跳到正文
只看一手
  1. IETF WISH 工作组文档78

    RFC 9725 定稿：WebRTC-HTTP 摄取协议 WHIP 成为正式标准

    WISH 工作组的 WHIP 于 2025 年 3 月发布为 RFC 9725（Standards Track），定义基于 HTTP 的简单协议，让 WebRTC 内容可标准化地推入流媒体服务与 CDN，同时更新 RFC 8840 和 RFC 8842。

    推荐理由：WHIP 从草案转正为正式 RFC，是 WebRTC 推流标准化的行业级节点。

  2. IETF MoQ 工作组文档72

    draft-ietf-moq-msf-01：定义运行于 MOQT 之上的流媒体格式 MSF

    IETF MoQ 工作组草案，由 Akamai 的 W. Law 与 Cisco 的 S. Nandakumar 提出，规定在 Media over QUIC Transport（MOQT）上承载媒体的流格式 MSF，2026 年 6 月更新至 01 版，是 MoQ 协议栈的核心规范之一。

    推荐理由：MoQ 核心流格式草案，直接决定新一代低延迟传输的媒体承载方式。

  1. AWS Media Blog50

    AWS 发布开源文件传输工具 File Mover Express，直传 Amazon S3

    AWS 发布开源文件传输应用 File Mover Express，在 Apache 2.0 许可下于 GitHub 提供 macOS、Windows 和 Linux 预编译包，用于在本机与 Amazon S3 之间搬运媒体素材。其守护进程式传输引擎把任务与桌面会话解耦，支持断点续传、热文件夹自动上传、带宽限速，以及 XXH3、XXHash、XXHash64、MD5 校验和读取 MHL 清单文件；数据经内置 S3 API 直传，不经过中继或第三方服务，并提供 GUI、CLI 和可选 MCP 服务器三种操作方式。

    推荐理由：AWS 官方开源的文件传输工具，用守护进程把传输与桌面会话解耦，并给出 MHL 校验与直传 S3 的取舍。

  2. LiveKit Blog62

    LiveKit 推出 Agent Simulations，用模拟用户测试语音智能体

    LiveKit 面向所有 LiveKit Cloud 项目正式推出 Agent Simulations，用 LLM 驱动的模拟用户按任务级场景跑完整对话，再由 LLM 评审给出通过或失败及原因。文本模拟跳过语音模型、只测对话逻辑，默认低优先级调度，可在每次 PR 上运行并在失败时返回非零退出码；音频模拟覆盖含背景噪声、打断和附和声的完整音频链路，实时运行且计费更高，适合夜间或发布前跑。CLI 可读取智能体代码自动生成场景，场景以 scenarios.yaml 版本化保存。该功能 10 月内免费，但模拟会调用真实智能体的 LLM 及音频模式下的 STT、TTS，按正常费率计费。

    推荐理由：LiveKit 把语音智能体测试从逐轮对话提升到任务级模拟，并给出文本与音频两种运行方式的成本取舍。

  1. 声网博客60

    微软发布三款语音模型，流式识别与合成延迟进入百毫秒区间

    微软于2026年10月1日发布三款语音模型：流式语音识别MAI-Transcribe-2-Streaming、语音合成MAI-Voice-2.1和MAI-Voice-2.1-Flash。MAI-Transcribe-2-Streaming在用户开始说话后约100毫秒给出首个部分转写结果，代价是模型无法回看整句上下文，易混淆词和被打断场景的出错概率更高；MAI-Voice-2.1-Flash端到端延迟150毫秒，推理速度比上一代提升55%，成本降低约60%，分块生成可能影响语调连贯性。文章还提到ElevenLabs v4 Turbo推理延迟也在100毫秒量级，并指出流式传输下连续小片段丢包会带来明显卡顿。

    推荐理由：微软三款语音模型把流式识别与合成延迟压到百毫秒级，可对照理解分块生成在准确率与语调连贯性上的取舍。

  1. Hume AI Blog58

    Hume 拆解表情测量模型：面部与语音情绪信号如何变成可评测的结构化分数

    Hume AI 的技术长文，介绍其 Expression API 背后的面部与语音表情测量模型的科学依据、研发过程与评测方法：把语气、迟疑、惊讶等信号转为结构化分数，用于数据标注、AI 输出评估与跨录音比较，并跟踪交互过程中情绪随时间的变化。

    推荐理由：少见地把情绪测量模型的构建与评测方法完整公开，对情感计算与语音 Agent 评测有方法论价值。

  1. Hume AI Blog65

    Hume AI 发布 Expression APIs：把语音与面部表情转为结构化感知分数

    Hume AI 推出 Expression APIs，将声音与面部表情转化为结构化分数，估计他人对该表达的可能感知，语音侧还额外度量说话风格与嗓音特质；支持实时交互与离线录音分析标注两种模式。典型场景是让语音 Agent 识别客户语气中的挫败感——转写文字相同而情绪不同的情况。

    推荐理由：把情绪信号做成可调用的结构化 API，补上语音 Agent 与情感计算管线里转写之外的关键一环。

  2. Boson AI Blog55

    Boson Higgs VoiceOver 登陆 Premiere Pro：Higgs TTS 3 驱动的可导挥 AI 配音与词级字幕

    继 DaVinci Resolve Studio 之后，Higgs VoiceOver 插件现已支持 macOS 上的 Adobe Premiere Pro：每句旁白由 Higgs TTS 3 生成并作为独立剪辑落入时间线，可按行导演情绪、风格与语速，生成词级时间对齐字幕，并用约 10 秒自己的音频构建 100+ 语言的定制音色；使用自己的 Boson API key，按用量计费，Final Cut Pro 版本在开发中。

    推荐理由：AI 配音进入主流专业剪辑软件时间线，把 TTS 能力落到视频生产工作流，实用面较广但属常规产品扩展。

  1. Cactus Engineering Blog65

    Cactus 开源 Whistle：16.9 MB 端侧语音识别模型，7 种语言、首 token 11 毫秒

    Cactus 发布开源语音识别模型 Whistle，单文件 16.9 MB、纯 CPU 运行无依赖，面向手机、可穿戴、机器人、智能家居、汽车与微控制器；支持英德法西意荷波 7 种语言（可自动检测），单次转写最长 30 秒 16 kHz 单声道音频，首 token 延迟 11 ms，输出词级时间戳，并与 Needle 共享同一 C++ 引擎与量化方案，可在浏览器端离线运行。

    推荐理由：把 STT 压到 16.9 MB 且保留词级时间戳与 11 ms 首响，是端侧语音这一细分方向上规格突出的开源发布。

  1. Jitsi Blog62

    Jitsi Meet 推出多屏支持，单次会话可渲染到多个显示器

    Jitsi Meet 新增多屏支持，一次会话可把演讲者画面、屏幕共享、白板等分别渲染到多个显示器，无需重复入会。第二屏通过 React portal 复用同一 redux store 和组件，视频轨道用 track.clone() 克隆且不增加解码；由 iframe External API 的 setSecondScreen 命令和三个事件控制，也可在参会者右键菜单等处触发。该功能默认关闭，需配置 secondScreen.enabled=true 开启，目前仅支持 Chromium 系浏览器，且需要弹窗和窗口管理两项权限。

    推荐理由：Jitsi Meet 新增多屏渲染能力，读者可了解其与开两个标签页在参会者身份和媒体订阅上的差别。

  1. Inworld AI Blog72

    Inworld 收购 Ultravox：补齐语音理解与话轮管理，打通实时语音 Agent 全链路

    Inworld 宣布收购实时语音 Agent 平台 Ultravox，其团队加入并继续维护平台；双方此前已有 TTS 合作。Ultravox 带来语音理解、推理与任务执行以及话轮/打断管理能力，与 Inworld 的 Realtime TTS-2、Realtime STT-1 及实时推理基础设施整合，首个整合改进已上线。

    推荐理由：语音 Agent 赛道少见的端到端并购，理解侧与生成侧头部团队合并，行业格局信号明确。

  1. Tavus Blog74

    Tavus 用状态空间模型解析 Phoenix-4.5：毫秒级实时情感与面部行为生成

    Phoenix-4.5 是首个将情感状态生成、主动倾听行为与连续面部动作统一为单一系统的实时模型，文章以代码讲解其状态空间建模实现，覆盖毫秒级延迟的上下文感知表情与头部动作。

    推荐理由：实时数字人行为生成的技术深度文，披露模型架构思路与延迟水平。

  1. ElevenLabs Blog67

    ElevenLabs 发布 Eleven v4 与低延迟版 Eleven v4 Turbo 语音模型

    ElevenLabs 发布文本转语音模型 Eleven v4 及其低延迟版本 Eleven v4 Turbo，称 Eleven v4 在 Artificial Analysis 排名第一，并在与 Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS 和 Gemini 3.8 Flash TTS 的盲测对比中被约 75% 听众偏好。Eleven v4 Turbo 面向语音代理等低延迟场景，中位推理延迟约 100ms，中位首次发声时间约 150ms，与 ElevenAgents 平台协同优化。两款模型支持 90 多种语言，Instant Voice Clones 用 10 秒音频即可克隆，并新增 Professional Voice Clones 支持，现已上线 ElevenAgents、ElevenCreative 和 ElevenAPI。

    推荐理由：官方给出两款新模型的延迟、盲测偏好与克隆门槛，可据此判断语音代理和配音场景是否值得迁移。

  1. Pipecat Releases62

    Pipecat v1.12.0 发布：新增分类器与 MOQ 客户端重连，TTS 支持 IPA 发音映射

    Pipecat 发布 v1.12.0，新增 Pipecat Classifiers，可通过 JevClassifier 或 LLMClassifier 对状态提出是/否、选择与评分问题，并新增 TTSService.pronunciation_transform_ipa() 用词到 IPA 的映射控制专有名词发音。MOQTransport 增加客户端模式重连，断线后按退避重拨，MOQParams.connection_timeout 默认由 30 s 改为 60 s；同时弃用 UninterruptibleFrame、BaseUIWorker 等接口，将在 2.0.0 移除。

    推荐理由：版本说明覆盖分类器、MOQ 重连与语音合成发音等多项能力变化，并列出弃用与移除项，便于评估升级影响。

  1. Boson AI Blog58

    Boson AI 发布 Higgs VoiceOver：在 DaVinci Resolve 和 Premiere Pro 内生成 AI 配音

    Boson AI 发布 Higgs VoiceOver 插件，把 AI 配音放进视频剪辑器，由 Higgs TTS 3 驱动，每句旁白生成独立片段并自动排到时间线的配音轨上。它支持用标签控制情绪、语速和音效，自动生成词级时间轴字幕，用约十秒音频克隆自定义声音，覆盖 100 多种语言且同一句内可切换语言。该插件已在 macOS 上的 DaVinci Resolve Studio 和 Adobe Premiere Pro 上线，Final Cut Pro 与 Windows 版本在开发中，使用自带 Boson API key 按量计费，价格为每千字符 0.015 美元。

    推荐理由：面向剪辑工作流的 AI 配音插件，说明它如何把配音、字幕和声音克隆放进时间线，以及按量计费的成本口径。

  2. SRS Releases52

    SRS 发布 8.0 开发版首个版本 v8.0-d0

    SRS 发布 8.0 开发版首个版本 v8.0-d0，对应 8.0 dev0 与 v8.0.48，代码约 328208 行，并在 README 和 SRS 8.0 changelog 中加入该发布线。该版本提供源码包 srs-server-8.0-d0.tar.gz、CentOS7 x86_64 二进制包，以及 ossrs/srs:8、ossrs/srs:v8.0-d0、ossrs/srs:8.0.48 三个 Docker 镜像标签。

    推荐理由：SRS 发布 8.0 开发版首个版本，给出了版本号、代码规模和 Docker 镜像标签，可据此判断升级节奏。

  2. Google AI Blog58

    Made on YouTube 2026：直播粉丝赞助、配音等新工具发布

    YouTube 在 Made on YouTube 2026 活动中宣布一批直播工具更新，聚焦粉丝赞助与自动配音等方向，延续其在直播互动与多语言能力上的投入。

    推荐理由：YouTube 年度创作者大会的直播相关产品发布，代表其直播产品路线。

  1. LiveKit Blog53

    LiveKit 推出 Private Links，让托管 Agent 通过云网络私密访问内网资源

    LiveKit 发布 Private Links，让 LiveKit 托管的 Agent 通过云网络私密访问敏感内部资源，无需维护公网 IP、入站防火墙规则或 VPN。该功能通过 WireGuard 加密隧道连接 LiveKit 网关，再经 AWS PrivateLink 或 Azure Private Link 进入用户 VPC，仅支持基于 TCP 且完成 TLS 协商的连接，不支持非安全 TCP 和 UDP。目前支持 us-east 与 eu-central 两个 LiveKit 区域，每个项目每区域限 3 条，价格为每条 50 美元加双向 0.10 美元/GB。

    推荐理由：面向受监管行业的企业，说明如何在不暴露公网的前提下让托管 Agent 访问内网资源，并给出 AWS 与 Azure 的接入步骤。