Meta 推出 Muse Realtime Avatar，把 Muse Realtime Voice 的语音 token 流转化为同步的实时数字人视频，支持面部、手部和全身动作。系统采用自强制与分布匹配蒸馏，将每个视频块的推理从教师模型的 120 次评估降到 2 次，减少 60 倍。它以 448x768、25fps 输出，从用户说完到收到音视频首字节约 870 ms，单张 GB200 可支持 12 路并发实时会话，并嵌入 Meta Video Seal 隐形水印。
推荐理由：Meta 公开了实时数字人系统的蒸馏方案与端到端延迟、并发数据，可对照自身实时视频生成链路。
Pipecat 团队发布 PhoneLLM Alpha 1，一个面向语音智能体场景的开源权重模型，基于 NVIDIA Nemotron 3 Nano 30B-A3B 全参数微调，采用 MoE 架构、3.5B 激活参数，以 BSD 许可发布且无商用限制。官方称其表现与 GPT 5.6 Terra 相当，但成本低 94%、P95 首 token 时间快 1,300ms，单请求 TTFT P95 在 B200 上低于 100ms。同时发布 PhoneBench v1 基准，用 LLM 评审团评估电话智能体的说话风格、工具调用准确性与每分钟运行成本；权重已上线 HuggingFace，官方建议将 temperature 设为 0 并关闭 thinking。
推荐理由：原文给出模型规格、延迟与成本测算方式，读者可据此判断自托管语音智能体是否划算。
NVIDIA 发布多语言语音转文字模型 Nemotron 3.5 ASR，同时提供多语言版和仅英文版 Nemotron 3 ASR 检查点，完全开源、可微调并支持自托管。作者在 Pipecat stt-benchmark 中测得该多语言模型速度超过基准中其他模型且准确率尚可，仅英文版速度相当、准确率接近当前最高分模型。延迟可通过音频处理 chunk size 调节，在 NVIDIA L40S 上以最低延迟配置可安全承载约 96 路并发转写，作者估算企业自托管成本约 $0.05/小时，而主流转写 API 通常为 $0.10-$1.00/小时。
推荐理由：作者用开源基准给出 Nemotron 3.5 ASR 的延迟与准确率位置，并附自托管成本与并发配置，便于评估语音代理选型。
Daily 发布语音智能体基准 aiwf_medium_context，测试文本模式 LLM 与语音到语音模型在约 30 轮长对话中的工具调用、指令遵循和知识引用，源码已在 GitHub 开源。结果显示已有三个模型在该基准上各项指标达到 100%，但都太慢，无法满足语音智能体所需的 1500ms 以内语音到语音响应（约对应文本模型 700ms TTFT）；生产中最常用的仍是 GPT-4.1 和 Gemini 2.5 Flash，AWS Nova 2 Pro 在性能与延迟上与之持平。语音到语音模型中 Ultravox 0.7 表现突出，GPT Realtime 通过率为 86.7%，低于 GPT-4.1 的 94.9%。
推荐理由：Daily 公开语音智能体基准的源码与结果，可看到长多轮对话下模型能力与延迟之间的取舍。