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：@Jerry fong，@鲍勃
01 有话题的技术
1、Gemini CLI Extensions 框架正式发布：AI 融入开发者工具链
谷歌正式推出了 Gemini CLI Extensions 框架，旨在构建一个开放的生态系统，让开发者能够通过 预打包、即装即用 的扩展程序，将 AI 驱动的 Gemini CLI（命令行界面） 无缝集成到日常开发工具链中。
-
Playbook 核心：实现 AI 与外部工具的零配置集成
这些扩展以独特的 「Playbook」 为核心，其中预置了 MCP 服务器 、上下文指令、自定义命令以及工具禁用规则。这一设计使用户无需进行复杂的配置，即可让 AI 快速掌握外部服务的使用方式 。开发者只需通过简单命令，就能安装来自谷歌、行业巨头（如 Figma、Stripe、Shopify、Snyk）及开源社区的扩展，涵盖数据库、CI/CD、API 管理、设计系统、安全检测与云服务等关键领域，从而显著提升开发效率与智能化水平。
-
谷歌自研扩展与 Genkit 的深度集成
作为生态系统的核心推动力，谷歌同步发布了一系列自研扩展，覆盖云原生 （Cloud Run、GKE、gcloud） 、应用开发 （Firebase、Flutter、Chrome DevTools） 和生成式 AI （Genkit、Looker、Data Cloud） 等关键场景。
其中，Genkit Extension for Gemini CLI 尤为关键。它通过深度集成 Genkit 的 MCP 服务器与上下文文件，赋予 CLI 理解 Genkit 架构、执行流、调试跟踪及 SDK 最佳实践的能力，实现了 从终端直接构建、测试和迭代 AI 应用 的革命性工作流。
-
优化体验，推动 AI Agent 融入现代开发
为全面优化开发者体验，谷歌同步上线了 geminicli.com 官方网站和专属的扩展目录，并在 v0.8.0 版本中增强了非交互模式支持与终端状态实时显示功能。这一系列举措旨在推动 AI Agent 真正融入现代开发工作流程。
相关链接：https://geminicli.com/（@橘鸭 Juya）
2、腾讯上线 Hunyuan-Vision-1.5 模型：Mamba-Transformer 混合架构
腾讯混元团队正式推出 Hunyuan-Vision-1.5，这是一款采用创新的 Mamba-Transformer 混合架构 的先进多模态视觉语言模型。该模型在权威的 LMArena 视觉排行榜中并列全球第三，超越了 Qwen3-VL，成为 中国表现最佳的模型。
Hunyuan-Vision-1.5 具备强大的 「Thinking-on-Image」 推理能力，支持 图像/视频理解、OCR（光学字符识别）、图表分析、视觉推理 与 3D 空间感知 等多项功能，并天然兼容多语言场景。通过引入 动态图像编辑（如裁剪、标注）和 网络搜索增强推理机制，模型的性能取得了显著提升。
目前，用户可通过 腾讯云 API 以及 LMArena Direct Chat 试用该模型，其中备受关注的「Thinking on Images」功能即将上线。
混元团队同时宣布了后续开源计划，包括发布模型权重（A56B， 4B）、Hunyuan-ViT-V1 权重和技术报告，以及对 TRT/VLLM 推理的支持。
Github:https://github.com/Tencent-Hunyuan/HunyuanVision
相关链接：https://cloud.tencent.com/document/product/1729/104753
（@橘鸭Juya）
3、ElevenLabs 推出 ElevenLabs UI——专为 AI 音频和语音智能体设计的开源组件
ElevenLabs 开源了 ElevenLabs UI，一个专为 AI 音频和语音智能体设计的组件。包括 22 个用于聊天界面、转录、音乐等场景的组件和示例，完全可定制并采用 MIT 许可证。
ElevenLabs UI 提供了预构建、可定制的 React 组件，专门为智能体和音频应用程序设计，包括球体、波形、语音智能体、音频播放器等。CLI 使将这些组件添加到 Next.js 项目变得轻而易举。
Demo:https://ui.elevenlabs.io/
Github:https://github.com/elevenlabs/ui
( @ElevenLabs)
4、Deepgram 发布「对话式语音识别」模型「Flux」，将语音转录和轮次检测集成在同一模型
Deepgram 近日发布了其全新的「Flux」模型，号称业界首款生产级的「对话式语音识别」（Conversational Speech Recognition， CSR）模型。该模型通过将高精度转录与上下文感知的「轮次检测」（turn detection）融合进单一 API，旨在从根本上解决语音「智能体」开发中最大的痛点——尴尬的打断与延迟，从而大幅简化开发流程。
-
一体化对话模型：「Flux」的核心突破在于其「融合」架构，将语音转录和轮次检测在同一个模型中完成。它能基于语义和声学线索理解对话何时自然结束，而不是像传统方案那样依赖简单的静音检测，从而将误打断率降低约 30%。
-
极致简化的开发体验： 开发者不再需要拼凑复杂的 ASR + VAD + 端点判断管道。Flux 提供了一个简单的 API，通过StartOfTurn和EndOfTurn等对话原生事件，让开发者能专注于「智能体」的业务逻辑，而非底层基础设施的调试。
-
高性能与高精度兼得： 「Flux」在大幅优化对话流畅性的同时，其转录准确率与 Deepgram 旗舰模型「Nova-3」持平。基准测试显示，与传统方案相比，它能将「智能体」的响应延迟降低 200-600 毫秒，同时保持极低的词错率（WER）。
-
为高级工作流设计： 针对对延迟极度敏感的应用，「Flux」引入了 EagerEndOfTurn（预判轮次结束）事件。这允许「智能体」进行推测性响应生成（例如提前调用 LLM），进一步压缩交互延迟。
「Flux」现已通过 Deepgram API 全面提供。为庆祝发布，Deepgram 推出了「OktoberFLUX」活动，整个十月期间可免费使用，并提供最高 50 个并发连接。 首批集成合作伙伴包括 Cloudflare、LiveKit、Vapi、Pipecat 和 Jambonz。
相关链接：https://deepgram.com/learn/introducing-flux-conversational-speech-recognition
( @deepgram 官网)
5、OpenAI 推出 gpt-realtime-mini，成本比 gpt−realtime 低 70%
OpenAI 推出了「gpt-realtime-mini」，一个旨在提供更低成本的实时 AI 解决方案。该模型支持音频、图像和文本输入，音频和文本输出；可通过 WebRTC、WebSocket 或 SIP 连接进行实时交互。该模型进一步降低了其高性能「gpt-realtime」的门槛，使更多开发者和企业能够构建实时 AI 应用。
「gpt-realtime-mini」的文本输入 Token 价格仅为 0.6 美元每百万 token，远低于「gpt−realtime」的 4 美元每百万 token。音频输入为 10 美元每百万 token，也低于「gpt−realtime」的 32 美元。
相关链接：https://platform.openai.com/docs/models/gpt-realtime-mini
（@OpenAI 官网）
02 有亮点的产品
1、Google AI Studio 「build」模块新增语音输入功能
Google AI Studio 在其「build」模块中新增了语音转文本输入功能，允许用户通过语音进行代码编写、功能添加或应用描述，该功能能够智能地自动移除冗余词和错误，生成清晰的提示。该功能暂不支持普通话。
( @Google Blog)
2、Grok 为语音模式上线更多音色
Grok 的语音模式现已开放 12 种可选的人格音色，用户可以在 Settings 菜单中直接进行切换。已确认上线的音色包括 Assistant、Romantic、Therapist、Grok Doc、Unhinged、Meditation、Motivation、Conspiracy、Storyteller、Kids 以及 Argumentative。每种人格均配套了多组不同的声线，支持用户即时试听与一键启用。
相关链接：https://x.com/cb_doge/status/1974469592765608120
( @Doge Designer@X)
03 有态度的观点
1、Cursor 创始人：AI 编程处于漫长复杂的「中间阶段」
9 月，AI 编程平台 Cursor 的联合创始人兼 CEO Michael Truell 接受了 Y Combinator 的一次深度访谈，其在节目中分享了 Cursor 的部分发展之路以及个人对行业的见解。在正式创立 Cursor 之前，Truell 的团队经历了数次代价高昂的失败，如耗时六个月，为机械工程师打造 CAD 领域的「Copilot」，以及端到端加密通信系统，但最终都因缺乏领域热情、用户反馈寥寥而宣告失败。
「那种『无奈感』反而帮助我们明晰了自己真正关心和追求的方向，」Truell 坦言。正是这些失败，让团队意识到他们内心真正的热情在于「编码的未来」。
当时的他们坚信，「在未来五年里，整个编码领域都有可能发生改变，所有软件开发都可能通过模型来完成」，而现有玩家并未全力朝这个方向迈进。
对于 AI 将如何重塑编程，Truell 认为行业正处在一个漫长而复杂的「中间阶段」。「AI 会越来越像你的同事，或者一个非常高级的编译器，但你仍然需要阅读逻辑、进行审查和编辑。」
对话中，Truell 还向年轻一代的开发者和创业者给出了自己的建议：
我觉得最重要的是去做你真正感兴趣的事情，并且和那些你既喜欢相处又非常尊重的人一起去做，而且要非常认真地对待。避免为了完成任务而去「打勾」，应专注于能够长期积累、真正构建你感兴趣的东西。
(@ APPSO)
阅读更多 Voice Agent 学习笔记：了解最懂 AI 语音的头脑都在思考什么
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