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。
#语音 Agent
LiveKit Agents Releases评分2222 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。
Boson AI Blog评分4040 Boson AI 联合多伦多大学 MScAC 举办 2026 Higgs Audio Hackathon（10 月 23–24 日）
Boson AI 与多伦多大学应用计算硕士（MScAC）项目将于 2026 年 10 月 23–24 日在多伦多举办第二届 Higgs Audio Hackathon，设数字人体验、语音交互等三个评审方向，CEO Alex Smola 及团队成员到场。活动面向所有人开放，不限校内。
whisper.cpp Releases评分2222 whisper.cpp v1.9.5 维护版本发布，同步升级 ggml v0.26.0
whisper.cpp 发布 v1.9.5 维护版本，同步将 ggml 升级至 v0.26.0，nightly 构建号为 b5454。此次更新以 ggml 后端修复与优化为主，涵盖 CUDA、Vulkan、Metal、WebGPU、SYCL、Hexagon 等平台的 Flash Attention、量化与矩阵乘内核改进，并修复多处内存越界与溢出问题。
whisper.cpp Releases评分2222 whisper.cpp 发布 b5454 预发布版，版本号升至 1.9.5
whisper.cpp 发布预发布版 b5454，将版本号提升至 1.9.5，对应提交 d1be6fd 已在 GitHub 上通过签名验证。该版本由 #4102 号改动完成版本号更新，目前以预发布形式提供。
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。
Boson AI Blog评分4848 Higgs TTS 3 在 Hume 语音复刻榜单位列第四，口音参考音得分最高
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。
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4242 AI 语音机器人工作原理与下一步：Tavus 拆解 STT 到 TTS 管线并论实时视频演进
文章从语音识别到语音合成拆解 AI 语音机器人管线，并论证实时视频是企业会话式 AI 的下一形态。
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4545 Tavus 展望 2026 年销售 AI：视频智能体如何嵌入销售技术栈
文章梳理销售 AI 从文本、语音到视频的三层演进，认为视频智能体补上面对面时机感、感知与临场感，适合叠加进现有销售工具栈。
Inworld AI Blog精选评分7272 Inworld 收购 Ultravox：补齐语音理解与话轮管理，打通实时语音 Agent 全链路
Inworld 宣布收购实时语音 Agent 平台 Ultravox，其团队加入并继续维护平台；双方此前已有 TTS 合作。Ultravox 带来语音理解、推理与任务执行以及话轮/打断管理能力，与 Inworld 的 Realtime TTS-2、Realtime STT-1 及实时推理基础设施整合，首个整合改进已上线。
推荐理由：语音 Agent 赛道少见的端到端并购，理解侧与生成侧头部团队合并，行业格局信号明确。
Hume AI Blog评分3636 评估 Google 多说话人 TTS：为什么私有评测很重要
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。
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。
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。
Tavus Blog评分4040 Tavus 论销售会话式 AI：临场感补上语音智能体看不见的成交线索
文章称语音智能体能筛选线索但看不到视觉信号，视频智能体以临场感补足销售会话式 AI 中影响成交的维度。
Tavus Blog评分5454 会话式 AI 上线前安全清单：加密、合规认证、提示注入与审计日志
文章列出会话式 AI 进入生产前应核验的事项：加密标准、合规认证、提示注入防护与审计日志，面向企业部署方。
Hume AI Blog评分4040 Google Gemini 3.8 Flash TTS 登顶 Hume 真实世界 VoiceEQ 榜单
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。
Cartesia Blog评分4242 Cartesia 推出 Multilingual Voices：50+ 音色库原生支持最多 25 种语言，并可将自建克隆音色变为多语言
Cartesia 发布 Multilingual Voices，50+ 音色库音色原生支持最多 25 种语言，自建克隆音色也可扩展为多语言。每个语言和口音由母语者按评分标准审核，检查口音是否保持以及日期、数字、货币是否按当地方式朗读。用户可用同一 voice ID 搭配不同 locale 调用 TTS，或在仪表盘中为克隆音色最多添加 9 种新口音和语言。
声网博客精选评分6060 Agora 推出新一代语音方案：面向语音 AI 开发者的 Gemini 3.8 Flash TTS
Agora 面向语音 AI 开发者推出基于 Gemini 3.8 Flash TTS 的新一代语音能力，定位新一代对话式语音合成，服务其 ConvoAI/语音 Agent 场景。
推荐理由：声网接入 Google 新一代 TTS 模型，反映模型层与 RTE 平台层加速融合。
Tavus Blog评分5050 Orum 基于 Tavus 做 AI 销售角色扮演：会议预约率 3 倍、营收增 25%
外呼销售平台 Orum 基于 Tavus CVI 构建 AI 角色扮演教练：Raven-1 读取语气与视线，Phoenix-4.5 渲染表情，Sparrow-2 管控对话节奏；使用该功能的代表会议预约率提升 3 倍，每周功能活跃率超 50%，公司归因约 25% 营收增长，原型耗时不足一周。
Tavus Blog评分4646 2026 年五家语音 AI 平台对比：头部厂商为何都在补视频能力
文章观察会话式 AI 市场集体加面孔的趋势，对比 2026 年五家语音 AI 平台并分析 AI 视频智能体对企业买家的意义。
Tavus Blog评分4040 AI 销售培训实践：实时智能体替代稀缺陪练，随时演练异议处理
文章介绍实时 AI 智能体如何替代稀缺的练习伙伴，强化异议处理并在每次真实通话前提供按需排练。
Tavus Blog评分4040 销售模拟为何视频比文本语音更真实：Tavus 论可见可听的反应信号
文章认为视频形态的销售模拟更接近真实对话，因为销售可以同时看到并听到潜在客户的反应信号。
Tavus Blog评分4040 2026 年 AI 客服智能体解析：工作原理、平台对比与视频 PAL 的位置
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。
Tavus Blog评分3838 Tavus 谈 AI 销售外联测试：可被打断、提问并实时回答的直播视频对话
文章主张 AI 销售外联采用直播视频：潜在客户可以质疑、打断并实时获得回答，值得作为新渠道测试。
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。
Tavus Blog评分4545 FAQ 机器人之外的 10 个会话式 AI 实例：从患者分诊到销售辅导
文章列举 10 个 FAQ 机器人之外的真实部署：患者分诊、销售辅导等，并区分能真正解决与只会转接的系统。
Tavus Blog评分4242 客服中心为何要在语音栈上加视频：Tavus 论临场感提升首解率与留存
文章认为语音承载话务量但留有信任缺口，AI 数字人以临场感改善首解率（FCR）并留住高风险对话中的客户。
Tavus Blog评分4040 企业选会话式 AI 平台的方法：Tavus 给出 ROI 模型与干系人评估框架
文章给出企业选会话式 AI 平台的 ROI 模型、评估标准与干系人决策框架。
Tavus Blog评分3838 2026 年销售赋能软件对比：Tavus 按实时练习、延迟与合规评估 AI 视频教练
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。
Tavus Blog评分4242 AI 电话智能体与视频智能体的分工：Tavus 论何种对话需要临场感
文章提出分工判断：语音承载话务量，视频建立信任，并按对话类型划分该上电话还是需要真人面孔。
Tavus Blog评分3838 Tavus 谈 AI 客户成功：视频智能体执行续约、增购与 QBR 对话
文章称 AI 视频智能体可替客户成功团队主持续约、增购与季度业务回顾对话，推动账户实际进展。
Tavus Blog评分3838 会话式 AI 与生成式 AI 的真实差异：Tavus 给产品负责人的选型评估清单
文章厘清会话式 AI 与生成式 AI 的区别与重叠，并列出产品负责人在二选一前应评估的要点。
Tavus Blog评分3434 Tavus 为 PALs 推出长期记忆功能 Memories，围绕关系构建对话连续性
Tavus 为 PALs 推出长期记忆功能 Memories，按每段 PAL 与用户的关系维护独立的记忆存储，包含描述用户偏好与目标的 Profile 和记录对话事件的 Timeline。该设计将实时对话所需的持续关系上下文与按需历史检索分离，避免每次响应前增加搜索步骤；记忆内容可查看、纠正和删除。
Tavus Blog评分4242 文本、语音与视频 AI 智能体平台对比：Tavus 按对话界面选型
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。