Waze与梦工厂动画《遗忘之岛》联动，推出由H.E.R.配音的角色Jo导航语音，包含“Tayo na!”等台词，并上线复古心情和Jo的吉普尼车图标。该体验面向全球英文版用户，可在Waze菜单中启用。

MySQL是流行的关系型数据库管理系统，广泛应用于WEB开发。Linux是开放源码的操作系统，Shell脚本用于简化命令执行。Docker是用于开发和运行应用的开放平台，Jenkins是持续集成工具。运维工程师需掌握Kubernetes等技术，以提高工作效率和应对系统性能问题。

声网首席运营官刘斌在MEET 2025大会上指出，RTE能力是AI Agent应用落地的关键。声网致力于提供低延迟的实时互动体验，支持多模态对话，并通过与OpenAI和MiniMax的合作推动Realtime API的发展，以确保高效互动。

ChatGPT推出了实时语音搜索功能，优化了用户体验，搜索结果呈现多模态信息，逐步向用户开放，并结合天气和股市等数据，提高了搜索的准确性和便利性。

OpenAI推出了名为圣诞模式的视频通话功能，支持实时对话和屏幕共享，用户可通过摄像头与ChatGPT互动，体验低延迟交流。该功能将逐步在移动应用中开放，受到用户关注。

吉利推出的星睿AI大模型旨在提供汽车内的拟人化对话体验，模仿电影《Her》中的AI角色。该模型具备情感共鸣和幽默感，能够识别用户情绪并提供个性化互动，提升驾驶陪伴感。评测显示，星睿AI在交流能力和情感理解上接近人类。

讯飞推出的《Her》虚拟人具备高度逼真的表情和动作，用户可通过照片和一句话自定义虚拟形象。讯飞星火4.0 Turbo大模型在多模态交互和情感感知方面超越GPT-4，支持多语言，广泛应用于教育和医疗领域，推动AI技术发展。

在GITEX GLOBAL展会上，Soul展示了其AI社交产品，结合3D虚拟人和多模态互动。用户可以创建3D形象，与AI进行语音、文本和视觉交互。Soul计划在11月推出全双工视频通话功能。展会吸引了众多科技公司，展示AI在社交领域的创新。

法国创业团队Kyutai发布了开源实时音频模型Moshi，包括Moshiko、Moshika和Mimi流语音编解码器。Moshi在MacBook上运行，延迟约200毫秒，使用了Mimi流式神经音频编解码器和RQ-Transformer变体架构。Moshi在质量、音频语言建模和口语问答方面表现优秀。OpenAI的高级语音模式可能在9月24日发布。

火山引擎发布豆包大模型的一系列产品升级，综合能力提升20.3%。Seed-ASR和Seed-TTS研究成果应用于豆包语音识别和语音合成模型。火山引擎推出对话式AI实时交互解决方案，打造零售AI解决方案。火山引擎RTC提供全球智能接入和音视频数据超低延时传输。

2024年8月22日，ChatGPT语音模式内测，测试了英语学习、方言识别、多角色对话、音乐识别与创作、情感识别与表达、创意生成六个方面。发现ChatGPT在语言学习方面灵活，粤语表现完美但上海话有些尴尬，能模仿多种角色但无法真正理解说话者身份，对音乐相关内容拒绝强烈，情感表达过于相似却不够真实，与Claude对轰后ChatGPT被认为是捧哏角色。

创业团队Tavus开发了一款名为Conversational Replicas的AI视频通话产品，具有几乎无延迟的特点。用户可以与AI形象卡特进行视频对话，体验身临其境的交流。该产品在上线后迅速受到网友的热捧，被称为史上最快对话视频AI。Tavus团队使用自研的Phoenix-2模型，结合了GAN和3D高斯泼溅技术，实现了逼真的视频渲染。用户可以在网页端试玩2分钟，注册后即可使用该产品。未来还将推出更多AI形象和背景选择，以及个性化定制功能。

谷歌发布Gemini Live，类似于OpenAI的GPT-4o，但在演示中出现了多次失败。Gemini Live可以拍照问答、实时对话，并提供多种声音选择。谷歌发布的新Pixel系列手机中也搭载了Gemini Live。谷歌追不上OpenAI的原因可能是技术进展慢，舆论上被盖过。谷歌前CEO表示谷歌注重工作与生活平衡，而创业公司更加拼搏。

ChatGPT版「Her」是一种高级语音功能，能够用中文讲故事、快速数数、学猫叫等。GPT-4o具备多模态能力，可以独立完成任务，识别并响应用户语音中的情感变化。

OpenAI的“Her”在开发中面临困难。存在法律争议，以确保像斯嘉丽·约翰逊的“Her”这样的争议性声音不会重现。此外，还需要解决安全问题，例如防止其被用作欺诈工具。此外，还有技术挑战需要克服，例如需要稳定的网络、固定设备和固定的物理环境。文章还提到低延迟、多设备兼容性以及处理各种网络条件和嘈杂环境的重要性。OpenAI正在与实时通信（RTC）技术提供商合作，如LiveKit，以优化AI音视频对话体验。中国的国内AI公司也在开发自己的端到端多模态模型和实时AI音视频对话应用。文章最后提到，目前在中国一轮对话的延迟已减少到约1秒，通过进一步优化，实现流畅和及时的响应不是问题。