Boson AI 的 Higgs TTS 3 在 Hume AI 语音复刻榜单中位列 11 个模型第四，口音参考音得分 4.28 为全场最高，略高于 VoxCPM2，并领先 Fish Audio S2 Pro、ElevenLabs v3 和 ElevenLabs Multilingual v2。该评测由三名人工评分者在不知模型来源的情况下按 1 至 5 分打分，测试集含 25 个参考音，其中 15 个带不同口音、9 个来自非英语母语者。Higgs TTS 3 的 Same Speaker 得分为 3.83，客观相似度 0.74 并列第三，音质 4.38 与最高分相差 0.23。该模型为开放权重，已在 Hugging Face 上线，上月下载量接近 10 万次，并可通过 Higgs TTS API 使用。
Hume AI 用自建评分标准独立评测了 5 个 Gemini TTS 模型的多说话人对话能力，Gemini 3.8 Flash 与 3.8 Flash-Lite 综合得分最高，分别为 4.11 和 4.10。情感控制是各模型最强项，达 4.26 至 4.31；说话人区分度最弱，五个模型中四个垫底，同性别组合尤其困难，男男配对平均仅 2.87。
文章对比免费生成器（产出单向视频片段）与企业级 AI 数字人（实时看听说），指出免费档失效的位置与时机。
Hume 对 Google Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 预览版进行独立评测，两款模型分列 Expressivity–Reliability 前沿评分第一、第二，达 0.920 和 0.914。相比 Gemini 3.1 Flash TTS，长文本稳定性得分从 1.22 升至 2.89 和 3.03（五分制），语音设计可控性领先，但说话人相似度与部分精细控制仍偏弱。
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。
文章讲解 AI 客服智能体工作原理并对比 2026 年主流平台，指出基于视频的 PAL 能承接文本智能体处理不好的对话。
文章按实时练习、知识接地与 LMS 兼容三项对比七款 AI 教练型培训平台，含 Synthesia、Tavus、D-ID、ElevenLabs 等。
文章对比主流白标 AI 智能体平台与关键功能，说明会话式视频如何改变品牌化智能体的能力上限。
文章按实时练习、延迟与合规三项对比销售赋能软件中的 AI 视频教练工具。
文章按用例对比 AI 头像生成器三类形态：照片工具、预渲染视频与可实时对话的 AI 数字人。
文章按延迟、知识接地与所需工程量对比主流低代码 AI 平台，评估不靠重工程发布视频智能体的可行性。
文章认为 2026 年选 AI 智能体平台的核心是选对话界面，并按文本、语音、视频三类智能体逐项对比。
文章说明 AI 视频智能体如何补充经理辅导之间的练习空档，并按 2026 年口径对比六家销售辅导平台。
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。
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。
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。
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。
Inworld 开源 TTS Open Evaluation Toolkit：离线采样各 TTS 系统并生成可对比报告，每次运行把配置与逐样例测量一起存档，用户可从分数回溯到源文本、音频、ASR 转写与所用阈值；首发包含常见指标与一套专门的英语对话压力测试集。针对同模型不同团队测出不同 WER（因 ASR 选择、文本归一化、失败样例取舍）这一评测不可复现问题。
推荐理由：直击 TTS 评测不可复现的痛点，把协议与测量绑定存档的做法对建立可比基准有实际价值。
Meta 公布 Muse Spark 1.2 的多模态评测结果与演示，该版本在模型可调用工具时多模态提升最明显，覆盖视觉编码、图表理解与知识密集型任务。视觉编码可将图像或视频转为可运行网页与游戏代码，机器人侧由高层规划模型配合基于小型 Muse 实验版本的 VLA 策略执行操作。Meta 同时预览内部评测 WildArtifactBench 并放出 10 个任务，Muse Spark 1.2 已在 Meta Model API 和 Muse Code 上线。
Cartesia 发文分析 TTS 评测为何随模型进步而失效：语音合成是一对多映射，同一文本可有兴奋、愤怒、悲伤、讽刺等多种正确读法，WER 在可懂度解决后趋于饱和，且受 ASR 质量牵制。评测还需覆盖上下文正确性、文本规范化与专有名词读音，这些错误即使语音流畅也难以察觉。
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。
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。
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 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。
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。
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。
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。
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。
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。
Daily 发布语音智能体基准 aiwf_medium_context，测试文本模式 LLM 与语音到语音模型在约 30 轮长对话中的工具调用、指令遵循和知识引用，源码已在 GitHub 开源。结果显示已有三个模型在该基准上各项指标达到 100%，但都太慢，无法满足语音智能体所需的 1500ms 以内语音到语音响应（约对应文本模型 700ms TTFT）；生产中最常用的仍是 GPT-4.1 和 Gemini 2.5 Flash，AWS Nova 2 Pro 在性能与延迟上与之持平。语音到语音模型中 Ultravox 0.7 表现突出，GPT Realtime 通过率为 86.7%，低于 GPT-4.1 的 94.9%。
推荐理由：Daily 公开语音智能体基准的源码与结果，可看到长多轮对话下模型能力与延迟之间的取舍。
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。