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。
#端侧
ElevenLabs Blog评分2222
OpenAI News评分2222 Asana 用 GPT-6.1 Sol 在浏览器测试中将模型成本降低 76 倍
Asana 借助 Codex 中的 GPT-6 Astra，在浏览器测试中让其浏览器智能体成本降低 76 倍、速度提升 5 倍，从而为客户提供能力更强的模型。
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。
Cactus Engineering Blog评分4848 Cactus Whistle 端侧语音识别实践：30 秒上限、80 毫秒词级时间戳与流式提交机制
Cactus 工程博客给出 Whistle（16.9 MB 端侧 STT 模型）的实用指南：输入为 16 kHz 单声道 float，单次调用最长 30 秒，超出需分片或走流式 API；word_timestamps=True 可输出词级起止与置信度，时间分辨率约 80 ms；流式模式下每个分块重转写缓冲音频，连续两轮一致的词才会提交，保证已出文本不被回改。
Cactus Engineering Blog精选评分6565 Cactus 开源 Whistle：16.9 MB 端侧语音识别模型，7 种语言、首 token 11 毫秒
Cactus 发布开源语音识别模型 Whistle，单文件 16.9 MB、纯 CPU 运行无依赖，面向手机、可穿戴、机器人、智能家居、汽车与微控制器；支持英德法西意荷波 7 种语言（可自动检测），单次转写最长 30 秒 16 kHz 单声道音频，首 token 延迟 11 ms，输出词级时间戳，并与 Needle 共享同一 C++ 引擎与量化方案，可在浏览器端离线运行。
推荐理由：把 STT 压到 16.9 MB 且保留词级时间戳与 11 ms 首响，是端侧语音这一细分方向上规格突出的开源发布。
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。
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。
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。
Boson AI Blog精选评分5858 Boson AI 发布 Higgs VoiceOver：在 DaVinci Resolve 和 Premiere Pro 内生成 AI 配音
Boson AI 发布 Higgs VoiceOver 插件，把 AI 配音放进视频剪辑器，由 Higgs TTS 3 驱动，每句旁白生成独立片段并自动排到时间线的配音轨上。它支持用标签控制情绪、语速和音效，自动生成词级时间轴字幕，用约十秒音频克隆自定义声音，覆盖 100 多种语言且同一句内可切换语言。该插件已在 macOS 上的 DaVinci Resolve Studio 和 Adobe Premiere Pro 上线，Final Cut Pro 与 Windows 版本在开发中，使用自带 Boson API key 按量计费，价格为每千字符 0.015 美元。
推荐理由：面向剪辑工作流的 AI 配音插件，说明它如何把配音、字幕和声音克隆放进时间线，以及按量计费的成本口径。
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。
Tavus Blog评分4040 Tavus 回望 1987 年 Apple Knowledge Navigator：Siri 预览兑现四十年前的个人 AI 构想
Tavus 博客借 Apple 预览新版 Siri 的契机，回顾 1987 年的 Knowledge Navigator 概念视频：当时 Apple 已设想超越点选、具备对话与代理能力的个人 AI 助手界面。作者用一台 1987 年 Macintosh SE 撰写本文，探讨该构想与今日语音数字人助手之间的对应关系。
FunASR Releases评分3838 FunASR 1.4.16 发布：修复混合设备推理配置漂移，新增原生 Transformers 指南
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。
Cactus Engineering Blog评分4545 Needle 3 设备支持指南：13 个平台目录，引擎不足 1 MB
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 Engineering Blog评分1919 如何为 Needle 3 设计工具：把约束写进 schema 与语法
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。
Cactus Engineering Blog评分4646 Needle 3 微调指南：本地 LoRA 或平台全量，DroidCall 提升 18-36 分
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。
Cactus Engineering Blog评分4444 Needle 结构化抽取实践：单工具调用语法保证 JSON 模式一致性
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 Engineering Blog评分4242 cactus-needle Python 参考文档：推理、LoRA 微调与导出一站式
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。
Cactus Engineering Blog评分4545 Needle 3 移植指南：从首个社区 Rust 移植总结运行时契约
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。
Cactus Engineering Blog评分4444 Needle 置信度机制解析：校准头与解码概率双信号路由调用
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 Engineering Blog精选评分5050 Cactus 详解 Needle 的 .cact 单文件格式与 2.125 比特量化
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。
Cactus Engineering Blog精选评分6060 Hadamard MLP 替代 FFN：单层参数 4.7M 降到 25.6K，算力五分之一
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。
Cactus Engineering Blog精选评分5858 Needle 3 智能阶梯：一套权重从 2 到 20 层任意深度皆可部署
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。
FunASR Releases评分2828 FunASR 1.4.15 发布：兼容 NumPy 2，修复流式与训练可靠性
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。
声网博客评分2424 停车场云值守如何把摄像头画面实时搬进微信小程序：声网方案解析
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。
Google AI Blog精选评分6666 Chrome 153 新增摄像头/麦克风专用 HTML 元素并支持 IAMF 沉浸式音频解码
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。
Zoom Developer Blog评分2828 Zoom 推出基于 Video SDK 的 Web 远程医疗入门套件
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。
LiveKit Blog精选评分7171 LiveKit 发布 Connectors，将 Twilio 和 WhatsApp 通话接入 LiveKit 房间
LiveKit 发布 Connectors，把 Twilio Programmable Voice 和 WhatsApp Business Calling 的通话作为普通参会者接入 LiveKit 房间，无需配置 SIP 中继或网关。WhatsApp 通话端到端走 WebRTC（ICE、DTLS-SRTP、Opus），Twilio 通话经 Media Streams WebSocket 以 G.711 原始形式发布，仅为需要的订阅者转成 Opus。Connectors 已在 LiveKit Cloud 正式可用，计费与 SIP 相同，每分钟 0.004 美元（Ship）和 0.003 美元（Scale）。
推荐理由：LiveKit 把 Twilio 与 WhatsApp 通话直接接入房间，读者可据此判断现有 SIP 方案是否要改。
LiveKit Blog评分3434 超越 1:1：用 LiveKit 构建多参与者机器人系统
LiveKit 的 SFU 架构让机器人系统从点对点连接扩展为多参与者 Room，摄像头、模型、操作员和下游服务各作为一个参与者加入，无需重新设计传输架构。在跨网络的人机协同录制场景中，机器人观测可同时分发给策略、操作员和录制端，策略动作与人工干预各自独立回传，避免额外网络跳数。VLM 可作为任务级编排者，各技能策略以独立参与者订阅所需观测，奖励模型则按控制频率评估执行状态并驱动策略升级。
声网博客评分3636 ESP32 低资源设备如何做语音通话：内存、采样率与网络参数优化
针对 ESP32、ESP32-S3 等低资源设备做语音通话，建议从 16 kHz、16 bit、单声道、20 ms 帧长起步，优先保证接通率与稳定性，再评估提升音质。声网 RTSA SDK 仅支持单声道、20 ms 发送间隔，包体积增量小于 400 KB，收发 320×240 H.264 时内存占用小于 2 MB，采集与编解码需设备端自行实现。
Cactus Engineering Blog评分5252 Needle 2 工具环境设计实践：6120 次运行总结函数调用可靠性规则
Cactus 在智能家居、客服、外勤、邮件、会议、费用审批六类环境共跑 6120 次测试，验证工具命名、描述、枚举、约束与重叠度对小模型函数调用的影响，形成一套环境设计规则。
Cactus Engineering Blog评分3636 Needle 2：面向微型设备的 14 MB 智能体 LLM
Cactus 发布 Needle 2，一个 45M 参数的开源模型，用于工具调用、设备操作和结构化抽取，整个模型是单个 14MB 二进制文件，会话内存约 28MB。它在 Raspberry Pi 5 上解码达 500 tokens/sec，在 Meta Quest 3S、Apple Vision Pro 等 VR 设备上为 400–1,500 tokens/sec，并可运行于 ESP32-S3 等较新微控制器。模型采用 CQ2-bit 量化，从预训练到后训练全程针对 Cactus Quants 训练，并支持在 Mac/PC 上微调。
声网博客评分2222 智能硬件语音交互架构解析：麦克风、RTC、ASR、LLM、TTS 全链路
智能硬件语音交互的体验瓶颈往往不在 LLM，而在麦克风采集、回声消除、RTC 实时传输、流式 ASR、TTS 播放与打断控制等基础环节。文章拆解了从采集、前处理、实时传输到 ASR、LLM、TTS、播放与打断的完整链路，指出 RTC 是弱网下保持语音连续的关键通道，并建议量产前按真实场景验证麦克风、弱网重连、儿童语音与云端成本。
Netflix Technology Blog评分2222 Netflix 如何为分析建模设备能力
Netflix 构建了设备能力数据模型并接入内部系统的功能开关，用于在全球设备生态中做更细粒度的功能管理。其累积表记录每台设备的最新能力状态（如屏幕分辨率、支持的视频 Profile、环绕声、RAM 大小），直方图表则统计过去 28 天内按设备型号和软件版本划分的活跃设备数及能力支持情况。示例数据显示，某类流媒体棒设备全部支持 HD profile（playready），仅 20% 支持 UHD profile（hevc）。
LiveKit Blog精选评分6262 LiveKit Unity SDK 2.0.0 正式发布，结束开发者预览
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。
Cartesia Blog精选评分6262 Cartesia 发布面向实时语音代理的语音识别模型 Ink-2
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。
声网博客精选评分6060 声网拆解出海语聊房 AI 降噪配置：中东噪音环境与东南亚弱网下的 AINS 档位选择
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。
Cactus Engineering Blog精选评分6262 Cactus 开源 26M 参数函数调用模型 Needle：端侧预填充 6000 tok/s
Cactus 开源从 Gemini 蒸馏的 26M 参数函数调用模型 Needle，消费级设备上预填充 6000 tok/s、解码 1200 tok/s；核心观察是工具调用本质是检索与组装而非推理，因此采用纯注意力加门控结构、完全去掉 FFN。
推荐理由：端侧函数调用模型的代表性工作，结构取舍结论对端侧 AI 有普适启发。
声网博客精选评分6666 声网泛 IPC 弱网方案：80% 丢包下保画面与 5 秒连通率 99.5%
针对家庭摄像头、割草机等天然弱网部署场景，声网以 SD-RTN 为骨架做四层对抗：秒级网络感知与动态路由、秒级降码率加渐进恢复、FEC+NACK 双保险（称音频可抗 80% 丢包、视频 40%）、以及首帧关键帧优化；对外指标包括 80% 丢包下音视频流畅、设备 5 秒连通率 99.5%、出海首次激活成功率 >99.9%，SD-RTN 全球延时中位数 <76ms。
推荐理由：厂商披露的极端弱网量化指标与全链路对抗逻辑，对 IPC/IoT 类产品选型有直接参考。
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。