语音独角兽 ElevenLabs 创始人：人性中的不完美，恰是人愿意互动的关键；秘塔「今天学点啥」：解析复杂内容语音讲解丨日报

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、OpenAI o3-pro 正式发布，基于 o3 所打造，拥有更强的数学、科学、编程等领域的表现

6 月 11 日凌晨，OpenAI 正式发布 o3-pro 推理模型，基于 o3 所打造，拥有更强的数学、科学、编程等领域的表现。性能表现上：

o3-pro 在专家评估中，评审人员普遍认为 o3 Pro 在多方面都比 o3 模型更进一步，尤其适合用在科学、教育、编程、商业和写作这些需要深度输出的任务中；
在学术评估的基准测试中，o3-pro 的整体表现持续优于 o1-pro 和 o3；
OpenAI 还通过四次尝试获取正确答案的方式进行实验发现，o3-pro 能保持较好的性能表现。

据介绍，o3-pro 与 o3 系列一样拥有 200K 的上下文窗口和 100K 的输出。

与 o3 一样，o3-pro 也可调用工具，从而支持搜索、分析文件、视觉推理、使用 Python 等。值得一提的是，o3-pro 支持工具访问，因此响应速度相较于 o1-pro 要更慢。

目前，o3-pro 已向 Pro 和 Team 用户提供，取代 o1-pro；企业版和教育版用户将在下周获得使用权限。

价格方面，o3-pro 输入为 20 美元/百万 token，输出 80 美元/百万 token；而 OpenAI CEO Sam Altman 昨晚宣布，o3 降价 80%——因此 o3 价格来到了输出 2 美元/百万 token、输入 8 美元/百万 token。(@APPSO)

2、Let Them Talk: 开源多功能语音驱动视频生成工具

由中山大学、美团等共同发布的多人对话视频工具「Let Them Talk」具备多功能性，能够创造出真实对话、唱歌以及交互控制的卡通视频。

它支持单人和多人视频生成，用户可以通过提示词直接操控虚拟角色的行为，表现出良好的泛化性能。此工具灵活地提供了 480P 和 720P 的输出分辨率，同时支持最长 15 秒的视频生成。项目已开源，包括权重和推理代码，技术报告及项目页面供研究与开发使用。

相关链接：

https://github.com/MeiGen-AI/MultiTalk （@果比 AI）

3、苹果推出新语言基座模型，支持 15 种语言和多种智能功能

苹果在 WWDC 大会上推出了新一代语言基座模型，专为增强 Apple Intelligence 功能设计。

「基础模型框架」（Foundation Models Framwork）是苹果为开发者提供的端侧 AI 模型接入框架。使用它，苹果开发者将可以轻松地为自己的 app 接入端侧大语言模型，且无需支付 token 成本。

新模型包括一个约 3B 参数的紧凑型设备端模型和一个高效的服务器端混合专家模型，支持 15 种语言和多种智能功能。开发者只需几行代码即可接入 AI 推理功能。

这些模型在效率和性能上进行了优化，设备端模型降低了内存占用并提高了推理速度，服务器端模型则实现了更高的精度和可扩展性。苹果还通过改进的训练方案和多模态自适应，增强了推理能力和图像理解功能。

基础模型是苹果智能的核心，去年仅用于苹果自家产品和功能使用；而从今天开始，苹果把基础模型开放给开发者，任何第三方应用都可以直接利用这些端侧的基础模型，来实现基于 AI 的功能，为用户带来崭新的体验。

比如现场展示的「Kahoot！」，一个教育类产品，可以用端侧模型生成针对用户定制化的一套题目；

又或者 Alltrails，一款海外徒步玩家必备的产品，即使在深山险境完全无网的情景下，也能为用户提供必要的协助。

02 有亮点的产品

1、秘塔 AI 推出「今天学点啥」产品，可以解析复杂内容并提供语音讲解，还支持原文对照模式

完整版：https://metaso.cn/s/Z06lCCR

「今天学点啥」是秘塔 AI 推出的一款学习工具，它能把枯燥的学习资料变成生动有趣的互动课程。该工具不仅能解析复杂内容并提供语音讲解，还支持原文对照模式，可一键导出编辑版 PPT 和逐字稿；适用于自学新知识、职场阅读、学术文献解读和教学课件制作等场景，能大幅提高日常知识摄入效率。

它的亮点功能：

内置丰富学习内容：比如理财板块有「价值股溢价」等专业知识的讲解。
自定义学习主题：如果不喜欢内置内容，可以输入自己感兴趣的主题。
个性化学习体验：
选择你的学习水平（初学者、进阶者、专家）
选择喜欢的讲课风格，比如：
【奏折】——像大臣向皇上汇报一样讲课
【暴躁老哥】——直白犀利，不废话

点击右上角，还能开启原文对照模式，每讲一句中文，能同步对照原文。还能直接导出可编辑的 PPT 以及逐字稿。下载出来的 PPT 可以根据自己的需求做出调整。

体验网址：

https://metaso.cn/study?s=studyy（@夕小瑶科技说、@腾讯研究院、@每晚读一本书）

2、Heynds ：一款 AI 写作和语音助手桌面应用程序，支持 Mac 和 Windows

Heynds 是一款 AI 写作和语音助手桌面应用程序，支持 Mac 和 Windows ，旨在显著加速用户的写作流程。

Heynds 可以在 Mac 或 Windows 桌面上的任何应用中通用——包括邮件客户端、Notion 到 Slack，甚至代码编辑器等。用户可以用语音输入后使用 AI 对文本编辑、润色，还支持翻译成 100 多种语言，或生成新内容等操作。

体验链接：

https://www.heynds.com/zh

(@Product Hunt)

03 有态度的观点

1、AI 语音独角兽 11Labs 创始人：语音是人类与技术交互最自然、最高效的接口

ElevenLabs 是一家 2022 年由前谷歌机器学习工程师 Piotr Dabkowski 与前 Palantir 部署策略师 Mati Staniszewski 共同创立的软件公司，专注运用深度学习开发自然逼真的语音合成软件。ElevenLabs 发展迅猛，2025 年 1 月完成 1.8 亿美元 C 轮融资，估值达 33 亿美元。其推出的语音转文本模型 Scribe v1 支持 99 种语言，准确性领先。

本次访谈首发于 2025 年 5 月 30 日 Stripe 频道。

Mati Staniszewski 在访谈中提到「我们一直有个坚定的信念：语音是人类与技术交互最自然、最高效的接口，也是人与设备之间最直观的沟通方式。」

他还强调，「我们很多语音生成工作，正是通过加入这些不完美的『人性化特征』，让合成声音显得更加真实和有情感，这也成为 ElevenLabs 的声音技术与众不同之处。当然，并不是所有场景都适合这种风格。但总体而言，『人性』中的不完美，恰恰是人愿意互动的关键。」

「未来的语音 Agent 会具备上下文感知能力，能够理解你为什么打电话来，并帮助你顺畅地完成后续操作——无论是预约、账单问题、退款申请，整个流程都能变得迅速而顺滑。最初你可能只是想『赶紧搞定』，但它的价值会延伸得更远，比如：它可以帮助你理解一个产品的核心功能，教你怎么用，并让你真正用出价值来。」

最后他提到，在我们构建 ElevenLabs 的技术时，我们不是为了技术而做技术，而是希望通过技术把故事传达出去，让我们触达的不同群体都能理解并参与进来。让人们觉得他们也在这段故事之中。（@Z potentials、@腾讯研究院）

🎤 关于 Elevenlabs 两个联创如何合作打造语音 AI 独角兽，可以阅读我们翻译整理的深度访谈：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