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。
#实时音视频
LiveKit Blog评分3030 LiveKit Agents Releases评分2222 LiveKit Agents 发布 2.0.0b1 版本
LiveKit Agents 发布 2.0.0b1 版本，对应提交 9946b6d，由 github-actions[bot] 协作完成。该提交在 GitHub 上创建并带有已验证签名，随版本附带 2 个资源文件。
IETF WISH 工作组文档精选评分7878 RFC 9725 定稿：WebRTC-HTTP 摄取协议 WHIP 成为正式标准
WISH 工作组的 WHIP 于 2025 年 3 月发布为 RFC 9725（Standards Track），定义基于 HTTP 的简单协议，让 WebRTC 内容可标准化地推入流媒体服务与 CDN，同时更新 RFC 8840 和 RFC 8842。
推荐理由：WHIP 从草案转正为正式 RFC，是 WebRTC 推流标准化的行业级节点。
IETF MoQ 工作组文档评分6565 draft-ietf-moq-loc-04：面向交互式 MOQT 的低开销媒体容器 LOC
Cisco 与 Microsoft 作者联合提出的低开销媒体容器（LOC）草案第 04 版，定义编码及加密音视频数据的轻量封装，主要服务交互式 MOQT 场景，并与 MSF 目录机制配合声明和消费 LOC 轨道。
ElevenLabs Blog评分2222 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。
Cartesia Blog评分2222 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。
LiveKit Agents Releases评分2222 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。
Jitsi Blog评分4242 meet.jit.si 会议时长将限制为 95 分钟，更多变更即将到来
Jitsi 宣布 meet.jit.si 上的会议从即日起限制为 95 分钟，并预告将有更多变更。该公告由 Jitsi Meet 团队发布，未说明限制原因及后续变更的具体内容。
ElevenLabs Blog评分2222 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。
WebKit Blog评分2222 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。
LiveKit Blog评分2222 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。
LiveKit Blog精选评分6262 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。
mediasoup Releases评分3636 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。
mediasoup Releases评分4242 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。
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。
LiveKit Agents Releases评分2222 LiveKit Agents 1.8.5 发布：新增粘性 LLM 回退路由与 Boson Avatar 插件
LiveKit Agents 1.8.5 新增粘性 LLM 回退路由，并加入 Boson Avatar 插件与 AWS Nova Sonic 2.5 支持。该版本还修复了 Google Vertex AI 工具响应携带调用 ID、OpenAI 实时重连时重放函数调用及输出、ElevenLabs WebSocket 预热等问题，并更新 pyjwt 至 v2.15.0。
LiveKit Blog评分3838 Retell、Vapi 与 LiveKit 语音 AI 智能体对比：面向开发者的选型指南
LiveKit 从四个工程问题对比 Retell、Vapi 与 LiveKit 三款语音 AI 智能体平台：上线后由谁迭代、需求超出默认配置时如何改动、是否需支持电话之外的 Web、移动、视频与 WhatsApp 等渠道，以及规模化成本。三者每分钟全包成本估算分别约为 $0.070–$0.310、$0.070–$0.116 和 $0.037–$0.099，仅 LiveKit 支持 Apache 2.0 开源与自托管。
Tavus Blog评分2222 不显人工的 AI：PAL 如何改变一切
Tavus 提出 Personified Application Layer（PAL），把感知、共情与记忆打包成可面对面交谈的应用，并给出 Tavus Turing Test 分级：Stage 0 只有渲染的脸和声音，Stage 0.5 具备人格但上下文限于单次会话，Stage 1 才是能跨交互记忆、推理并主动行动的持久 PAL。Tavus 称该测试是面向 PAL 团队的设计成熟度模型，并非经外部验证的基准。
Boson AI Blog评分2222 对话 Vincent Wargnier：用 Compass 语音智能体赢得 Higgs Realtime 黑客松
Vincent Wargnier 与 Nayl Ahmadulin 在赛前五天组队，凭 Compass 拿下 Boson AI 的 Higgs Realtime 黑客松第一名。Compass 是能在后台搜索、推理并执行建站等重任务的同时保持自然对话的语音智能体，不会因工具运行而沉默，而是继续提问、吸收中间结果。Wargnier 认为现有语音智能体在长任务中要么静默、要么只给无用状态提示，这正是其想解决的问题。
Tavus Blog评分1515 如何用 Tavus PALs 构建能实时回答买家问题的 AI 产品演示
Tavus 用 Personified Application Layers（PALs）构建实时 AI 产品演示，让 AI 数字人在直播演示中即时回答买家的定价、集成与安全问题，并当场预约会议。其 Phoenix-4.5 面部行为引擎支持 10+ 种可控情绪状态，Raven-1 多模态感知以低于 100ms 延迟融合语气与表情，Sparrow-2 在 TurnBench 公开开发集上达到 92.4% 轮次结束召回率。
Tavus Blog评分1717 AI copilot 与 AI agent 如何选：自主性、触发方式与问责决定适用场景
Tavus 撰文对比 AI copilot 与 AI agent 的产品选型：copilot 在人工任务内提供草稿与建议、由人保留否决权，agent 则接受目标后自主调用工具直至完成。文章引用 Gartner 定义与四级自主性分层，指出二者在自主性、触发范围、问责归属和集成范围四个维度分化，并强调当对话本身即交付物时，需要真实在场感的 AI 视频 agent。
Tavus Blog评分1515 最佳 AI 客服软件对比：Tavus、Anam、UneeQ 等八大平台横评
Tavus 在八款 AI 客服平台横评中位列第一，其 Conversational Video Interface 通过托管 WebRTC 连接实现低于 200ms 的响应延迟，Sparrow-2 模型在 81% 的轮次结束点达到人类典型应答时机。Anam 以单张照片生成数字人并公布低于 1 秒的中位对话延迟，UneeQ 则面向受监管企业提供云、混合与本地部署。评测按渠道覆盖、知识 grounding、工单系统适配、定价与合规等维度排序。
Tavus Blog评分2222 如何用 2 分钟视频创建 AI 克隆：Tavus 详解录制、训练与实时 PAL 部署
Tavus 介绍用约 2 分钟视频训练 AI 克隆的完整流程：在 PAL Maker 中上传片段、选择训练路径并预览 Replica，录制需 1080p、25fps 以上，且包含至少 30 秒说话片段。实时 PAL 通过 Raven-1、Sparrow-2、Phoenix-4.5 等模型实现 40fps 1080p 面部渲染与约 30ms 知识库检索，并借助 Persistent Memory 跨会话记忆。
Tavus Blog评分1212 实时 AI 反馈：视频智能体如何在对话中即时改进表现
Tavus 提出用实时视频智能体在对话进行中给出反馈，而非事后评分卡，可捕捉语气、节奏和犹豫等文字记录无法呈现的信号。其 PAL 在面试练习场景中已记录 120 万分钟以上练习时长，用户在与真人感面试官互动时停留时长增加 42%、完成会话数增加 35%。
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。
Tavus Blog评分1212 什么是数字孪生，它与 AI 复刻人有何不同？
数字孪生是某个特定物理对象的虚拟模型，靠传感器数据持续同步、实时更新，用于监测、预测和决策，ISO 23247-1 将其定义为可观测制造要素的适用数字表示。它与仿真、复刻人的区别在于：仿真无实时数据，复刻人只从录制视频训练一次、不再与本人重新同步。Tavus 认为，把复刻人称作数字孪生会误导用户以为存在实时连接，并建议用 Replica 加 Personified Application Layer（PAL）来区分外观声音与对话系统。
Jitsi Blog精选评分6262 Jitsi Meet 推出多屏支持，单次会话可渲染到多个显示器
Jitsi Meet 新增多屏支持，一次会话可把演讲者画面、屏幕共享、白板等分别渲染到多个显示器，无需重复入会。第二屏通过 React portal 复用同一 redux store 和组件，视频轨道用 track.clone() 克隆且不增加解码；由 iframe External API 的 setSecondScreen 命令和三个事件控制，也可在参会者右键菜单等处触发。该功能默认关闭，需配置 secondScreen.enabled=true 开启，目前仅支持 Chromium 系浏览器，且需要弹窗和窗口管理两项权限。
推荐理由：Jitsi Meet 新增多屏渲染能力，读者可了解其与开两个标签页在参会者身份和媒体订阅上的差别。
声网博客评分4242 从 RTC 2026 看行业关注重心偏移：语音AI正成为实时系统研究主战场
IIT RTC Conference 2026 将"AI in RTC"设为与 WebRTC 并列的独立分论坛，语音AI对实时系统提出的规模、延迟、信任问题被正式承认为独立研究方向。会议讨论指出，语音AI路径天然非点对点，TURN中继转发压力随并发迅速堆高，可用eBPF将ChannelData包转发下沉内核层；一次对话约800毫秒延迟预算中，端点检测最难做准。2026年8月公开评测显示，语音端到端延迟最快已达0.44秒。
Pipecat Releases精选评分6262 Pipecat v1.12.0 发布：新增分类器与 MOQ 客户端重连，TTS 支持 IPA 发音映射
Pipecat 发布 v1.12.0，新增 Pipecat Classifiers，可通过 JevClassifier 或 LLMClassifier 对状态提出是/否、选择与评分问题，并新增 TTSService.pronunciation_transform_ipa() 用词到 IPA 的映射控制专有名词发音。MOQTransport 增加客户端模式重连，断线后按退避重拨，MOQParams.connection_timeout 默认由 30 s 改为 60 s；同时弃用 UninterruptibleFrame、BaseUIWorker 等接口，将在 2.0.0 移除。
推荐理由：版本说明覆盖分类器、MOQ 重连与语音合成发音等多项能力变化，并列出弃用与移除项，便于评估升级影响。
Pion webrtc Releases评分2222 Pion WebRTC v4.2.22 发布：TCP mux 写缓冲提升至 4 MB
Pion WebRTC 发布 v4.2.22，将 TCP mux 写缓冲设为 4 MB，并处理了媒体方向被省略的情况。该版本自上一版以来共合并 16 个提交到 main 分支。
Tavus Blog评分5252 视频外联 3x 回复率核查：Salesloft 1.34 亿封邮件实测回复率提升 26%
文章核查流传的 3x 回复率：该数字源自 Sendspark 营销内容、无公开方法学；方法学最透明的是 Salesloft 对 1.34 亿封邮件（含 450 万封带视频）的分析，打开率提升 16%、回复率提升 26%；文末给出 CRM 触发的 PAL 外联工作流。
Tavus Blog评分5252 会话式视频 AI API 开发者指南：Tavus 梳理 API 分类与生产化路径
文章面向开发者梳理会话式视频 AI 的 API 类别、集成模式与生产化所需条件，覆盖 2026 年口径。
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。
WebKit Blog评分2222 Safari Technology Preview 253 发布说明
Safari Technology Preview 253 面向 macOS Golden Gate 和 macOS Tahoe 开放下载，包含 WebKit 320113@main 至 321067@main 之间的改动。本次更新新增样式来源滚动时间线全局匹配、东亚计数样式扩展数值范围、CSSContainerRule.conditions 及容器查询条件中使用 sibling-index() 和 sibling-count() 等支持，并修复了 VoiceOver 朗读 aria-keyshortcuts、动画时间线与网格布局等多项问题。
声网博客评分4545 骁龙8至尊版Gen 6发布：端侧语音AI能干什么、不能干什么
高通在骁龙峰会发布骁龙8至尊版Gen 6与骁龙8旗舰版Gen 6，旗舰版可本地运行300亿参数MoE模型并完成语音识别到合成的全链路Agent，标准版感知中枢支持2亿参数模型做个人速记与说话人区分，两款均内置实时降噪“语音气泡”。但MoE省的是计算量而非内存，300亿参数仍需量化压缩才能塞进手机，且芯片只处理麦克风收到的这段声音，跨设备传输的丢包、抖动与路径调度仍由声网SD-RTN这类实时网承担。
Google AI Blog精选评分5858 Made on YouTube 2026：直播粉丝赞助、配音等新工具发布
YouTube 在 Made on YouTube 2026 活动中宣布一批直播工具更新，聚焦粉丝赞助与自动配音等方向，延续其在直播互动与多语言能力上的投入。
推荐理由：YouTube 年度创作者大会的直播相关产品发布，代表其直播产品路线。
TEN Framework Releases评分1818 TEN Framework 发布 0.11.73：新增 ASR rtzr 流式扩展与 TTS 评审技能
TEN Framework 发布 0.11.73，新增 ASR 的 rtzr 流式扩展和 TTS 评审技能，并支持日志配置热重载。该版本还移除了 Cartesia TTS 的默认 output_format，修复了 codex_base_url、覆盖率 LLVM 工具链与 Rust nightly 对齐等问题。
LiveKit Blog精选评分5353 LiveKit 推出 Private Links，让托管 Agent 通过云网络私密访问内网资源
LiveKit 发布 Private Links，让 LiveKit 托管的 Agent 通过云网络私密访问敏感内部资源，无需维护公网 IP、入站防火墙规则或 VPN。该功能通过 WireGuard 加密隧道连接 LiveKit 网关，再经 AWS PrivateLink 或 Azure Private Link 进入用户 VPC，仅支持基于 TCP 且完成 TLS 协商的连接，不支持非安全 TCP 和 UDP。目前支持 us-east 与 eu-central 两个 LiveKit 区域，每个项目每区域限 3 条，价格为每条 50 美元加双向 0.10 美元/GB。
推荐理由：面向受监管行业的企业，说明如何在不暴露公网的前提下让托管 Agent 访问内网资源，并给出 AWS 与 Azure 的接入步骤。
Tavus Blog评分4242 AI 前台从聊天挂件到面对面接待：Tavus 论带表情与时机的实时迎宾
文章称 AI 前台已能以人类般的表情与时机面对面迎接访客，并讲解实时视频接待的运作方式。
Tavus Blog评分3838 2026 年客户入职软件对比：Tavus 论 AI 数字人接管 kickoff 与产品走查
文章对比 2026 年主流客户入职软件，认为 AI 数字人能承接门户软件从未设计覆盖的启动会与产品走查对话。