AWS 对 NDI SpeedHQ 和 JPEG XS 两种中间编解码器做了独立画质基准测试，测量 PSNR、码率和多代编解码损失。测试用 Netflix Sparks 素材的 600–1200 帧、4:2:2 色度采样、60 fps，在 Amazon EC2 C6id.12xlarge 上运行，NDI 用 Advanced SDK 6.3.1，JPEG XS 用 IntroPix CPU Codec 2.40.1。结果显示 JPEG XS 在低压缩比下绝对画质更高但码率更大，NDI SpeedHQ 在低码率下略优且存在质量上限；两者在连续八代编解码中 PSNR 损失均低于 0.5 dB。
推荐理由：AWS 用统一流程对比 NDI SpeedHQ 与 JPEG XS 的画质、码率和代际损失，可据此判断长信号链下选哪种中间编解码器。
LiveKit 发布指南，说明 LiveKit Agents 每个任务运行在独立子进程中，由 supervisor 通过事件循环上的 ping/pong 健康检查监控，循环阻塞会导致响应延迟、进程被杀并在约 15 秒内被新实例替换。内置事件循环监控在 Python livekit-agents 1.8.1+ 和 Node.js @livekit/agents 1.9.1+ 默认开启，对 100ms 及以上的停顿告警并给出阻塞代码行，排查可用 py-spy、asyncio debug 模式和 Node.js 事件循环延迟测量。
推荐理由：LiveKit 官方梳理了阻塞事件循环的日志特征与排查手段，可对照自家 Agent 的告警和 trace 定位问题。
LiveKit 正式发布 Unity SDK v2.0.0，将其从开发者预览转为正式版本，并称该 SDK 已与现有 LiveKit SDK 达到功能对齐。开发者可在 Unity 游戏中接入实时语音、视频和 AI，用于语音聊天、音视频直播、VR 远程操控机器人以及语音 AI 驱动的 NPC。2.0.0 带来移动端和桌面端的原生平台音频、基于 DataTracks 的高频数据消息和可配置 token 源的简化鉴权；官方支持 Unity 2022.3 及以上版本，覆盖 macOS、Windows、Linux、iOS 和 Android。
推荐理由：LiveKit Unity SDK 结束开发者预览并达到与其他 SDK 的功能对齐，可据此判断现有 Unity 项目是否迁移。
Tavus 推出 Presentation Mode，把演示文稿交给 PAL 实时讲解：既可从头讲到尾，也能在提问时调出对应页面，让团队常讲的内容随时可被启动。
推荐理由：PAL 应用形态的重要功能扩展，视频智能体开始承担知识交付。
声网开发者社区分享一个开源 AI 赛事解说员项目，实现让 C 罗解说梅西比赛的效果并登上 OpenAI 社区榜单第二，文章给出实时语音 Agent 的工程实现思路。
推荐理由：世界杯期间的实时语音 Agent 实战案例，兼具趣味性与工程参考。
LiveKit 以酒店前台参考 Agent 为例，讲解如何让语音 Agent 不脱离脚本：先用结构化提示词设定身份与护栏，再用确定性代码强制校验规则，如用 Python 做卡号长度与 Luhn 检查、用 max_tool_steps 限制工具调用链。文章强调提示词防护对蓄意攻击很弱，真正的规则必须在代码层执行。
Agora 实验室用 iPhone 13 加人工发声设备、可控网络模拟丢包、双轨录音逐帧取时、每项 n=30 的方法测试三代 ChatGPT 语音模式：GPT-Live-1 正常网络中位响应 1099ms（P90 1203ms、SD 104ms），Advanced Voice Mode 为 1304ms（P90 2318ms、SD 489ms），Standard 级联模式 5197ms；10% 上行丢包下 GPT-Live 仅增 314ms，同级丢包的 P90 仍优于零丢包的上一代；插话停止延迟中位数 1399ms 比上一代慢 498ms，但背景人声误触发从 22 次降到 1 次。
推荐理由：方法论透明、样本量与局限都交代清楚的端到端延迟实测，弱网下的对比尤其有信息量。
Tavus 推出 Magic Canvas，为每次 PAL 对话提供共享交互画布：可即时调出按讨论数字动态绘制的图表、可选项的日历等组件，用户操作 PAL 实时可见并即时回应。
推荐理由：对话内交互组件是视频智能体从纯对话走向任务完成的关键功能。
AOMedia 官方 AV1 编码器 SVT-AV1 4.2.0 在 VOD/随机访问模式新增 TUNE-VMAF 目标模式，宣称可带来约 15% 的 VMAF BD-rate 收益而 PSNR 损失极小，并支持单线程处理模式；在 RTC/低延迟模式加入基于 Kalman 滤波 QP 估计的 CBR 率控、循环刷新、帧级重编码以及运行时动态调整预设/码率/帧率的能力，同时补充 LTR 参考帧管理 API 与大量 Arm NEON/SVE2 优化。
针对 OpenAI 未公布 GPT-Live 的端到端时延，Agora 自行搭建测试并公布实测数据，为语音 Agent 开发者选型实时语音模型提供延迟参考。
推荐理由：第三方对 GPT-Live 时延的受控实测，是实时语音模型选型的稀缺数据点。
Cartesia 发布语音转文本模型 Ink-2，面向实时语音代理，称其在 Artificial Analysis 流式榜单上以最低词错误率排名第一，并内置语义端点检测。官方数据显示其 Time-to-Final-Transcript 为 0.1s，在 14 种英语口音的 AppTek 基准上 WER 为 8%，内部生产环境基准 WER 为 6.5%，轮次检测 F1 为 93%。Ink-2 已在 play.cartesia.ai 上线，可通过 API 使用，并接入 LiveKit、Vapi 和 Pipecat，多语言支持尚在开发中。
推荐理由：官方给出 Ink-2 在准确率、轮次检测和延迟三项指标上的对比数据，可据此判断语音代理的选型取舍。
声网博客整理了5个可直接上手的免费语音AI工具，覆盖TTS、ASR与端到端语音对话链路。Bosonai Higgs TTS 3以4B参数提供零样本声音克隆和100+语言支持，API免费限速且兼容OpenAI格式；HuggingFace开源语音栈由Parakeet、Gemma 4 31B和Qwen3TTS组成，已在超9000台Reachy Mini机器人上部署。其余为浏览器转录工具SoundWise、支持单词级编辑的开源TTS ViiTorVoice，以及研究导向的扩散式ASR模型。
Tavus 宣布 PAL 可像邀请同事一样加入 Google Meet：开摄像头、跟随对话并实时应答，可做会议记录、随行销售通话或主持站会；官方称 Zoom 与 Microsoft Teams 支持为下一步。
推荐理由：AI 视频智能体深度嵌入主流视频会议平台，是行业级产品动作。
livekit-agents 1.6.0（2026-06-11）起支持异步函数工具：工具是同步的直到它调用 await ctx.update(message)，首次调用会立即把控制权交还给 LLM 并以该消息作为工具返回值，语音 Agent 因此可以先播报进度、后台继续执行，后续更新只在 Agent 与用户都空闲时播报。文章以退款场景演示（验证订单 6 秒 + 出款 8 秒，共约 14 秒静默导致用户挂断），并给出可取消工具（cancelable 标志会向 LLM 暴露取消工具）、重复调用的四种处置模式以及 ctx.with_filler() 在更新间隙插入填充语音的写法。
推荐理由：针对语音 Agent 工具调用冷场这一高频体验问题，给出可直接复制的框架级实现。
Agora 推出官方 CLI，开发者可在命令行完成 Agora 项目创建、配置与管理等操作，减少在控制台与代码间来回切换的成本。
推荐理由：开发者工具链的补全，对 RTE 平台工程化接入有实际意义。
Cartesia 提出按真实用例而非实验室基准选择语音 AI 模型，指出演示中 600–800ms 的往返延迟在真实电话网络上会升至 2–4 秒、P95 达 5 秒。评估 ASR 应看完整转写时间 TTCT 而非首 token 延迟，端到端低于 200ms 对话才自然，超过 1 秒用户会重复发言；轮次检测的精确率与召回率决定打断和响应表现。
Cartesia 发布语音 AI 术语入门指南，梳理构建对话式语音 AI 所需的 20 个关键术语，涵盖 STT、VAD、TTS 等核心语音处理链路概念。文章指出，打断处理、轮次检测和语音隔离等能力决定语音代理的对话体验，其 Ink-2 STT 模型已将轮次检测内置，无需单独集成 VAD 模型。
声网开源的实时多模态对话 AI 框架 TEN Framework 把 STT、LLM、TTS、VAD、Turn Detection 等环节抽象为可插拔 Extension，用 Graph 定义数据流并并发调度，换模型只需改配置。其 Turn Detection 基于 Qwen2.5-7B 做语义级打断判断，支持中英文，传输层支持 RTC、WebSocket、SIP。按 Demo 流程配置 Agora、Deepgram、ElevenLabs、OpenAI 的 Key 后，约 20 分钟可跑通。
声网针对出海语聊房给出 AI 降噪配置策略：中东中央空调等稳态噪声用传统降噪（WebRTC NS）已够用，市集、水烟咖啡馆的非平稳人声背景才是 AI 降噪优势区。东南亚弱网下，丢包率超过 5% 时部分 AI 降噪模型会因帧缺失产生噪声伪影；骁龙 400 系列等入门芯片叠加混音与编解码后 CPU 占用可能超过 70% 并触发热节流，通话 10–15 分钟后音频不连贯。声网建议按设备档位与丢包情况动态选择 AINS 强度，低端设备任意网络下用传统 NS。
推荐理由：声网按中东与东南亚两类噪音环境给出 AINS 档位与降级配置，并说明低端设备弱网下传统降噪更稳的边界。
出海语聊房选 RTC SDK 不能拿国内测试结果做参考，应优先确认目标市场有无本地节点、弱网丢包恢复表现如何。可用 tc netem 注入 5%、10%、15% 丢包自测卡顿与断流恢复，并核查厂商节点城市列表。声网 SD-RTN 覆盖全球 200+ 国家地区，采用私有 UDP 协议，Yalla、Kumu 等大房间场景为其生产案例。
Ampere 向 FFmpeg 捐赠了一台 AmpereOne（Mt. Mitchell）2U 服务器，配备 192 个 Arm 核心、512 GB 内存、24 个 NVMe 盘位和 2×25G 网络。为表庆祝，Dascha（daschasara）响应 FFmpeg 征集非 AI 艺术作品的号召，为其绘制了一幅画作。
Netflix 发布 VMAF v1（模型随 libvmaf v3.2.0 于 2026-06-20 上线）：在 DLM 基础上加入 AIM 分量以修正 v0 低码率下偏向切高分辨率、偏爱压缩伪影的系统性偏差；以基于归一化观看距离的特征调整取代 v0 手机模型的二阶多项式映射，避免手机端画质高估；整合 CAMBI 色带检测与色度特征，并将 NEG（抑制增强处理虚增分数）默认开启。v1 提供 1080p、phone、4K 近距/常规观看距离模型，HDR 版本在开发中。
推荐理由：VMAF 是行业事实上的编码评估标准，v1 对系统误差的修正会改变各家的码率梯设计与编码器对比结论。
LiveKit 发布端到端话轮（end-of-turn）检测模型 v1 与 v1-mini，直接对用户音频推理而不依赖转录，把语义分支（音频编码器+适配器+微调 LLM）与声学分支（时序、韵律）融合为单次判定，因此不再需要等待最终转写、也不依赖历史轮次上下文；同时开源 eot-bench 基准与覆盖英语及 13 种语言的真实话轮数据集。官方评测称在 300ms 延迟预算下误打断率 9.9%（Deepgram Flux 12.9%），600ms 预算下降至 4.5%。v1 在 LiveKit Cloud 上对自托管 Agent 免费并设为默认，v1-mini 为同一架构的开放权重模型（代码 Apache-2.0），随 Agents SDK 分发（Python 1.6.1 / TypeScript 1.4.7）。
推荐理由：话轮检测是语音 Agent 自然度的核心难点，该版本给出公开基准、多语言实测与默认可用路径。
把弱网分为带宽抖动、高丢包、高延迟、持续拥塞四类，对应三件武器——自适应编码动态调码率与量化参数、弹性帧率从 60/120fps 平滑降到 30fps、关键帧与参考帧选择性重传；核心是用智能码控统一决策“降码率 vs 降帧率 vs 加重传”，避免编码器与重传模块策略打架导致总带宽失控。
推荐理由：讲清了多机制并发时的策略冲突与统一指挥思路，对自建弱网策略编排有启发。
文章拆解腾讯云音视频对话式 AI 服务的 TRTC+ASR+LLM/KB+TTS 端到端架构，覆盖客服、教育、出海同传与直播 AI Host 场景，提及中英及 20+ 小语种识别与 15 种语言实时互译等能力。
推荐理由：腾讯云对话式 AI 服务的架构与能力盘点，便于快速把握其产品边界。
文章面向产品团队讲解 AI SDK 的能力谱系，从文本、语音延伸到具备全栈数字人的会话式视频集成。
LiveKit 梳理降噪在音频链路中的三处落点——Agent 内（服务端处理入站音频，语音 AI 的推荐默认）、客户端 SDK（麦克风侧，支持 Krisp 与 WebRTC noiseSuppression）、SIP 中继（电话场景）——并区分两类增强模型：“背景噪声抑制”只去除非语音噪声、保留所有说话人，适合多说话人/说话人分离；“人声隔离”（BVC）进一步压制竞争人声、只留主说话人，适合单说话人如呼叫中心。文章强调两个增强模型不要串联在同一路音频上（模型按原始音频训练，二次处理会导致转写准确率下降，但标准 WebRTC 噪声抑制与回声消除可同时开启），并说明语音 AI 建议在 Agent 内降噪、直播在客户端、无 AI 的电话在中继上降噪。
推荐理由：降噪是语音 Agent 转写与话轮检测质量的前置环节，给出了清晰的落点与模型选择规则。
用 Ookla 2025 数据定位战场：印尼移动均速 45.01Mbps（低于东南亚均值 91.79）、外岛 3G 常态，丢包超 10%、抖动超 100ms 时音频流明显劣化；给出四件套的适用边界——FEC 适合 10%-30% 丢包且 RTT>150ms（代价 10%-30% 带宽）、NACK 要求 RTT<150ms 且丢包<10%、Opus 从 32-64kbps 降级到 8-12kbps、动态 Jitter Buffer 工作范围 60-200ms，并强调本地节点对 RTT 的实质影响与 tc netem 测试方法。
推荐理由：少见的按目标市场网络实测数据反推弱网策略的实战文，参数边界清晰可落地。
LiveKit 基于自身实时基础设施发布面向机器人的遥操作、数据采集与远程推理生产级方案（LiveKit Portal），延续其在多参与者机器人场景的布局。
推荐理由：实时音视频进入物理 AI/机器人遥操作场景的代表性产品方案。
Gemini 3.5 Live Translate 自动检测 70+ 语言并生成保留语调、节奏与音高的译文语音，与逐句等待的系统不同，它在保留上下文与即时翻译间权衡，全程仅落后说话人数秒。该模型经 Gemini Live API/Google AI Studio 公开预览，Google Meet 会议翻译语言上限从 5 种提升到 70+，并同步落地 Google Translate App。
推荐理由：实时语音翻译从轮次制走向流式制，LiveKit、Agora、Pipecat 等平台同日宣布接入，生态影响广。
NVIDIA 发布多语言语音转文字模型 Nemotron 3.5 ASR，同时提供多语言版和仅英文版 Nemotron 3 ASR 检查点，完全开源、可微调并支持自托管。作者在 Pipecat stt-benchmark 中测得该多语言模型速度超过基准中其他模型且准确率尚可，仅英文版速度相当、准确率接近当前最高分模型。延迟可通过音频处理 chunk size 调节，在 NVIDIA L40S 上以最低延迟配置可安全承载约 96 路并发转写，作者估算企业自托管成本约 $0.05/小时，而主流转写 API 通常为 $0.10-$1.00/小时。
推荐理由：作者用开源基准给出 Nemotron 3.5 ASR 的延迟与准确率位置，并附自托管成本与并发配置，便于评估语音代理选型。
LiveKit 官方推出 C++ SDK 1.0，为 C++ 应用提供实时音频、视频与数据通道能力，官方定位面向机器人、低延迟 AI 推理和高性能媒体管线场景。
推荐理由：补齐 LiveKit C++ 生态的关键产品更新，直接影响机器人与端侧实时音视频开发。
文章梳理基于 TRTC 的实时对话式 AI 方案：打断默认 500ms（可调 300-5000ms）、STT/LLM/TTS 全链路流式处理、兼容 2 万种以上设备型号，并给出教育与硬件等场景的落地路径。
推荐理由：TRTC 在 AI 对话场景的方案级实践，含可查证的工程参数。
文章对比两条技术路径：语聊房走 RTC/UDP 通道（端到端 100–400ms，靠 FEC/ARQ 抗抖动），直播间走 RTMP 推流 + HLS/FLV 拉流（10–30 秒，低延迟 FLV 约 1–3 秒），并以 Yalla（纯 RTC、单房 2000 人）与荔枝（CDN 直播 + 偶尔连麦）说明选型差异，指出混合架构需维护两套延迟体系、排查成本高。
2026年5月开源TTS横评覆盖Higgs Audio V2、Kokoro-82M、VibeVoice-1.5B、CosyVoice 2、Fish Speech和F5-TTS六款模型，按音质、速度、中文能力与资源消耗对比。CosyVoice 2中文自然度MOS 4.7居首，Higgs Audio V2情感表达4.7最强，VibeVoice-1.5B单次可生成90分钟、4说话人长音频。Kokoro-82M仅82M参数、4GB VRAM即可运行，Fish Speech协议为CC BY-NC-SA不可商用。
针对“开视频会拖累音频”的外部说法，作者在 LiveKit Cloud 上做三组 60 秒对照测试：纯音频时约 50kbps、0% 丢包、约 7ms 抖动、约 27ms RTT；加入 720p 摄像头（2.3Mbps）和屏幕共享（合计 3.9Mbps）后音频的码率、丢包、抖动、RTT 均无变化，视频侧则自动降码率；作者同时列明局限：单设备、单地点、理想网络、仅测音频带宽/丢包/抖动。
推荐理由：用可复现的对照实验回应具体性能质疑并如实标注测试边界，是少见的音频质量实证。
声网 SD-RTN 通过在全球部署 250 多个数据中心，用持续链路探测与实时并行计算调度数据流路由，实现毫秒级超低延迟传输。调度不只看平均延迟，还关注特定时延内的包投递成功率，并综合节点负载、QoS 要求和业务类型选路。面对突发故障，系统以多路并发冗余在可靠性与带宽成本间取舍，并针对不同区域网络特性做适配优化。
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。
SD-RTN 以全球 200 多个数据中心（文中另处称 250+）组成软件定义实时网，用基于 UDP 的多路复用传输协议与智能调度系统做动态路由；对外给出分档质量承诺：200ms 内包到达率 99.9%（RTC）、800ms（极速直播）、2s（一般直播），并说明 FEC、自适应码率等弱网对抗手段与传输层加密、抗 DDoS 机制。
推荐理由：厂商自述底层传输网的架构与可量化 SLA 指标，是理解 RTC 私有传输网络的直接材料。
为解决 HDR 与 SDR 内容同屏混排时高光裁切、画面发灰，以及环境光变化导致显示亮度漂移的问题，Google 联合 Apple、NBCUniversal 制定 SMPTE ST 2094-50：一是用 Reference White Anchor 把普通内容的最亮部分映射到固定基线、把额外亮度留给 HDR；二是 Headroom-Adaptive Gain Curves，把适配指令写进视频文件，屏幕余量不足时按创作者意图压缩暗部与中间调以保留高光细节。
推荐理由：跨厂商的新 HDR 元数据标准，直接决定 HDR 视频在不同亮度屏幕与光照环境下的呈现。