Zoom Contact Center 的 RTMS 支持管理员通过 API 手动控制流，可执行 start、stop、pause、resume 四种操作。使用需管理员权限与 RTMS 许可证，应用需添加 contact_center_rtms:write:admin 权限范围，并在集成设置中关闭 auto 开关。调用时以 PUT 请求携带活跃 engagement ID 和已授权应用的 client ID，可程序化或按流程事件触发。
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。
MediaMTX v1.21.1 修复了 WebRTC 播放 AV1 流时因编码器填充 OBU padding 导致的卡顿，并过滤 DJI 无人机流中特定 UUID 的 SEI 单元以解决 Chrome 和 Firefox 解码卡死。HLS 会话改由服务器管理，muxer 关闭后会话保留最多 30 秒并返回 404 而非 401。此外要求浏览器 POST 请求携带允许的 origin，并修复 H265 DTS 提取与 MP4 封装等多项问题。
文章按实时对话、响应时机与文档接地三项对比 Tavus、Synthesia、HeyGen、Anam、ElevenLabs、Pictory 的培训产品。
文章按延迟、感知、记忆与合规四个维度对比五家数字人平台，区分预渲染视频工具与实时对话引擎的适用场景。
SRS 发布 7.0 首个 alpha 版本 7.0-a0（v7.0.162），相比 v7.0-d0 聚焦安全与稳定性修复。其中将 libsrt 从 1.5.3 升级到 1.5.6 以修复 CVE-2026-55868/55869，并修复 WebRTC 播放视频编解码器应答、RTMP 严格客户端 chunk stream ID 恢复及 ParseBody 资源泄漏等问题。
TEN Framework 发布 0.11.72，新增讯飞（iFLYTEK）ASR 扩展并支持嵌套参数，同时为腾讯 ASR 的厂商元数据加入 appid。该版本修复了字节跳动 ASR 的厂商代码字符串化、Smallest 消息循环退出后重连、Fish Audio TTS 刷新等问题，并将字节跳动 ASR 版本升至 0.5.5、Deepgram ASR 升至 0.5.2。
FunASR 1.4.16 发布，修复混合设备推理中 vad_kwargs、punc_kwargs、spk_kwargs 的设备放置问题：重复推理调用不再改变已加载模型的设备配置，说话人推理改用说话人模型自身配置。该版本同时说明 SenseVoiceSmall 或 Paraformer 何时需要 CT-Transformer 标点后处理，并新增经测试的中英文原生 Transformers 使用指南。混合设备回归测试使用 CPU 占位权重与模拟加速器，不构成 CUDA、MPS 或 NPU 性能认证。
覆盖 13 个平台目录（macOS ARM64、Linux x86-64/ARM64、浏览器 WASM、WASI 等），每平台引擎小于 1 MB，一套权重 2-20 层任选；支持 CLI、C 静态库、needle.js 与离线空网部署。
Cactus 分享为 Needle 3 设计工具集的规则：每个动作一个工具，参数必须从请求原文中复制，无对应文本的必填参数会直接扣留调用。工具名和枚举值应使用用户会说的词，取值范围、枚举、长度等约束编译进解码语法，使非法值无法生成。描述无法穷举的说法可用触发器正则匹配，将解码限定到对应工具并强制产生调用。
两条微调路径：本地 needle finetune 对注意力投影训练 LoRA（基础冻结、导出时合并），或平台全量训练 2-20 层每个深度；DroidCall 微调使所有子网络提升 18-36 个百分点，四层以上微调子网络超过 DeepSeek V4 Flash。
Needle 将结构化抽取实现为只声明一个工具的函数调用：语法约束保证模式符合而非请求满足，每个字段都是原文 span，可选字段无对应 span 时留空而非编造，同一机制可迁移做分类。
cactus-needle 包的官方参考：Needle 类、三种工具接入方式、字节级语法约束保证 JSON 调用合法、子 1MB 引擎与权重缓存机制，以及 mic/train/gpu/metal 等可选依赖说明。
基于首个社区 Rust 移植的经验整理：测试用 oracle 与数字解读、.cact 容器的张量顺序保证、线上 prompt 格式、阶梯选层规则，以及无对比头的检索实现；引擎与权重已在 Hugging Face 公开。
Needle 每次响应携带校准置信度分数，取校准后验头与调用 token 解码概率两个信号的最小值，两者不一致时走升级而非错误执行；文中说明如何据此路由 act/confirm/refuse 三类产品决策。
Cactus 介绍其端侧模型 Needle 使用的 .cact 单文件格式：196 字节头部携带全部架构几何信息，无名张量目录按前向顺序排列，权重以 128 个一组做 Hadamard 旋转后按 Lloyd-Max 码本量化，CQ2 下每权重 2.125 比特。内核直接读取打包索引做查表与 sdot 累加，不展开权重，20 层 needle3.cact 为 29 MB、581 个张量。文中还给出用 struct 解析头部与目录的二十行 Python 代码，并说明同一容器可承载语音模型 Whistle。
推荐理由：原文拆解了 .cact 单文件格式的头部、目录与分组量化设计，并给出二十行解析代码，可迁移到自研端侧模型加载器。
Hume 发布 Voice Controllability Leaderboard，从语音设计、语音指令和角色契合三个维度评测 17 个 TTS 模型，采用数万条人工评分而非 LLM 评委，理由是后者可能因数据泄漏抬高分数。结果显示没有单一模型在所有可控性维度领先：Google 与 ElevenLabs 总体领先但各有短板，开源模型在语音设计上仍有竞争力；性别平均准确率 97.87%，年龄仅 51.8%，讽刺是最难传达的语气。
推荐理由：榜单用数万条人工评分对比 17 个语音模型的可控性，并指出 LLM 评委可能因数据泄漏抬高分数。
在控制参数量、算力与深度后测量删除前馈网络的损失：匹配参数下仅 0.006 nats，且集中在无外部信息可查的 token 上；该结论支撑 Needle 2/3 的纯注意力架构，完整研究为 A Controlled Study of Attention-Only Transformers。
推荐理由：对 transformer 架构常识的反直觉实证，方法论干净。
Needle 用三个从 Walsh-Hadamard 变换起步学习的 Kronecker 分解混合层替代 transformer 前馈层，d=768 时单层参数从约 4.7M 降至 25.6K，每 token 计算约为原来的五分之一，契合端侧权重读取瓶颈。
推荐理由：量化明确的架构创新，直指端侧推理的内存墙问题。
Higgs TTS 3 API 新增文本归一化与词级时间戳：归一化默认开启，可将数字、日期、货币、URL、缩写等改写为口语形式，自动识别中英法德等 14 种语言，也可用 enable_tn: false 关闭。词级时间戳需设 timestamps: true，目前支持英语、中文和西班牙语，其他语言返回 null，且需将 stream 设为 false，与流式同用会返回 400 错误。
WebKit 发布 Safari 27.0，特性数量从 6 月首个测试版的 58 项增至 80 项，并累计修复 844 个问题。新增的 Safari MCP 服务器让 Claude Code、Codex 等编码代理访问 DOM、网络请求、截图和控制台输出，完全在本地运行。可定制 select 通过 appearance: base-select 支持完全重设样式，model 元素扩展到 iOS、iPadOS 和 macOS，visionOS 网站可提供沉浸式环境。
推荐理由：Safari 27.0 一次性放出 80 项特性与 844 项修复，可据此判断哪些新 API 和既有行为变化会影响现有站点。
Needle 3 训练为任意 2-20 层深度都是可部署模型，共享同一残差流，按设备内存预算选择深度而无需为每个尺寸单独训练；文中解释子网络选择、免多轮训练的方法及各深度得分。
推荐理由：一套权重覆盖多种端侧内存预算的工程思路，可跟踪性强。
LiveKit 推出 Startup Program，为符合条件的早期创业公司提供约 23,000 美元总价值额度，包括 7,000 美元推理额度（覆盖 7 家合作方）、10,000 美元 LiveKit Cloud 额度和一年 Scale 计划（原价 500 美元/月）。所有模型通过 LiveKit Inference 调用，无需单独账号或 API key，且默认启用零数据留存。申请者须员工少于 50 人、融资低于 500 万美元，并将语音、视频或物理 AI 作为产品核心。
Google 在 Gemini API 与 AI Studio 上线 Gemini 3.8 Live、3.8 Live Extended Thinking 与 3.5 Transcribe：3.8 Live 为原生语音到语音模型，支持异步函数调用（后台执行工具调用同时继续流式输出音频）、视觉上下文与 97+ 语言；3.8 Live Extended Thinking 在 Artificial Analysis 的 Speech-to-Speech 榜单排名第一；3.5 Transcribe 覆盖 85+ 语言，官方给出平均 WER 4.0%（流式）与 2.6%（非流式）。
推荐理由：实时语音链路上游模型的关键更新，直接影响语音 Agent 与实时转写方案的选型。
LiveKit Server 发布 v1.13.7，新增 VP9/AV1 simulcast 支持，并为 udp:// URL 拉流 ingress 加入可选支持。该版本还让 LocalParticipant 新增 GetSubscribedDataTracks，TCP 监听器上的 TURN 开始接受 PROXY protocol，并修复了数据轨道订阅死锁等问题。
Cartesia 产品博客将音色类比为 LLM 的 system prompt：模型提供通用能力，音色作为输入塑造输出；文中区分固定说话人模型与带音色输入的模型，指出混淆两者会导致语音 AI 设计决策失误。
Tavus 发布音频原生、流式优先的多语言对话理解模型 Sparrow-2，不再依赖降噪和静音计时器，而是保留并分类背景语音、噪声、反馈语和打断等信号，联合建模语义、韵律与说话人身份。在独立基准 TurnBench 的公开 dev split（38 段对话、7.3 小时音频）上，它取得 92.4% 的轮次结束召回和 97.4% 的打断召回，是唯一同时领先两项任务的系统，中位决策延迟 632 ms，7.6% 的轮次结束未被响应。模型以 10 ms 帧率运行，处理 80 ms 音频约需 7 ms，可容忍 6 至 8 秒的思考停顿，现已通过 Tavus API 和平台正式可用。
推荐理由：Sparrow-2 把轮次切换从端点检测改为整体对话状态建模，并给出与十四套系统的基准对比，可据此判断语音智能体在嘈杂环境中的可用边界。
Pipecat 发布 v1.10.0，openai 依赖放宽到 >=1.74.0,<4 并改用 httpx2 构建 HTTP 客户端，TLS 证书改为校验操作系统信任库，精简容器或 TLS 检查代理环境可能需要设置 SSL_CERT_FILE 或 SSL_CERT_DIR。SpeechmaticsSTTService 改为通过 speechmatics-agent-stt SDK 对接 Speechmatics Agent STT（/v2/agent），无法再连接旧实时端点，默认 turn_detection_mode 变为 VAD，默认模型为 linden-1，并移除 SpeakerFocusMode 等一批字段。此外新增 SmallestTTSService 的 continuation API 支持与 max_buffer_delay_ms、LiveKitParams.audio_out_queue_size_ms、GradiumSTTService 的 enable_turn_detection，DeepSeekLLMService 默认关闭 thinking，LmntTTSService 因 LMNT 关停被移除。
推荐理由：版本说明列出了多项破坏性变更与迁移方式，可据此判断现有语音管线是否需要调整依赖或参数。
Live Play Mobile为其24小时宾果直播间加入AI游戏主播，将语言→语音→虚拟形象链路交给声网兄弟公司Agora的对话式AI引擎，游戏逻辑、玩家记忆与主播人设留在自有框架。团队围绕低延迟模型定制语音处理以维持长时间互动的表现力，AI负责24小时多语言运营并把有效话术反馈给真人主播。声网称其方案提供400毫秒平均全球延迟、99.99%正常运行时间，覆盖200多个国家和地区。
Hume 发布 Voice Replication Leaderboard，作为 Real World VoiceEQ Benchmark 的新组件，用 25 条参考语音和 7 条提示词评测 11 个 TTS 模型的语音复刻能力，评分维度包括同一说话人、音质、自然度和 TitaNet 说话人嵌入余弦相似度。结果显示没有模型在所有维度领先：Cartesia sonic-3.6-beta 自然度最高（4.36）但同一说话人仅排第八（3.63），OpenBMB VoxCPM2 同一说话人第一（4.21）而自然度第五（3.96）；音质分数集中在 3.85 至 4.61，同一说话人分数跨度更大，为 2.91 至 4.21。
推荐理由：榜单把说话人相似度、自然度、音质和客观相似度分开评测，并给出按口音与情绪拆分的对比，可供选型时参考。
FunASR 1.4.15 发布，移除 NumPy 版本上限并兼容 NumPy 2，同时修复 KWS 跨包/EOS 边界丢帧、动态 VAD 静音调度计入空闲时间及检查点排序纳入无效验证指标等问题。该版本还新增 MOSS 的 Gradio 配置与离线 vLLM 整段转写示例，支持时间戳和匿名说话人标签。NumPy 兼容性仅在 Linux/Python 3.12、NumPy 1.26.4 与 2.4.0 环境下验证，不保证覆盖所有历史依赖与 GPU 组合。
LiveKit 说明语音智能体日志中的 VAD inference is slower than realtime 警告与 STT、TTS、LLM 模型无关，指的是智能体进程内的语音活动检测模型处理 32ms 音频窗口耗时超过 32ms，警告中的延迟表示 VAD 落后实时音频的程度，Python 以秒、Node.js 以毫秒报告。排查应先排除阻塞事件循环的同步代码，再检查 CPU 负载，可通过 VAD 的 metrics_collected 事件中 inference_duration_total 与 inference_count 的比值判断是 CPU 饥饿还是事件循环阻塞；不要给 VAD 增加线程或调大 max_buffered_speech、num_idle_processes。
推荐理由：LiveKit 官方拆解 VAD 落后于实时音频的成因与排查顺序，可对照日志中的延迟数值定位是 CPU 还是事件循环问题。
声网针对停车场云值守场景，将微信小程序 live-pusher/live-player 组件封装为标准 RTC 接口，解决小程序不支持 WebRTC 协议栈、仅支持 H264 编码的接入难题。其 SD-RTN 网络配合 FEC 与 NACK，实测 80% 丢包下音频仍清晰、40% 丢包下视频基本连贯，并支持多路视频流并发接入与毫秒级首帧出图。
声网发布智能门锁/门铃场景方案，针对电池供电门锁给出量产指标：出图速度小于1秒、全球通话延迟小于400毫秒，SDK增量体积控制在400KB以内、运行时内存占用仅1.2MB。远程开锁走独立实时信令通道，全球端到端延迟低于100毫秒（99分位值），70%丢包下仍保证送达。
声网宣布 iRTE2026 实时智能大会定档 2026 年 10 月 23-24 日举行，是声网年度级别的 RTE 与实时智能方向大会，具体议程以官方页面为准。
推荐理由：声网年度大会动向，通常伴随核心产品与战略发布，值得跟踪。
Chrome 153 加入摄像头与麦克风专用 HTML 元素（浏览器托管 UI，需显式点击授权），并通过 MSE 在 HTML 媒体元素中支持开放免版税空间音频格式 IAMF 的解码播放。
推荐理由：浏览器媒体采集与沉浸式音频格式的双重进展，直接影响 Web 音视频应用形态。
文章介绍多语会话式 AI 能力：检测客户语言并用同一语言实时应答，覆盖 40 余种语言的企业部署场景。
speech-to-speech 项目发布首个大版本 v1.0.0，整合为 serve、talk、local 三个命令，新增 Qwen3-ASR 识别、OpenAI 兼容 STT/TTS 端点、有状态 OpenAI Realtime 转写与实验性 vLLM Realtime 转写，并改进文本/音频/工具调用的有序输出、打断与 会话清理。浏览器演示基于 OpenAI Agents SDK，覆盖 WebSocket 与 WebRTC 两种传输的集成测试，Apple Silicon 默认改用 4-bit Qwen3-4B LLM 与 6-bit Qwen3-TTS。
推荐理由：开源全栈语音对话管线的 1.0 里程碑，命令行与后端生态明显收敛，适合做语音 Agent 自建参考。
以 RAG 检索 top_k 取舍为例讲解 precision/recall 权衡：top-3 高精确低召回、top-50 高召回低噪声风险，指出模型可以靠什么都不做拿到 90% 准确率，因此语音 AI 评估需要更诚实的指标。
Zoom 发布开源 Web 远程医疗入门套件，基于 Zoom Video SDK 构建，覆盖医生与患者注册、预约、设备预览、视频问诊、聊天、屏幕共享、云录制、实时转写和 PDF 文件共享等核心流程。套件采用 Next.js 16、React 19 和 TypeScript，代码托管于 GitHub。官方声明该示例尚未按 HIPAA 合规设计或验证，未经独立安全与合规审查不得用于受保护健康信息。