跳到正文
只看一手
10月13日周二
  1. LiveKit Blog30

    LiveKit Egress 故障排查指南：常见错误、状态码与自托管问题

    LiveKit 发布 Egress 故障排查指南，梳理了录制失败的常见错误与对应状态码，包括未收到开始信号（412）、页面加载错误（400）、参与者或轨道未找到（404）、上传失败（400）、流水线冻结（500）和超时（408）等。Egress 以 EGRESS 类型参与者加入房间并只订阅所需轨道，凭证需在录制期间保持有效，S3 的 AssumeRole 仅限特定套餐。

  7. 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。

  13. ElevenLabs Blog22

    JavaScript 语音识别教程：用 Web Speech API 构建语音交互

    用浏览器原生 Web Speech API 可在 JavaScript 中实现实时语音转写，无需自建本地识别服务器，音频由浏览器发往后端云服务处理。该 API 通过 SpeechRecognition 接口支持连续识别、临时与最终转写结果，但存在转写不一致、依赖浏览器、无法理解意图等限制，且准确率与延迟因浏览器而异。

  14. W3C Blog22

    W3C 发布 EPUB 3.4 候选规范：新增 roll 布局支持 Webtoon，EPUBCheck 5.4.0 同步更新

    W3C 出版维护工作组公布 EPUB 3.4 候选规范，新增 rendition:layout 的 roll 值，使 Webtoon 式竖向长条漫画可在 EPUB 中渲染，但仅适用于固定版式文档。规范同时加入 AVIF、JPEG XL、OPUS 等内容类型，并将字体混淆等特性标记为过时或弃用。EPUBCheck v5.4.0 已发布以支持 EPUB 3.4 校验，旧文件若通过校验即自动符合新版本。

10月12日周一
  1. AWS Media Blog38

    Formula 1 如何用 AWS AI 将 12PB 视频档案检索缩短到秒级

    Formula 1 与 AWS 合作在 2026 年 4 月为 12PB 的 F1 Video Archive 上线 Media Archive Discovery 系统，用 Amazon Bedrock 将自然语言请求转成精确检索，用户输入“find celebrations after Leclerc's first Ferrari win”即可直接取到片段。该 AI 层只做查询增强，不替换原有 OpenSearch Service 引擎，日常检索不受影响；任一步骤失败时回退到纯文本搜索，保证始终有结果返回。

  2. Cartesia Blog22

    Raise Financial Services 与 Cartesia 合作，为印度金融市场打造多语言语音 AI

    Raise Financial Services 正基于 Cartesia 的语音模型开发多语言语音体验，其 Dhan 语音机器人已有超 75% 的交互使用非英语语言，其中印地语占一半以上。Cartesia 的 Sonic 文本转语音模型支持印地语、泰米尔语、泰卢固语、马拉地语等 11 种印度语言，并可在单次生成中切换语言。Raise 将模型部署在自有基础设施内，超三分之一语音机器人来电在非工作时间由 AI 独立处理。

10月10日周六
  1. LiveKit Agents Releases22

    LiveKit Agents 1.8.6 发布：新增 Nabrah 阿拉伯语 STT 与 Sarvam bulbul:v4-flash TTS

    LiveKit Agents 发布 1.8.6，新增 Nabrah 阿拉伯语 STT 插件和 Sarvam bulbul:v4-flash TTS，并为 Speechify 加入流式 synthesize()、HTTP 连接复用与 prewarm()。该版本还修复了 AWS 实时会话在流重启后中断、OpenAI Responses API 连接预热、实时工具循环 max_tool_steps 未生效等问题，并让 gpt-5.1+ 在 reasoning_effort 为 none 时保留 temperature/top_p。

10月9日周五
  1. ElevenLabs Blog22

    什么是语音活动检测（VAD），它如何工作？

    语音活动检测（VAD）以毫秒级音频帧为单位判断是否含有人声，并以 0 到 1 的置信度输出二值结果，供 ASR/STT、LLM 等下游系统决定是否处理音频。算法按采集、分帧、特征提取、打分、状态决策五阶段循环运行，分为传统信号处理、神经网络和语义 AI 三类。VAD 只判断帧内是否有人声，判断说话人是否说完需由端点检测（endpointing）完成。

  2. ElevenLabs Blog22

    ElevenLabs 在 ElevenCreative 推出 Brand Kit

    ElevenLabs 在 ElevenCreative 中推出 Brand Kit，把品牌视觉规范从提示词中抽离为工作区里的独立对象，一次设置即可作用于每次生成。用户可存入颜色、字体、Logo、参考图和规则，在 Image & Video、Flows 和 ElevenCreative agent 的提示词中用 @ 调用，同一套规范跨各功能复用，并支持团队与多品牌分别建套切换。该功能现已上线，官方称下一步将把 Kit 扩展到品牌声音与音效。

  4. WebKit Blog22

    Safari Technology Preview 254 发布说明

    Safari Technology Preview 254 面向 macOS Golden Gate 和 macOS Tahoe 发布，包含 WebKit 321068@main 至 322634@main 之间的改动。CSS 新增 size、min-size、max-size 简写属性及 interpolate-size、calc-size() 等支持，并修复 CSS Grid 重排开销随 order 值不同的网格项数量呈二次增长等问题。

  5. 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。

  6. GStreamer News38

    GStreamer 1.28.8 稳定版修复发布：含安全修复与 HLS/DASH 播放回归修复

    GStreamer 发布 1.28 稳定系列的 1.28.8 修复版本，仅含缺陷修复与多项安全修复，官方建议从 1.28.x 尽快升级。该版本修复了 adaptivedemux2 的 HLS 和 DASH 播放回归、FLAC 音频拖动回归，并改进 Windows 音视频拖动、AMD AMF AV1 编码器强制关键帧及 FFmpeg 封装音频编码器排空等问题。Android、iOS、macOS 和 Windows 二进制包将随后发布。

  7. LiveKit Blog22

    Serve AI 如何用 Agent Simulations 把语音智能体迁移到 LiveKit

    Serve AI 将其电话智能体从 Retell 的对话流程图迁移到 LiveKit 单提示词架构，用 Agent Simulations 跑约一百通真实生产通话，迭代十到十五次后达到 98% 通过率、中位轮次延迟 1.3 秒（上限 1.5 秒）才切换流量。首个账号迁移耗时一周且未回滚，上线后问题拦截率提升 15%，Serve 估算该客户每年再省 32 万美元。

  8. 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。

10月8日周四
  1. mediasoup Releases36

    mediasoup 3.29.0 发布：修复 SCTP 延迟流重置，新增 SCTP 零校验和选项

    mediasoup 3.29.0 修复了 SCTP 在空流列表下延迟流重置未生效的问题，并新增 sctpZeroChecksum 选项以启用 RFC 9653 定义的 SCTP 零校验和。该版本还调整了 consumer.getStats() 的丢包统计口径，fractionLost 和 packetsLost 现在只统计到消费端下行链路的丢包，不再把发送端上行丢包计入；同时移除 rtpPacketLossReceived 和 rtpPacketLossSent 两项传输自定义统计。

  2. mediasoup Releases42

    mediasoup Rust 0.30.0 发布：SCTP 零校验和与丢包统计口径变更

    mediasoup Rust 0.30.0 发布，新增 sctpZeroChecksum 选项以启用 RFC 9653 定义的 SCTP 零校验和，并修复空流列表下延迟流重置未延迟入站数据的问题。该版本为破坏性变更：consumer.getStats() 的 fractionLost 与 packetsLost 现仅统计到消费端下行链路的丢包，不再把发送端上行丢包计入。

  5. 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。

10月7日周三
  2. 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。

10月6日周二
  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。

  3. LiveKit Server Releases12

    LiveKit Server v1.13.8 发布

    LiveKit Server 发布 v1.13.8，新增 agent HTTP endpoints 数据平面，并支持将 sender report 的 abs-capture-time 原样透传。该版本还修复了接收端关闭后仍添加 down track、无 dispatch rule 时改为拒绝而非丢弃等问题，并优化了 SFU 转发路径的每包内存分配。