YouTube Live 四项更新：横竖屏同播共享聊天、礼物扩展与互动高峰自动避广告
YouTube Live 更新四项能力：横屏直播也可收礼物并扩展至加拿大、韩国等更多市场，Super Chat/礼物触发个人无广告窗口，互动高峰自动暂停广告，并支持横竖屏同时开播且共用一个聊天室——官方披露 2025 年美国 30% 以上直播观看时长来自联网电视。
推荐理由：YouTube 直播形态与变现机制的重要调整，CTV 占比数据对行业有参考意义。
全部音视频动态
Google AI Blog精选评分6262
中文技术动态精选评分7474 字节 Seeduplex 全双工语音模型：判停延迟降 250ms
Seeduplex 基于"边听边说"框架，在豆包 App 全量上线，是全双工语音技术首次规模化落地。官方数据显示：复杂场景下误回复率与误打断率较半双工方案减少一半，AI 抢话比例相对下降 40%，判停延迟降低约 250ms、打断响应延迟缩短约 300ms，整体通话满意度绝对值提升 8.34%。
推荐理由：全双工对话的关键指标数据完整披露，是评估语音 Agent 自然度的行业参照。
声网博客精选评分6666 声网泛 IPC 弱网方案：80% 丢包下保画面与 5 秒连通率 99.5%
针对家庭摄像头、割草机等天然弱网部署场景，声网以 SD-RTN 为骨架做四层对抗：秒级网络感知与动态路由、秒级降码率加渐进恢复、FEC+NACK 双保险（称音频可抗 80% 丢包、视频 40%）、以及首帧关键帧优化；对外指标包括 80% 丢包下音视频流畅、设备 5 秒连通率 99.5%、出海首次激活成功率 >99.9%，SD-RTN 全球延时中位数 <76ms。
推荐理由：厂商披露的极端弱网量化指标与全链路对抗逻辑，对 IPC/IoT 类产品选型有直接参考。
LiveKit Blog精选评分6363 LiveKit 开源唤醒词训练工具：单命令训练自定义唤醒词，误报较 openWakeWord 低 100 倍
LiveKit 开源 livekit-wakeword，支持一条命令从零训练自定义唤醒词模型，官方称误报较 openWakeWord 低 100 倍，并提供 ONNX 与 Home Assistant 兼容。
推荐理由：端侧唤醒词开源工具的实用更新，对语音 Agent 前端链路有价值。
LiveKit Blog精选评分5656 LiveKit 推 data tracks：WebRTC 通道承载非音视频数据
data tracks 把任意二进制帧接入 LiveKit 的 track 基础设施，面向遥操作、传感器与遥测场景：SFU 按订阅选择性转发，走无序丢失容忍的 WebRTC data channel，采用 12 字节自定义 RTP 风格包头以吃满 MTU，房间内并发轨道理论上限 65,535；已支持 JS、Rust、Python、C++、Unity SDK。
推荐理由：把 RTC 的选择性转发能力扩展到非音视频数据，对机器人与遥操作类实时应用是实用的能力更新。
声网博客精选评分6464 声网 IPC 秒开实践：Chrome 端首帧压到 300ms 以内
声网把首帧定义为“视频第一帧在本地渲染显示”的结果指标，从关键帧触发、建链协商、路径选择、终端渲染四处下手：建议引擎提前创建初始化、enableVideo 前设好编码配置，参考最佳实践后 Windows/macOS Chrome 首帧最低可降到 300ms 以内；方案整体给出 99.9% 连通成功率、SD-RTN 覆盖 200+ 国家、全球延时中位数 <76ms、80% 丢包下仍流畅。
推荐理由：有明确数字的首帧优化案例，且强调弱网与跨国条件下的首帧成立概率。
Google AI Blog精选评分8282 Gemini 3.1 Flash Live 上线：延迟与指令遵循双提升
Gemini 3.1 Flash Live 通过 Gemini Live API 在 Google AI Studio 开放预览，官方宣称较 2.5 Flash Native Audio 在延迟、可靠性与自然度上有台阶式提升：嘈杂环境下工具触发更稳、复杂系统指令遵循更强、可识别音高语速等声学细节，实时多模态对话支持 90+ 语言。
推荐理由：Gemini 实时语音模型代际更新，是语音 Agent 平台侧最重要的供给变化之一。
WebKit Blog精选评分6363 Safari 26.4 支持 WebTransport 与多麦克风采集
WebKit 在 Safari 26.4 加入 WebTransport，面向低延迟场景（多人游戏、实时协作、视频会议）；macOS 上 getUserMedia 可同时采集多路麦克风并动态把已有采集迁移到合适处理单元、同时管理回声消除，便于做播客工具与多路录音；此外增强字幕外观自定义（字号、颜色、背景等）。
推荐理由：WebTransport 落地与多麦克风采集是实时音视频在 Safari 上的能力补齐。
Google AI Blog精选评分6060 Chrome 推出浏览器发起的自动画中画：未注册媒体会话处理程序的网站也可自动 PiP
Chrome 引入浏览器发起的自动画中画：对未注册媒体会话操作处理程序的网站，切标签页时也可自动弹出视频 PiP；触发条件严格限定，包括媒体两秒内有声、未使用摄像头/麦克风、用户媒体互动指数超阈值等。
推荐理由：浏览器播放器行为的重要变化，视频/音乐类 Web 应用需关注触发条件与隐私设定。
海外技术动态精选评分7272 Hume AI 开源 TADA：1:1 文本声学对齐的零幻觉 TTS
TADA（Text-Acoustic Dual Alignment）为每个文本 token 对齐一条连续声学向量，每秒音频仅需 2–3 帧而非传统方案的 12.5–75 帧，RTF 达 0.09（快于同级 LLM-TTS 5 倍以上）；在 LibriTTS-R 1000+ 样本上以 CER>0.15 为门槛测得零幻觉，2048 token 上下文可容纳约 700 秒音频（传统方案约 70 秒），轻量到可端侧部署，代码与预训练模型已开放。
推荐理由：从架构层面消解 LLM-TTS 的跳词幻觉问题并显著提速，开源后可直接进入语音 Agent 技术栈。
Tavus Blog评分4040 Tavus 推出 Raven-1 多模态感知系统，融合音视频实时理解对话意图
Tavus 发布 Raven-1 多模态感知系统，将音频、视觉与时间动态统一处理并实时对齐，通过语调、表情、迟疑和语境判断用户真实意图，而非仅依赖文字转写。此前其 Raven-0 已让 AI 具备解读视觉语境的能力。该系统针对传统对话 AI 将语音转为文本后丢失语调、节奏、非语言声音和情绪变化等信息的问题，主张情绪是连续且分层的，无法归入固定类别。
OpenMOSS MOSS-TTSD Releases评分4242 OpenMOSS MOSS-TTSD 发布 v0.7：v1.0 架构迁移前的存档版本
OpenMOSS 的对话式 TTS 项目 MOSS-TTSD 打上 v0.7 标签，release 说明仅注明这是 v1.0 迁移前的存档版本（Archive v0.7 before v1.0 migration），未列出具体功能变更或指标。
海外技术动态精选评分5858 Janus 1.4.0 发布：multistream 分支首个正式版本
Janus 官方基于 multistream 的 master 分支首次打出 1.4.0 版本，旧 0.x 分支同步发布 0.16.0；此后 master 进入 1.4.1、0.x 进入 0.16.1 维护，双轨版本策略正式成型。
推荐理由：Janus multistream 迁移的关键节点版本，影响所有 Janus 部署的升级路线。
Google AI Blog精选评分6868 YouTube 自动作配音扩展至 27 种语言：Expressive Speech 八语种上线并试点唇形同步
YouTube 宣布自动配音面向所有创作者开放并扩展至 27 种语言：2025 年 12 月日均超 600 万观众观看 10 分钟以上自动配音内容；Expressive Speech 在英法德等 8 种语言上线以保留情绪表达，同时新增观众偏好语言设置与音乐/静音视频智能过滤，唇形同步处于试点阶段。
推荐理由：全球最大视频平台的 AI 配音规模化数据与功能边界，是配音行业与 AI 增强的风向标。
海外技术动态精选评分6060 GStreamer 1.28.0 发布：新增 Vulkan AV1 解码
GStreamer 1.28.0 于 2026 年 1 月 27 日发布，亮点包括 AMD HIP 插件与集成库、Vulkan Video 的 AV1/VP9 解码与 H.264 编码、waylandsink HDR10 元数据、基于 demucs 的 Rust 音频源分离元素、LiteRT 推理元素，以及 hlscmafsink 等 CMAF 单变体 HLS 输出元素。
推荐理由：多媒体框架大版本更新，硬件编解码与 CMAF/HLS 输出能力直接影响转码与分发链路实现。
海外技术动态精选评分6262 MiniMax Speech 2.8：声音标签与 10 秒音色复刻
MiniMax 推出 Speech 2.8 系列（HD/Turbo 双档），可在文本中直接写入 (laughs)、(sighs) 等副语言标签并原位生成，支持约 10 秒参考音频快速复刻音色，重制音频管线以降低底噪与合成失真，覆盖 40+ 语言；已作为底层引擎服务多家语音 Agent 平台。
推荐理由：中文语音合成头部供给的代际更新，副语言标签与低门槛复刻直接影响 Agent 音色表现。
Mux Blog精选评分5858 Mux 复盘 6 年播放器工程：Video.js v10 为何推倒重来
Vidstack 作者回顾从 Vime 到 Vidstack 的 6 年：累计 90 亿次 CDN 请求、700 万次 NPM 下载、6200 个 GitHub Star 与 200 多个版本。核心结论是浏览器媒体元素的事件与状态不一致（事件可能不触发或连续触发），因此 Video.js v10 放弃插件式架构，改为编译期组件与可预测的状态流。
推荐理由：主流开源播放器 v10 重构的一手复盘，指向浏览器媒体事件模型的固有坑。
声网博客评分5454 声网对比 RTC 与 CDN+RTMP：延迟 3-10 秒对 200-800ms
从协议本质对比两种方案：RTMP 基于 TCP，网络抖动时反复重传导致数秒至十几秒延迟；声网基于 UDP 私有协议加全球 200 多个节点调度，平均延迟 200-800ms、抗丢包率称可达 70%-80%；文中给出维度对比表（延迟、抗丢包、连麦体验、全球覆盖、成本）与大型发布会、电商带货、出海三类场景的选型建议。
WebKit Blog精选评分5858 Safari 26.2 开放 WebRTC RTP 头部扩展参数接口
WebKit 在 Safari 26.2 提供 RTCRtpHeaderExtensionParameters 接口用于描述媒体流使用的 RTP 头部扩展，使音频电平、视频方向、时序与应用自定义数据等元数据可与已加密的媒体负载分开控制，让开发者更细粒度地决定哪些元数据对网络中间设备可见；同版本还修复了 HDR 图像在 CSS 背景、边框与 SVG 中的解码渲染，以及 WebRTC 摄像头指示灯不熄灭等问题。
推荐理由：RTP 头部扩展接口关系 WebRTC 元数据与端到端加密边界，属标准化进展。
中文技术动态精选评分6666 火山引擎发布豆包语音识别模型 2.0：关键词召回率提升 20%，支持 13 种海外语种
火山引擎 2025 年 12 月 5 日发布豆包语音识别模型 2.0（Doubao-Seed-ASR-2.0）：基于 PPO 强化学习做上下文推理识别，上下文关键词召回率提升 20%，支持单图/多图视觉输入辅助识别，并支持日语、韩语、德语、法语等 13 种海外语种。
推荐理由：ASR 2.0 引入视觉多模态辅助语音识别，是"听得懂"到"看得懂"的代际更新。
Cartesia Blog精选评分5555 Cartesia 发布语音智能体开发平台 Line
Cartesia 发布语音智能体开发平台 Line，面向开发者提供代码优先的构建方式，可从文本提示或模板在数分钟内创建首个智能体，并通过 CLI 和 GitHub 集成在本地开发、一条命令部署。Line 会记录已部署智能体的全部通话，保存音频与转写文本，报告延迟等系统指标并提供日志，支持自定义 LLM-as-a-judge 指标评估通话。Line 与 Cartesia 的 Sonic 文本转语音和 Ink 流式语音转文本模型一同部署，企业版可完全本地部署并对模型微调。
推荐理由：Cartesia 把语音智能体的开发、评测与部署整合进一个代码优先平台，并说明与 Sonic、Ink 模型的协同方式。
Cartesia Blog精选评分7171 Cartesia 发布流式语音转文字模型 Ink-Whisper
Cartesia 推出流式语音转文字（STT）模型系列 Ink，首发模型 Ink-Whisper 基于 OpenAI 的 Whisper 改造，面向实时语音应用。官方称其采用动态分块处理变长音频片段，在电话音质、专有名词、背景噪声、口语停顿和口音等数据集上，词错误率优于 whisper-large-v3-turbo 基线；在停止说话后完成转写的时间（TTCT）中位数为 66ms、P90 为 98ms，并称其为所测试流式 STT 模型中最快。定价为每秒 1 credit，Scale 套餐下约 $0.13/hr，可集成 Vapi、Pipecat 和 LiveKit。
推荐理由：Cartesia 发布流式语音转文字模型 Ink-Whisper，给出与 Whisper 基线和多家流式模型的 WER、TTCT 对比数据，可据此判断实时语音场景的选型。
Cartesia Blog评分2222 Cartesia 推出 Organizations 与 Dashboards，面向规模化语音 AI 开发者
Cartesia 为规模化语音 AI 开发者推出 Organizations 与 Dashboards 两项功能。Organizations 让团队共享 API 密钥、自定义音色与集中计费，席位不限，已在 Startup+ 套餐开放；Dashboards 面向所有成员提供额度、并发与 WebSocket 连接的实时可见性，其中并发和连接监控自 5 月 20 日起可用。
Cartesia Blog评分4040 Cartesia 推出基于 Sonic 的专业语音克隆（PVC），Startup+ 套餐可自助使用
Cartesia 推出基于 Sonic 文本转语音模型微调的专业语音克隆（PVC），可复刻音色、语调、风格与环境，现已登陆 Startup 及以上套餐并支持自助开通。训练免费，生成按每字符 1 credit 计费，与即时语音克隆相同；支持 15 种语言，可通过 Playground UI 和 API 使用。
Cartesia Blog评分2222 Cartesia 发布 Python SDK v2.0.0，优化 AI 语音开发体验
Cartesia 发布 Python SDK v2.0.0，围绕统一的 Cartesia 客户端重构，支持异步调用、流式响应和 WebSocket 实时低延迟语音应用。SDK 内置 4xx/5xx 异常处理、指数退避自动重试，默认超时 60 秒，并允许覆盖 httpx 客户端以支持代理等场景。
Cartesia Blog评分4040 Cartesia 发布 Voice Changer：保留原始语气与情感的音色转换模型
Cartesia 推出 Voice Changer，可将任意音频片段转换为目标音色，同时保留原声的表达方式、情感与韵律。用户可从录音棚级音色库中选择，或克隆自己的声音，并精确控制情感与节奏；该模型基于 S4、Mamba 等状态空间模型架构，已在 Cartesia playground 上线。
Cartesia Blog评分4040 Cartesia 在 Sonic Multilingual 上新增 8 种语言 Alpha 版，总支持语言达 15 种
Cartesia 宣布 Sonic Multilingual 新增印地语、意大利语、韩语、荷兰语、波兰语、俄语、瑞典语和土耳其语 8 种语言 Alpha 版，总支持语言数达 15 种。新语言沿用 Sonic 的低延迟、对话质量和语音设计能力，基于其自研的 S4 与 Mamba 状态空间模型（SSM）架构实现实时语音生成。
Cartesia Blog精选评分6060 Cartesia 发布端侧智能更新：开源 SSM 库 Edge、1.3B 模型 Rene 与 Sonic On-Device 内测
Cartesia 发布端侧智能更新，推出开源（Apache 2.0）SSM 库 Edge、1.3B 参数开源语言模型 Rene，以及进入内测的 Sonic On-Device。Edge 面向 Apple M 系列芯片提供 Mamba-2 的 Metal 内核，并配套 Python 包 cartesia-mlx；Rene 采用 Mamba-2 与 MLP 交替、穿插滑动窗口注意力的混合结构，在 1.5T tokens 的 Dolma-1.7 上训练，推理时内存占用固定，支持 8-bit 和 4-bit 量化。Sonic On-Device 支持端侧低延迟实时流式生成语音，具备即时克隆与可控发音、语速和情感。
推荐理由：Cartesia 把 SSM 架构落到端侧，同时开源模型与推理库，可据此判断端侧语音与语言模型的可行路径。
Cartesia Blog精选评分6060 Cartesia 发布低延迟语音模型 Sonic，模型延迟 135ms
Cartesia 发布低延迟语音模型 Sonic，用于生成逼真语音，模型延迟为 135ms，官方称这是同类模型中最快的。Sonic 配套网页 playground 和低延迟 API，playground 提供面向客服、娱乐和内容创作的语音库，支持即时克隆和语音设计（语速、情感），这些能力均可通过 API 使用。Cartesia 表示其基于状态空间模型架构，并自建推理栈以降低延迟和成本，后续将发布关于新架构的更多细节。
推荐理由：官方给出 Sonic 的 135ms 模型延迟与自研状态空间模型推理栈，可据此判断低延迟语音合成的当前水平。