LiveKit 从四个工程问题对比 Retell、Vapi 与 LiveKit 三款语音 AI 智能体平台：上线后由谁迭代、需求超出默认配置时如何改动、是否需支持电话之外的 Web、移动、视频与 WhatsApp 等渠道，以及规模化成本。三者每分钟全包成本估算分别约为 $0.070–$0.310、$0.070–$0.116 和 $0.037–$0.099，仅 LiveKit 支持 Apache 2.0 开源与自托管。
Tavus 提出 Personified Application Layer（PAL），把感知、共情与记忆打包成可面对面交谈的应用，并给出 Tavus Turing Test 分级：Stage 0 只有渲染的脸和声音，Stage 0.5 具备人格但上下文限于单次会话，Stage 1 才是能跨交互记忆、推理并主动行动的持久 PAL。Tavus 称该测试是面向 PAL 团队的设计成熟度模型，并非经外部验证的基准。
Vincent Wargnier 与 Nayl Ahmadulin 在赛前五天组队，凭 Compass 拿下 Boson AI 的 Higgs Realtime 黑客松第一名。Compass 是能在后台搜索、推理并执行建站等重任务的同时保持自然对话的语音智能体，不会因工具运行而沉默，而是继续提问、吸收中间结果。Wargnier 认为现有语音智能体在长任务中要么静默、要么只给无用状态提示，这正是其想解决的问题。
Tavus 撰文对比 AI copilot 与 AI agent 的产品选型：copilot 在人工任务内提供草稿与建议、由人保留否决权，agent 则接受目标后自主调用工具直至完成。文章引用 Gartner 定义与四级自主性分层，指出二者在自主性、触发范围、问责归属和集成范围四个维度分化，并强调当对话本身即交付物时，需要真实在场感的 AI 视频 agent。
Tavus 在八款 AI 客服平台横评中位列第一，其 Conversational Video Interface 通过托管 WebRTC 连接实现低于 200ms 的响应延迟，Sparrow-2 模型在 81% 的轮次结束点达到人类典型应答时机。Anam 以单张照片生成数字人并公布低于 1 秒的中位对话延迟，UneeQ 则面向受监管企业提供云、混合与本地部署。评测按渠道覆盖、知识 grounding、工单系统适配、定价与合规等维度排序。
Tavus 提出用实时视频智能体在对话进行中给出反馈，而非事后评分卡，可捕捉语气、节奏和犹豫等文字记录无法呈现的信号。其 PAL 在面试练习场景中已记录 120 万分钟以上练习时长，用户在与真人感面试官互动时停留时长增加 42%、完成会话数增加 35%。
数字孪生是某个特定物理对象的虚拟模型，靠传感器数据持续同步、实时更新，用于监测、预测和决策，ISO 23247-1 将其定义为可观测制造要素的适用数字表示。它与仿真、复刻人的区别在于：仿真无实时数据，复刻人只从录制视频训练一次、不再与本人重新同步。Tavus 认为，把复刻人称作数字孪生会误导用户以为存在实时连接，并建议用 Replica 加 Personified Application Layer（PAL）来区分外观声音与对话系统。
WebRTC 并未消亡，但已进入维护期：Chrome 中调用 getUserMedia() 的页面占比从 2019 年的 0.05% 升至今年 0.3%，2025 年中起重新爬升。与此同时 discuss-webrtc 讨论量自 2014 年峰值持续下滑，2026 年前 9 个月 64% 的帖子无人回复，libwebrtc 提交减少、主要由 Google 维护，标准化会议与规范变更也在收缩。
Meta Connect 2026 发布 Muse Realtime Avatar 与 Ray-Ban Meta Audio 两条实时 AI 交互产品线，前者把语音对话升级为带口型、表情和手势的可视化形象，后者是 349 美元起、43 克、10 月 13 日发货的无摄像头纯音频眼镜。Meta 称 Muse Realtime Avatar 通过自蒸馏把教师模型的 120 次调用压缩到 2 次，响应延迟约 870 毫秒，但仍处于 early preview，画面偶有扭曲模糊。
高通在骁龙峰会发布骁龙8至尊版Gen 6与骁龙8旗舰版Gen 6，旗舰版可本地运行300亿参数MoE模型并完成语音识别到合成的全链路Agent，标准版感知中枢支持2亿参数模型做个人速记与说话人区分，两款均内置实时降噪“语音气泡”。但MoE省的是计算量而非内存，300亿参数仍需量化压缩才能塞进手机，且芯片只处理麦克风收到的这段声音，跨设备传输的丢包、抖动与路径调度仍由声网SD-RTN这类实时网承担。
文章称 AI 前台已能以人类般的表情与时机面对面迎接访客，并讲解实时视频接待的运作方式。
文章称 AI 认证用视频智能体评估口语作答、推理与应用技能，以实时、可规模化的验证替代静态考题。
文章称 AI 数字人可为每位新员工提供个性化检查、按需解答与角色支持，并给出可扩展的 90 天留存计划。
文章划分入职自动化边界：表单与账号开通交工作流，无法延后的沟通对话交给实时 AI 视频智能体补齐。
文章称 AI 视频智能体已能规模化执行招聘面试，覆盖 42 种语言，并读取文本工具无法捕捉的语气与表情。
文章梳理招聘流程中最省人工的环节（初筛、排期），说明 AI 视频智能体如何实时执行首轮面试。
文章称实时 AI 视频智能体可把入职、政策答疑、辅导与离职面谈变成实时对话，重塑员工体验各触点。
文章称 AI 视频智能体（PAL）可让每位候选人获得实时面对面初筛对话，用临场感填补招聘流程中的沉默间隙。
LiveKit Agents 与 Pipecat 是构建生产级实时语音和视频 AI Agent 的两个主流开源框架，前者基于 LiveKit 自有的开源 WebRTC 和 SIP 服务器、对 Agent 做较高层抽象，后者不预设传输层、对处理链路做较低层抽象。两者都支持语音转文本→语言模型→文本转语音的核心链路及端到端语音模型，但 LiveKit Agents 放弃传输层选择与阶段增删，换取分发、扩展和多方会话的现成支持；Pipecat 则需自行接入传输并逐级组装链路。
按 GitHub 星标排名，Jitsi Meet 以 29,875 星领先，LiveKit 20,731 星、Pion 16,759 星紧随其后，数据取自 2026 年 9 月。若改按活跃度排序，榜单会重排：mediasoup 星标仅列第五，但近 52 周提交 541 次，远高于 Janus 的 66 次。作者强调没有唯一最优选择，会议场景选 Jitsi，可编程后端选 LiveKit，嵌入式项目选 Pion，大规模自建选 mediasoup。
Tsahi 以客户案例论证 WebRTC 与 SIP 的媒体质量上限相当（都走 RTP/SRTP），质量问题常被误判为协议问题；他主张在改架构前先用 getStats() 做客户端侧全量采集，因为服务端指标“只能看到一半故事”，有观测后定位问题可从数天缩短到数分钟，并明确反对在数据不足时切换 SFU、盲目上 AV1 或追逐 MoQ。
推荐理由：对“换栈解决问题”倾向的纠偏，强调客户端可观测性优先于架构决策。
Tsahi Levent-Levi 分析 Video API 四种商业模式（按分钟、按 MAU、按 GB、自建）：主流按分钟计费约 $0.004/视频分钟，一个成功的 POC 可能在 9 个月内从数千美元涨到 $80,000+/月；他建议先定商业模式再比厂商价格，并给出何时转向自建 SFU 的判断框架。
推荐理由：实时音视频规模化的成本模型少有人系统写清，这篇文章给出了可对标的数字。
Cartesia 首份《2024 年语音 AI 现状报告》梳理出三大趋势：编排式 STT→LLM→TTS 语音系统与端到端语音到语音模型兴起，Kyutai 的 Moshi 等全双工模型实现"边听边说"；STT、LLM、TTS 三环节成熟推动语音 AI 进入企业级自然对话，LLM 成本从 GPT-4 的 45 美元/百万 token 降至 Llama 3.1 70B 的 2.75 美元/百万 token；LiveKit、Daily 及 Vapi 等编排平台将原本 6-12 个月的开发周期缩短至数周。