Google 公布内容透明度工具进展：SynthID 不可见水印已用于 AI 生成的图像、视频与音频，累计标注超过 1000 亿张图像/视频与 6 万年时长的音频；C2PA Content Credentials 从 Pixel 10 相机扩展到 Pixel 8/9/10 的视频拍摄。SynthID 验证已在 Gemini App 使用 5000 万次，并扩展到 Search 与 Chrome 的“Is this made with AI?”查询；OpenAI、Kakao、ElevenLabs 将引入 SynthID，Google Cloud 上线 AI Content Detection API。
推荐理由：AI 生成媒体的水印与溯源正在成为音视频平台的合规基础设施，该更新给出规模化数据。
LiveKit 为外呼语音 Agent 增加答录机检测能力（AMD），自动识别接听方是人、语音信箱还是 IVR 菜单并路由到对应行为，支持自动问候、留言与按键导航。
推荐理由：外呼语音 Agent 落地的关键工程细节，直接影响电话场景接通质量。
LiveKit Inference 正式支持声音克隆：克隆一次后可跨多个 TTS 供应商使用，并在生产环境中提供自动 fallback，为语音 Agent 定制音色。
推荐理由：语音 Agent 音色定制与供应商解耦的实用能力更新。
Chrome 148 将视频与音频元素的延迟加载纳入默认功能集，此外还包含 CSS 名称限定容器查询、Prompt API、WebRTC 数据通道始终协商等更新。
推荐理由：媒体元素 lazy loading 进入稳定版，影响视频站点的加载策略与带宽优化。
LiveKit 推出 Agent Console 实时调试界面，可在一个面板中查看语音 Agent 的时延、工具调用、SIP 参与者、打断、RPC 与转写文本等状态。
推荐理由：语音 Agent 可观测性工具的迭代，开发调试体验的重要补充。
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。
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。
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 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。
AOMedia 发布 SVT-AV1 v4.1.0，重构 MD、EncDec 与熵编码内核，并提升静态图像编码效率。该版本调整了 M3 及以下预设的色度 Wiener Filter 级别，优化静态图像屏幕内容编码，同时修复了单进程多实例编码器挂起等问题。
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。
FFmpeg 8.1 "Hoare" 小版本发布，新增 xHE-AAC Mps212（实验性）、经 libmpeghdec 的 MPEG-H 解码、EXIF 元数据解析和 LCEVC 元数据解析转发，并加入基于 Vulkan 计算的 ProRes 编解码与 DPX 解码、D3D12 H.264/AV1 编码及 scale_d3d12 等滤镜、Rockchip H.264/HEVC 硬件编码。该版本还包含大量内部改动与缺陷修复，Vulkan 计算编解码器和部分滤镜不再依赖运行时 GLSL 编译，swscale 重写的前期工作正在推进。
推荐理由：FFmpeg 8.1 汇总了解码器、Vulkan 与 D3D12 硬件编解码及新滤镜等变化，可据此判断升级与硬件加速路径。
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。
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。
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。
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 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 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 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 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 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 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 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 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。