息，苹果计划将新版 Siri 定在 2026 年春季发布，跟随 iOS 26.4 版本一同登场。

在《Tom's Guide》采访中，Joz 也表示，苹果 AI 的任务是通过理解用户提供的上下文内容，去自主匹配哪些功能的体验最合适，并尽所能发挥作用。同时他也强调，目前 Apple Intelligence 中展现的功能，并非苹果终点。据他透露，苹果希望让名为「智能」的软件消失，但能让 AI 助力用户把每天的事情变得更好。

在去年的 2024 年开发者大会上，苹果公开了自己的 AI 方案：Apple 智能。和以前机械的语音助手比，AI 版本的 Siri 有了理解上下文和用户情景的能力，可以读取屏幕，在 App 内和跨 App 进行操作。

根据 WWDC 上的演示，用户可以直接问类似「我该什么时候去接妈妈？」「我和家人什么时候吃午餐？」等个人问题，Siri 会直接从相关的邮件、短信消息中提取相关信息回答，不需要用户提前设定好日历安排，成为名副其实的「个人助理」。(@APPSO)

03 有态度的观点

1、黄仁勋：我们正在开启新一波 AI 浪潮

日前，英伟达 CEO 黄仁勋在法国巴黎 VivaTech 大会上，发表了 GTC 主题演讲。

黄仁勋提到，在过去的 15 年里，AI 取得了令人难以置信的快速发展：第一波 AI 浪潮是让计算机能够识别信息、理解内容；第二波则是近年来火热的生成式 AI，拥有多模态能力。而现在，人类将开启新一波 AI 浪潮。

随后，黄仁勋再一次搬出了看家本领——各种强大的 AI 运算硬件。而在介绍了一大轮 AI 硬件技术后，黄仁勋引出了下一波浪潮的具体方向——AI 工厂。

和此前演讲的方向一样，黄仁勋依然觉得 AI 工厂是「创收设施」，旨在生产 token。他解释道，token 能够被分配到各行各业的生产性智能中，因此 AI 工厂也已成为一个国家基础设施的一部分。黄仁勋也强调，AI 在逐渐催生出了一场新的工业革命——每个行业都受到 AI 影响，而 AI 也衍生了一个新兴产业。

在演讲尾声，黄仁勋还公布了英伟达的「下一波浪潮想法」：AI 在第四次工业革命中，将会重构工业的每一个环节。从预测的内容来看，人类将会从物理世界引入到代码的虚拟空间中，届时，机器人可能就变成了物理世界的劳动者，而我们则是虚拟世界中的「指挥官」。(@APPSO)

2、字节技术副总裁：TRAE 想做 AI Development

日前，字节跳动技术副总裁洪定坤在火山引擎 Force 原动力大会上，通过字节旗下 AI 原生 IDE「TRAE」，分享了自己对 AI Coding 的想法。

洪定坤称，团队一直觉得 AI 大模型确实会给 Coding 带来真正的变革。同时他也透露，目前 TRAE 的月活用户已经超过了 100 万，并强调 AI Coding 已经在程序员的工作中切切实实地起到了重要的作用。

洪定坤分享了「为什么做 AI Coding」的几个想法：技术普惠，AI 让人人都是开发者；提升研发效率；追求智能上限。他也透露，如今字节跳动内部已有超过 80% 的工程师，在使用 TRAE 这样的产品辅助开发，还有相当比例的代码是通过 AI 生成的。

对于 TRAE 的未来，洪定坤喊出「不只是 AI Coding，更是 AI Development（AI 开发）」的口号。其表示，转变到 AI Development 后，开发者能够大幅压缩工作时间，提升效率。(@APPSO)