draft-frindell-moq-subscription-flow-control-00：MOQT 订阅级流控扩展
Meta 与 Google 作者联合提出的 MoQ 草案（2026 年 10 月），为 MOQT 定义订阅级流控扩展：订阅者可限制单个订阅的 subgroup 流数量与总字节数，包含 Setup 协商、信用授予消息与会话错误码。
#低延迟
IETF MoQ 工作组文档评分5858
声网博客精选评分6060 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。
Tavus Blog评分2222 Tavus 解析实时视频智能体的 AI 微服务架构：拆分感知、对话流、推理与面部行为
Tavus 提出用 AI 微服务架构拆分实时视频智能体，将感知、对话流、推理和面部行为生成拆为四个可独立部署、独立扩缩容的服务，避免单体架构中一处卡顿导致整张脸冻结。感知服务输出上下文陈旧度不超过 300ms，行为生成需维持 1080p 下 40fps，并满足 ITU-R 音频领先视频 45ms、滞后 125ms 的可察觉阈值。
ElevenLabs Blog精选评分6767 ElevenLabs 发布 Eleven v4 与低延迟版 Eleven v4 Turbo 语音模型
ElevenLabs 发布文本转语音模型 Eleven v4 及其低延迟版本 Eleven v4 Turbo，称 Eleven v4 在 Artificial Analysis 排名第一，并在与 Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS 和 Gemini 3.8 Flash TTS 的盲测对比中被约 75% 听众偏好。Eleven v4 Turbo 面向语音代理等低延迟场景，中位推理延迟约 100ms，中位首次发声时间约 150ms，与 ElevenAgents 平台协同优化。两款模型支持 90 多种语言，Instant Voice Clones 用 10 秒音频即可克隆，并新增 Professional Voice Clones 支持，现已上线 ElevenAgents、ElevenCreative 和 ElevenAPI。
推荐理由：官方给出两款新模型的延迟、盲测偏好与克隆门槛，可据此判断语音代理和配音场景是否值得迁移。
声网博客评分3030 Meta Connect 2026：当语音成为超级智能的入口
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。
Meta AI Research Blog精选评分7474 Meta 发布 Muse Realtime Avatar 实时数字人系统
Meta 推出 Muse Realtime Avatar，把 Muse Realtime Voice 的语音 token 流转化为同步的实时数字人视频，支持面部、手部和全身动作。系统采用自强制与分布匹配蒸馏，将每个视频块的推理从教师模型的 120 次评估降到 2 次，减少 60 倍。它以 448x768、25fps 输出，从用户说完到收到音视频首字节约 870 ms，单张 GB200 可支持 12 路并发实时会话，并嵌入 Meta Video Seal 隐形水印。
推荐理由：Meta 公开了实时数字人系统的蒸馏方案与端到端延迟、并发数据，可对照自身实时视频生成链路。
Tavus Blog精选评分5858 实时视频 AI 集成模式开发者手册：延迟预算、WebRTC 架构与自建或采购
文章给出实时视频 AI 的集成手册：如何设定延迟预算、选择 WebRTC 架构、权衡自建与采购，以及全管线集成要点。
推荐理由：覆盖延迟预算与 WebRTC 架构决策，对实时视频 AI 工程落地有直接参考价值。
声网博客评分2222 声网智能门锁方案：电池供电设备如何做到秒开秒看与远程开门
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。
AWS Media Blog评分3838 用 AWS Elemental MediaConnect Router 构建冗余直播视频工作流
AWS Elemental MediaConnect Router 支持跨区域路由、自动源故障切换和包级源合并，可构建三种冗余架构：单管线约 99.7%、双管线约 99.999%、带交叉连接的双管线约 99.9999% 可用性。交叉连接需使用带两路输入的标准（双管线）MediaLive 通道，且依赖自动化跨区域 take action 工具。
声网博客评分2222 旅游高峰期的 AI 语音助手：如何接住暴涨的咨询量
声网对话式 AI 引擎为旅游平台 AI 语音助手提供实时交互底座，端到端响应延迟可低至 650 ms，打断响应 340 ms，选择性注意力锁定可屏蔽 95% 的环境人声和噪声干扰。该引擎在 80% 丢包率下仍可维持语音对话，断网 3 至 5 秒时也能继续处理连接恢复后的交互，酒店政策、订单状态等业务数据仍由平台自有系统提供。
AWS Media Blog精选评分6262 AWS 对比 NDI SpeedHQ 与 JPEG XS 的编解码画质基准
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。
声网博客精选评分7474 声网首测 GPT-Live：响应延迟中位数 1099ms、波动缩 5 倍
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。
LiveKit Blog精选评分8080 LiveKit 发布 Turn Detector v1 话轮检测模型，300ms 延迟预算下误打断率 9.9%
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。
声网博客评分2222 声网 SD-RTN 的全球节点调度算法：如何实现毫秒级延迟
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。
声网博客精选评分6262 声网拆解首帧渲染时间：从信令到渲染的分段优化方法
把首帧时间拆为信令连接、ICE 协商、设备初始化、编码传输、解码渲染五段分别埋点统计；优化手段包括信令就近部署与预连接、Trickle ICE 边收集边检查、进入大厅即预初始化摄像头、首帧降码率与优先传输、以及进度提示与头像占位；并分场景给出策略——1v1 追求绝对速度、多人会议分批加载防设备过载、直播权衡首帧与缓冲。
推荐理由：首帧优化的完整方法论，分段统计与分场景策略可直接用于体验优化。
LiveKit Blog精选评分7070 LiveKit 逐项对比语音 Agent 两种架构：STT-LLM-TTS 级联与端到端 Realtime
LiveKit 对照级联管线（STT-LLM-TTS）与实时端到端（S2S）模型在延迟、工具调用、话轮检测、语音自然度、可控性与调试、成本、合规与电话场景上的差异：实时模型在情绪与韵律感知、串行开销上有结构优势，但工具调用准确率与可定制性较弱；管线在每层可观测、可替换、可在文本层脱敏 PII、可做区域数据驻留上更可控，但需要靠流式重叠（部分转写进 LLM、token 边到边进 TTS）才能压到接近实时模型。文章另给出两种混合方案：realtime 模型配独立 STT，以及半级联（realtime 只出文本、由独立 TTS 出声）。并指出电话网络为 8kHz G.711 音频，而实时模型多按 16–48kHz WebRTC 音频训练，呼叫中心场景管线通常更可靠。
推荐理由：语音 Agent 架构选型的系统性对照，覆盖延迟、工具调用与合规等实际决策维度。
LiveKit Blog精选评分6262 LiveKit 拆解 talker-reasoner 模式：快慢双模型加异步工具，让语音 Agent 不阻塞
LiveKit 介绍 subagent delegation（又称 talker-reasoner、快脑慢脑）模式：每个会话轮次由延迟优化的主 Agent（示例用 google/gemma-4-31b-it）处理，需要多步推理或慢工具的任务交给后台推理模型（示例用 google/gemini-3.1-pro），两者仅通过一个异步工具连接——主 Agent 调用后首次进度更新即释放对话，可继续应答或追问，子 Agent 结果在空闲时以追加回复返回，且会话历史不进入子 Agent 以保持轮次成本低。文章同时给出不适用情形：答案需先核实（价格、医疗建议）、单个快模型已够用、主 Agent 无事可做只能念填充话术、以及通话普遍短于 30 秒。
推荐理由：面向长耗时推理的语音 Agent 编排模式，给出了可落地的分工与适用边界。
声网博客精选评分6464 声网 IPC 秒开实践：Chrome 端首帧压到 300ms 以内
声网把首帧定义为“视频第一帧在本地渲染显示”的结果指标，从关键帧触发、建链协商、路径选择、终端渲染四处下手：建议引擎提前创建初始化、enableVideo 前设好编码配置，参考最佳实践后 Windows/macOS Chrome 首帧最低可降到 300ms 以内；方案整体给出 99.9% 连通成功率、SD-RTN 覆盖 200+ 国家、全球延时中位数 <76ms、80% 丢包下仍流畅。
推荐理由：有明确数字的首帧优化案例，且强调弱网与跨国条件下的首帧成立概率。
Daily.co Blog精选评分7171 Pipecat 发布语音智能体 STT 基准：对比 10 家服务的延迟与语义准确率
Pipecat 团队发布面向实时语音智能体的 STT 基准，在 1000 条真实人类语音样本上测试 10 家 STT 服务，同时衡量转写延迟（TTFS）与语义准确率。中位延迟上 Deepgram Nova 3（247ms，1.62% WER）、Soniox（249ms，1.29% WER）、Speechmatics（495ms，1.07% WER）位于帕累托前沿。基准用 Claude 做语义 WER 评估，只统计会导致 LLM 理解不同的错误，并强调 P95 延迟与 finalization 支持比中位数更影响对话体验；代码已在 GitHub 开源，Pipecat 0.0.102 起可设置 ttfs_p99_latency 参数。
推荐理由：Pipecat 团队用 1000 条真实语音对比 10 家 STT 服务的延迟与语义准确率，并给出可自行复现的基准工具。
声网博客评分5252 声网讲解 SRT 协议：选择性重传、AES 加密与延迟窗口权衡
SRT 基于 UDP 引入序列号与时间戳，用选择性自动重传替代 TCP 的顺序阻塞重传以避免队头阻塞，并可在配置的延迟窗口内换抗丢包能力；协议层内置 AES-128/256 端到端加密、传输层统一时间基准做音视频同步、仅出站连接简化防火墙穿透，还持续监测丢包/RTT/带宽/抖动以自适应调整；定位为专业直播与远程制作的低延迟传输方案。
声网博客评分5454 声网对比 RTC 与 CDN+RTMP：延迟 3-10 秒对 200-800ms
从协议本质对比两种方案：RTMP 基于 TCP，网络抖动时反复重传导致数秒至十几秒延迟；声网基于 UDP 私有协议加全球 200 多个节点调度，平均延迟 200-800ms、抗丢包率称可达 70%-80%；文中给出维度对比表（延迟、抗丢包、连麦体验、全球覆盖、成本）与大型发布会、电商带货、出海三类场景的选型建议。
Cartesia Blog精选评分5555 Cartesia 发布语音智能体开发平台 Line
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。