语音 AI 术语入门指南：理解、评估和构建对话式语音 AI 的 20 个关键术语
Cartesia 发布语音 AI 术语入门指南，梳理构建对话式语音 AI 所需的 20 个关键术语，涵盖 STT、VAD、TTS 等核心语音处理链路概念。文章指出，打断处理、轮次检测和语音隔离等能力决定语音代理的对话体验，其 Ink-2 STT 模型已将轮次检测内置，无需单独集成 VAD 模型。
全部音视频动态
Cartesia Blog评分2222
声网博客评分3636 用 TEN Framework 搭实时语音 AI Agent：从零到跑通
声网开源的实时多模态对话 AI 框架 TEN Framework 把 STT、LLM、TTS、VAD、Turn Detection 等环节抽象为可插拔 Extension，用 Graph 定义数据流并并发调度，换模型只需改配置。其 Turn Detection 基于 Qwen2.5-7B 做语义级打断判断，支持中英文，传输层支持 RTC、WebSocket、SIP。按 Demo 流程配置 Agora、Deepgram、ElevenLabs、OpenAI 的 Key 后，约 20 分钟可跑通。
论文与标准精选评分6060 MoQ 时移客户端 ABR 评测：多 4 秒延迟可换 4 倍吞吐
论文在 Mininet 模拟拓扑中评估 MoQ SWITCH 式 ABR 对直播与时移播放的适配，验证标准 ABR 算法可直接用于时移播放并显著提高吞吐：订阅者重缓冲后可恢复更高吞吐，增加不到 4 秒的流延迟即可换来约 4 倍吞吐提升，开源了 MOQtail 扩展与测试框架。
推荐理由：直接回应 MoQ 工作组正在讨论的 ABR 切换语义，给 SWITCH 设计提供实证数据。
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。
声网博客评分2222 出海语聊房 SDK 怎么选：弱网表现和海外节点的核心差距
出海语聊房选 RTC SDK 不能拿国内测试结果做参考，应优先确认目标市场有无本地节点、弱网丢包恢复表现如何。可用 tc netem 注入 5%、10%、15% 丢包自测卡顿与断流恢复，并核查厂商节点城市列表。声网 SD-RTN 覆盖全球 200+ 国家地区，采用私有 UDP 协议，Yalla、Kumu 等大房间场景为其生产案例。
中文技术动态精选评分5656 腾讯云开发者社区拆解狼人杀类实时互动架构：SFU 选型与双信道设计
按 12 人房间、30%-50% 丢包、<300ms 延迟的需求对比 Mesh/MCU/SFU：Mesh 每人 11 路上行呈 O(N²) 增长，MCU 混音引入 100-200ms 额外延迟，SFU 端到端可低于 150ms 且计算开销最低；弱网上用自适应 FEC（30% 丢包时冗余比提至 40%）、动态 Jitter Buffer（20-100ms）与 Opus 降码率到 6-10kbps，控制流走 WebSocket、媒体流走 UDP/RTP 彻底分离。
推荐理由：从拓扑选型到弱网参数的完整架构推演，控制/媒体双信道解耦对游戏类 RTC 很实用。
FFmpeg News评分2222 Ampere 向 FFmpeg 捐赠 192 核 AmpereOne 服务器
Ampere 向 FFmpeg 捐赠了一台 AmpereOne（Mt. Mitchell）2U 服务器，配备 192 个 Arm 核心、512 GB 内存、24 个 NVMe 盘位和 2×25G 网络。为表庆祝，Dascha（daschasara）响应 FFmpeg 征集非 AI 艺术作品的号召，为其绘制了一幅画作。
Netflix Technology Blog精选评分7878 Netflix 开源 VMAF v1：修正压缩伪影偏置与色带盲区，NEG 默认开启
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。
中文技术动态精选评分7272 火山引擎上线豆包实时语音模型 3.0（Seeduplex）API：全双工端到端语音大模型开启邀测
火山引擎正式上线豆包实时语音模型 3.0（Seeduplex）API 并开启邀测：原生全双工端到端语音大模型，官方称判停延迟缩短约 250ms、复杂场景抢话比例下降 40%、用户主动打断延迟缩短约 300ms，支持对话中直接调用工具，面向智能座舱、智能硬件与客服场景。
推荐理由：豆包实时语音 3.0 是国内全双工语音大模型的重要发布，量化指标明确。
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。
中文技术动态精选评分5656 实时互动网解析出海弱网优化：FEC、PLC 与 SVC 的组合策略
把弱网定义为高丢包（10%-30%）、高延迟高抖动、低带宽三维度同时恶化；音频侧 FEC 在 20% 丢包下几乎无感、PLC 在 60%-80% 丢包仍可懂、可降至 Opus 6kbps 在 30kbps 网络上保语音不断；视频侧自适应码率加 SVC 平滑降级、关键帧优先保护、帧率优先于分辨率；并引即构数据：音频抗 80% 丢包、视频抗 70%、抖动容忍 1000ms、带宽可压至 30kbps。
推荐理由：按音频/视频/传输/业务四层给出弱网策略清单，附厂商实测基线数据。
腾讯云音视频专区精选评分5858 腾讯云应用云渲染弱网体系：自适应编码、弹性帧率与智能码控协同
把弱网分为带宽抖动、高丢包、高延迟、持续拥塞四类，对应三件武器——自适应编码动态调码率与量化参数、弹性帧率从 60/120fps 平滑降到 30fps、关键帧与参考帧选择性重传；核心是用智能码控统一决策“降码率 vs 降帧率 vs 加重传”，避免编码器与重传模块策略打架导致总带宽失控。
推荐理由：讲清了多机制并发时的策略冲突与统一指挥思路，对自建弱网策略编排有启发。
腾讯云音视频专区精选评分5656 腾讯云音视频对话式 AI 服务解析：TRTC+ASR+LLM+TTS 架构与场景
文章拆解腾讯云音视频对话式 AI 服务的 TRTC+ASR+LLM/KB+TTS 端到端架构，覆盖客服、教育、出海同传与直播 AI Host 场景，提及中英及 20+ 小语种识别与 15 种语言实时互译等能力。
推荐理由：腾讯云对话式 AI 服务的架构与能力盘点，便于快速把握其产品边界。
Tavus Blog评分4040 AI SDK 如何嵌入产品智能：Tavus 从文本语音 SDK 讲到会话式视频
文章面向产品团队讲解 AI SDK 的能力谱系，从文本、语音延伸到具备全栈数字人的会话式视频集成。
LiveKit Blog精选评分5858 LiveKit 拆解语音 Agent 降噪：在 Agent、客户端还是 SIP 中继上做，选哪种模型
LiveKit 梳理降噪在音频链路中的三处落点——Agent 内（服务端处理入站音频，语音 AI 的推荐默认）、客户端 SDK（麦克风侧，支持 Krisp 与 WebRTC noiseSuppression）、SIP 中继（电话场景）——并区分两类增强模型：“背景噪声抑制”只去除非语音噪声、保留所有说话人，适合多说话人/说话人分离；“人声隔离”（BVC）进一步压制竞争人声、只留主说话人，适合单说话人如呼叫中心。文章强调两个增强模型不要串联在同一路音频上（模型按原始音频训练，二次处理会导致转写准确率下降，但标准 WebRTC 噪声抑制与回声消除可同时开启），并说明语音 AI 建议在 Agent 内降噪、直播在客户端、无 AI 的电话在中继上降噪。
推荐理由：降噪是语音 Agent 转写与话轮检测质量的前置环节，给出了清晰的落点与模型选择规则。
声网博客精选评分6868 声网出海语聊房弱网实战：印尼外岛与沙特农村的网络对策
用 Ookla 2025 数据定位战场：印尼移动均速 45.01Mbps（低于东南亚均值 91.79）、外岛 3G 常态，丢包超 10%、抖动超 100ms 时音频流明显劣化；给出四件套的适用边界——FEC 适合 10%-30% 丢包且 RTT>150ms（代价 10%-30% 带宽）、NACK 要求 RTT<150ms 且丢包<10%、Opus 从 32-64kbps 降级到 8-12kbps、动态 Jitter Buffer 工作范围 60-200ms，并强调本地节点对 RTT 的实质影响与 tc netem 测试方法。
推荐理由：少见的按目标市场网络实测数据反推弱网策略的实战文，参数边界清晰可落地。
LiveKit Blog精选评分6060 LiveKit Portal 推出机器人遥操作与数据采集生产级方案
LiveKit 基于自身实时基础设施发布面向机器人的遥操作、数据采集与远程推理生产级方案（LiveKit Portal），延续其在多参与者机器人场景的布局。
推荐理由：实时音视频进入物理 AI/机器人遥操作场景的代表性产品方案。
海外技术动态精选评分8585 AOMedia 正式发布 AV2 规范：同画质较 AV1 节省约 30% 码率，支持多流多视图
AOMedia 于 6 月 9 日宣布发布 AV2 规范（v1.0.0 于 5 月 28 日定稿），在免版税专利政策下开发；官方测试显示同画质下较 AV1 约 30% 的带宽节省（PSNR 约 28.6%、VMAF 约 32.6%），原生支持可分级码流、多流/多视图（立体视频、多机位、合成体验）场景；下一步包括 ISO BMFF 封装绑定规范、dav2d 解码器与面向专业应用的 12-bit Profile。
推荐理由：继 AV1 之后最重要的开源视频标准发布，定义未来数年流媒体编码技术路线。
Google AI Blog精选评分7878 Gemini 3.5 Live Translate：70+ 语言流式语音同传
Gemini 3.5 Live Translate 自动检测 70+ 语言并生成保留语调、节奏与音高的译文语音，与逐句等待的系统不同，它在保留上下文与即时翻译间权衡，全程仅落后说话人数秒。该模型经 Gemini Live API/Google AI Studio 公开预览，Google Meet 会议翻译语言上限从 5 种提升到 70+，并同步落地 Google Translate App。
推荐理由：实时语音翻译从轮次制走向流式制，LiveKit、Agora、Pipecat 等平台同日宣布接入，生态影响广。
海外技术动态精选评分6565 W3C 批量发布 WebCodecs 编解码注册规范：AV1/AVC/HEVC 等于 2026 年 6 月同步定稿
W3C Media Working Group 于 2026-06-08 同日发布 AV1、AVC/H.264、HEVC/H.265、Linear PCM、Vorbis、A-law PCM 六份 WebCodecs 注册规范（随后 9 月又补齐 Opus 与 MP3），逐一定义各编解码器的 codec 字符串、EncodedVideoChunk/AudioDecoderConfig 描述字节及 VideoEncoderConfig 扩展；这使浏览器低层编解码 API 在视频侧主要格式的互操作语义全部落到正式工作组出版物。
推荐理由：WebCodecs 是浏览器端自研转码/推流管线的基础 API，AV1 与 HEVC 注册定稿让 Web 侧编码策略有了可依赖的规范锚点。
Daily.co Blog精选评分7474 NVIDIA 发布开源多语言语音识别模型 Nemotron 3.5 ASR
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。
LiveKit Blog精选评分6666 LiveKit 发布 C++ SDK 1.0：面向机器人与低延迟 AI 推理的官方原生 SDK
LiveKit 官方推出 C++ SDK 1.0，为 C++ 应用提供实时音频、视频与数据通道能力，官方定位面向机器人、低延迟 AI 推理和高性能媒体管线场景。
推荐理由：补齐 LiveKit C++ 生态的关键产品更新，直接影响机器人与端侧实时音视频开发。
海外技术动态精选评分6565 VideoLAN 主席撰文回应 dav2d 争议：AV2 软件解码器应如何定位与命名
围绕 VideoLAN 为 AV2 开发的 dav2d 解码器项目引发的社区争议，Jean-Baptiste Kempf 阐明其定位与路线：dav2d 是 dav1d 之后的 AV2 软件解码器，先于硬件支持落地，为 AV2 生态早期提供 CPU 解码能力；文章回应了命名、归属与协作方式的质疑。
推荐理由：AV2 生态早期最具争议的社区事件，当事方第一人称回应，反映开源编解码器协作的现实张力。
腾讯云音视频专区精选评分5858 基于腾讯云 TRTC 的 AI 实时对话方案与实践：双讲打断与全链路流式处理
文章梳理基于 TRTC 的实时对话式 AI 方案：打断默认 500ms（可调 300-5000ms）、STT/LLM/TTS 全链路流式处理、兼容 2 万种以上设备型号，并给出教育与硬件等场景的落地路径。
推荐理由：TRTC 在 AI 对话场景的方案级实践，含可查证的工程参数。
声网博客评分5252 语聊房还是直播间：RTC 100–400ms 对 CDN 直播 10–30 秒
文章对比两条技术路径：语聊房走 RTC/UDP 通道（端到端 100–400ms，靠 FEC/ARQ 抗抖动），直播间走 RTMP 推流 + HLS/FLV 拉流（10–30 秒，低延迟 FLV 约 1–3 秒），并以 Yalla（纯 RTC、单房 2000 人）与荔枝（CDN 直播 + 偶尔连麦）说明选型差异，指出混合架构需维护两套延迟体系、排查成本高。
中文技术动态评分5252 腾讯云 RT-One 教育直播：连麦 <300ms、观看 <1 秒双通道
文章对比三条路线：纯 WebRTC 延迟 <200ms 但千人以上分发困难，纯 RTMP 3-5 秒延迟且不支持双向，RT-One 用统一架构让台上连麦走 RTC（<300ms）、台下观看走快直播（<1s），观众举手上麦时无感切换；给出的量化指标包括 2000+ 全球节点、抗丢包 >80%、单课堂 10 万人，并按 1v1 教学、万人公开课、小班课等场景给出选择依据。
海外技术动态精选评分6262 mediasoup 3.20.0 发布：内置 SCTP 栈替换 usrsctp
mediasoup 3.20.0（Node 3.2.0、Rust 0.22.0）用参考 libwebrtc dcsctp 实现的内置 SCTP 栈替换 usrsctp，解决 Rust 多 worker 线程下 usrsctp 非线程安全的问题；SctpParameters 类型与传输层选项同步调整，官方给出 demo 迁移 PR 作为升级参考。
推荐理由：SFU 核心依赖层的重大重构，直接影响所有使用 DataChannel/SCTP 的 mediasoup 部署。
声网博客评分2828 2026年5月开源语音合成模型TTS推荐与测评：Higgs Audio V2、CosyVoice 2等六款横评
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。
海外技术动态精选评分6060 MoQ 工作组临时会议：SWITCH 与 DTS 两种 ABR 方案对垒
2026 年 5 月 26 日 MoQ 虚拟临时会议集中讨论 track 切换：客户端驱动的 SWITCH（PR #1378，订阅者在组边界发 SWITCH 消息）与 Will Law 提出的 relay 执行型 DTS（订阅多轨组成 switching set，由 relay 按吞吐量选轨），会上分析了与基线协议 SUBSCRIBE_UPDATE+FETCH 方案的差异并开放邮件列表共识征集。
推荐理由：MoQ ABR 语义是标准落地前最关键的未决问题，这份记录呈现了两条技术路线的取舍。
海外技术动态精选评分5656 Video API 定价拆解：视频分钟均价约 $0.004 的成本模型
Tsahi Levent-Levi 分析 Video API 四种商业模式（按分钟、按 MAU、按 GB、自建）：主流按分钟计费约 $0.004/视频分钟，一个成功的 POC 可能在 9 个月内从数千美元涨到 $80,000+/月；他建议先定商业模式再比厂商价格，并给出何时转向自建 SFU 的判断框架。
推荐理由：实时音视频规模化的成本模型少有人系统写清，这篇文章给出了可对标的数字。
LiveKit Blog精选评分6464 LiveKit 实测：叠加摄像头与屏幕共享后音频质量是否劣化
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。
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。
海外技术动态精选评分7070 H.264/HEVC/VP9/AV1 对比评测：从 BD-rate 到按观众分布的盈亏平衡点
Jan Ozer 的编码器对比研究引入盈亏平衡与上下文 ROI 分析：在 1080p60 体育等内容上，AV1 对 H.264 的 BD-rate 达 -59.83%、HEVC 为 -31.48%，但按真实观众分布加权后节省缩水——高端观众为主的分布约剩 51%，移动端为主的分布 AV1 对 H.264 仅 -23.16%（对应 VMAF +6.96 的画质提升）；测得各编解码器的盈亏平衡观看时长（如移动分布下 VP9 为 3188 小时、AV1 为 4099 小时），并给出 25 万观看小时下的净节省金额。
推荐理由：把编解码对比从单一 BD-rate 数字推进到按观众分布的 ROI 建模，方法与数据对部署决策都有直接用处。
Google AI Blog精选评分5656 Google 扩展 SynthID 与内容凭证的媒体溯源覆盖
Google 公布内容透明度工具进展：SynthID 不可见水印已用于 AI 生成的图像、视频与音频，累计标注超过 1000 亿张图像/视频与 6 万年时长的音频；C2PA Content Credentials 从 Pixel 10 相机扩展到 Pixel 8/9/10 的视频拍摄。SynthID 验证已在 Gemini App 使用 5000 万次，并扩展到 Search 与 Chrome 的“Is this made with AI?”查询；OpenAI、Kakao、ElevenLabs 将引入 SynthID，Google Cloud 上线 AI Content Detection API。
推荐理由：AI 生成媒体的水印与溯源正在成为音视频平台的合规基础设施，该更新给出规模化数据。
声网博客精选评分5858 声网解读自建实时传输网络 SD-RTN 的调度与质量保障指标
SD-RTN 以全球 200 多个数据中心（文中另处称 250+）组成软件定义实时网，用基于 UDP 的多路复用传输协议与智能调度系统做动态路由；对外给出分档质量承诺：200ms 内包到达率 99.9%（RTC）、800ms（极速直播）、2s（一般直播），并说明 FEC、自适应码率等弱网对抗手段与传输层加密、抗 DDoS 机制。
推荐理由：厂商自述底层传输网的架构与可量化 SLA 指标，是理解 RTC 私有传输网络的直接材料。
海外技术动态精选评分6363 腾讯云与 Stream 合作：Tencent RTC 成为 Vision Agents 官方边缘传输插件
腾讯云宣布与开源 AI Agent 框架 Vision Agents（Stream 公司）战略合作，Tencent RTC 成为官方支持的边缘传输插件；Vision Agents 主打视频优先、端到端延迟低于 500ms、集成 25+ 插件，Tencent RTC 依托 3200+ 全球节点提供低于 300ms 的传输。
推荐理由：腾讯 RTC 通过开源 Agent 框架出海的关键合作，影响多模态 Agent 传输选型。
海外技术动态精选评分5858 编解码选型方法论：不要只看 BD-rate，要算部署时差的积分成本
文章以 1080p 剧集码率阶梯为算例给出编解码选型判断：AV2 较 AV1 约 -30%、H.266 较 H.265 约 -50%（双专利池）、H.267/ECM 预计 2029 年；指出最常见采购错误是把 BD-rate 当唯一指标——2030 年才有解码器的 40% 增益，不如 2026 年即可部署的 30% 增益，带宽节省需按部署时间窗口积分计算，并以 1000 万月活平台为例估算 AV1/AV2 迁移可省数百万美元/年 CDN 出口费。
推荐理由：把编解码之争从参数对比拉回工程与商业决策框架，观点具体、可复算。
Google AI Blog精选评分7676 Google 等三方联合发布 HDR 标准 SMPTE ST 2094-50
为解决 HDR 与 SDR 内容同屏混排时高光裁切、画面发灰，以及环境光变化导致显示亮度漂移的问题，Google 联合 Apple、NBCUniversal 制定 SMPTE ST 2094-50：一是用 Reference White Anchor 把普通内容的最亮部分映射到固定基线、把额外亮度留给 HDR；二是 Headroom-Adaptive Gain Curves，把适配指令写进视频文件，屏幕余量不足时按创作者意图压缩暗部与中间调以保留高光细节。
推荐理由：跨厂商的新 HDR 元数据标准，直接决定 HDR 视频在不同亮度屏幕与光照环境下的呈现。
LiveKit Blog精选评分5858 LiveKit Agents 推出答录机检测（AMD）：外呼自动区分人声、语音信箱与 IVR
LiveKit 为外呼语音 Agent 增加答录机检测能力（AMD），自动识别接听方是人、语音信箱还是 IVR 菜单并路由到对应行为，支持自动问候、留言与按键导航。
推荐理由：外呼语音 Agent 落地的关键工程细节，直接影响电话场景接通质量。
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。