中科大、月之暗面等开源对话式语音合成模型 MoonCast；ChatGPT 发布「录音模式」，自动录音和生成会议纪要丨日报

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、智源开源轻量级超长视频理解模型 Video-XL-2

近日，智源研究院联合上海交通大学等机构，正式发布新一代超长视频理解模型：Video-XL-2。相较于上一版本的 Video-XL，该模型在多个维度全面优化了多模态大模型对长视频内容的理解能力：模型由视觉编码器、动态 Token 合成模块和大语言模型三部分组成，采用四阶段渐进式训练方法，并引入分段式预装填策略和双粒度 KV 解码机制。

• 效果更佳：Video-XL-2 在长视频理解任务中表现出色，在 MLVU、Video-MME、LVBench 等主流评测基准上达到了同参数规模开源模型的领先水平。

• 长度更长：新模型显著扩展了可处理视频的时长，支持在单张显卡上高效处理长达万帧的视频输入。

• 速度更快：Video-XL-2 大幅提升了处理效率，编码 2048 帧视频仅需 12 秒，显著加速长视频理解流程。

目前，Video-XL-2 的模型权重已全面向社区开放。Video-XL-2 在主流评测基准上超越所有轻量级开源模型，编码 2048 帧视频仅需 12 秒，可应用于影视内容分析、异常行为监测等场景。

• 项目主页：https://unabletousegit.github.io/video-xl2.github.io/

• 模型 hf 链接：https://huggingface.co/BAAI/Video-XL-2

• 仓库链接：https://github.com/VectorSpaceLab/Video-XL （@机器之心、@腾讯研究院）

2、谷歌的 Gemini 2.5 音频交互能力升级：支持情感化多语言语音对话及生成

谷歌的 Gemini 2.5 音频交互能力升级，其中包括 Gemini 2.5 Flash Exp Native Audio Thinking Dialog 和 Gemini 2.5 Flash Exp Native Audio Thinking Dialog 两款模型。

该系列模型支持包括自然对话、风格控制、工具集成、情境感知、多语言支持、情感对话、高级思维对话以及可控文本转语音等特性。

NotebookLM 的 Audio Overviews 和 Project Astra 就是用的这个模型驱动的，详细介绍可以看官方博客。现在可以在 AI Studio 中直接使用。

Gemini 2.5 官方博客：

https://blog.google/technolog