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 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。
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。
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。
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。
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。
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。
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 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 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。
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。
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。
文章讲解用 PAL 构建安全、HIPAA 合规的 AI 视频患者对话：BAA、加密与最关键的合规特性。
文章称 AI 认证用视频智能体评估口语作答、推理与应用技能，以实时、可规模化的验证替代静态考题。
文章称 AI 数字人可为每位新员工提供个性化检查、按需解答与角色支持，并给出可扩展的 90 天留存计划。
文章划分入职自动化边界：表单与账号开通交工作流，无法延后的沟通对话交给实时 AI 视频智能体补齐。
文章指出视频会议 API 在人与人之间路由流，会话式视频 API 让 AI 数字人主持对话本身，并给出选择依据。
文章称 AI 视频智能体已能规模化执行招聘面试，覆盖 42 种语言，并读取文本工具无法捕捉的语气与表情。
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。
文章对比主流 AI 智能体框架，说明在现有架构上叠加实时视频层后，智能体可看、听并具备临场感应答。
文章梳理招聘流程中最省人工的环节（初筛、排期），说明 AI 视频智能体如何实时执行首轮面试。
文章对比两类 API：聊天 API 处理文本，视频智能体 API 把感知、对话流与渲染组成闭环，并说明架构差异。
文章称实时 AI 视频智能体可把入职、政策答疑、辅导与离职面谈变成实时对话，重塑员工体验各触点。
文章称 AI 视频智能体（PAL）可让每位候选人获得实时面对面初筛对话，用临场感填补招聘流程中的沉默间隙。
Tavus 推出 Phoenix 系列实时数字人模型的 4.5 版本，官方定位为三年来在自然度上最大的一次跨越：在 Phoenix-4 情绪可控、主动聆听与连续面部动作的基础上，把生成范围从嘴部、面部扩展到肩部姿态、头部节奏等身体语言。文章为研究与技术综述，说明该版本对实时对话中临场感（presence）的改进。
推荐理由：实时数字人方向的旗舰产品迭代，直接关系到 Conversational Video Interface 的对话自然度。
Zoom Contact Center 的 RTMS 支持管理员通过 API 手动控制流，可执行 start、stop、pause、resume 四种操作。使用需管理员权限与 RTMS 许可证，应用需添加 contact_center_rtms:write:admin 权限范围，并在集成设置中关闭 auto 开关。调用时以 PUT 请求携带活跃 engagement ID 和已授权应用的 client ID，可程序化或按流程事件触发。
LiveKit Agents 与 Pipecat 是构建生产级实时语音和视频 AI Agent 的两个主流开源框架，前者基于 LiveKit 自有的开源 WebRTC 和 SIP 服务器、对 Agent 做较高层抽象，后者不预设传输层、对处理链路做较低层抽象。两者都支持语音转文本→语言模型→文本转语音的核心链路及端到端语音模型，但 LiveKit Agents 放弃传输层选择与阶段增删，换取分发、扩展和多方会话的现成支持；Pipecat 则需自行接入传输并逐级组装链路。
TEN Framework 发布 0.11.72，新增讯飞（iFLYTEK）ASR 扩展并支持嵌套参数，同时为腾讯 ASR 的厂商元数据加入 appid。该版本修复了字节跳动 ASR 的厂商代码字符串化、Smallest 消息循环退出后重连、Fish Audio TTS 刷新等问题，并将字节跳动 ASR 版本升至 0.5.5、Deepgram ASR 升至 0.5.2。
LiveKit 推出 Startup Program，为符合条件的早期创业公司提供约 23,000 美元总价值额度，包括 7,000 美元推理额度（覆盖 7 家合作方）、10,000 美元 LiveKit Cloud 额度和一年 Scale 计划（原价 500 美元/月）。所有模型通过 LiveKit Inference 调用，无需单独账号或 API key，且默认启用零数据留存。申请者须员工少于 50 人、融资低于 500 万美元，并将语音、视频或物理 AI 作为产品核心。
Google 在 Gemini API 与 AI Studio 上线 Gemini 3.8 Live、3.8 Live Extended Thinking 与 3.5 Transcribe：3.8 Live 为原生语音到语音模型，支持异步函数调用（后台执行工具调用同时继续流式输出音频）、视觉上下文与 97+ 语言；3.8 Live Extended Thinking 在 Artificial Analysis 的 Speech-to-Speech 榜单排名第一；3.5 Transcribe 覆盖 85+ 语言，官方给出平均 WER 4.0%（流式）与 2.6%（非流式）。
推荐理由：实时语音链路上游模型的关键更新，直接影响语音 Agent 与实时转写方案的选型。
按 GitHub 星标排名，Jitsi Meet 以 29,875 星领先，LiveKit 20,731 星、Pion 16,759 星紧随其后，数据取自 2026 年 9 月。若改按活跃度排序，榜单会重排：mediasoup 星标仅列第五，但近 52 周提交 541 次，远高于 Janus 的 66 次。作者强调没有唯一最优选择，会议场景选 Jitsi，可编程后端选 LiveKit，嵌入式项目选 Pion，大规模自建选 mediasoup。
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。
Pipecat 发布 v1.10.0，openai 依赖放宽到 >=1.74.0,<4 并改用 httpx2 构建 HTTP 客户端，TLS 证书改为校验操作系统信任库，精简容器或 TLS 检查代理环境可能需要设置 SSL_CERT_FILE 或 SSL_CERT_DIR。SpeechmaticsSTTService 改为通过 speechmatics-agent-stt SDK 对接 Speechmatics Agent STT（/v2/agent），无法再连接旧实时端点，默认 turn_detection_mode 变为 VAD，默认模型为 linden-1，并移除 SpeakerFocusMode 等一批字段。此外新增 SmallestTTSService 的 continuation API 支持与 max_buffer_delay_ms、LiveKitParams.audio_out_queue_size_ms、GradiumSTTService 的 enable_turn_detection，DeepSeekLLMService 默认关闭 thinking，LmntTTSService 因 LMNT 关停被移除。
推荐理由：版本说明列出了多项破坏性变更与迁移方式，可据此判断现有语音管线是否需要调整依赖或参数。
Live Play Mobile为其24小时宾果直播间加入AI游戏主播，将语言→语音→虚拟形象链路交给声网兄弟公司Agora的对话式AI引擎，游戏逻辑、玩家记忆与主播人设留在自有框架。团队围绕低延迟模型定制语音处理以维持长时间互动的表现力，AI负责24小时多语言运营并把有效话术反馈给真人主播。声网称其方案提供400毫秒平均全球延迟、99.99%正常运行时间，覆盖200多个国家和地区。
TRTC SDK 13.5（2026 年 9 月 10 日发布）优化低信噪比下 AI 降噪与近端信号可懂度、修复 KTV 场景 AIEC 首尾字抑制问题，并适配鸿蒙折叠屏前置摄像头切换等；页面同时保留 13.0 以来 AI 实时转录与翻译、音频水印等版本记录。
推荐理由：TRTC 近一年的版本演进轨迹（AI 转录、音频水印、鸿蒙适配）集中体现在发布日志中。
LiveKit 说明语音智能体日志中的 VAD inference is slower than realtime 警告与 STT、TTS、LLM 模型无关，指的是智能体进程内的语音活动检测模型处理 32ms 音频窗口耗时超过 32ms，警告中的延迟表示 VAD 落后实时音频的程度，Python 以秒、Node.js 以毫秒报告。排查应先排除阻塞事件循环的同步代码，再检查 CPU 负载，可通过 VAD 的 metrics_collected 事件中 inference_duration_total 与 inference_count 的比值判断是 CPU 饥饿还是事件循环阻塞；不要给 VAD 增加线程或调大 max_buffered_speech、num_idle_processes。
推荐理由：LiveKit 官方拆解 VAD 落后于实时音频的成因与排查顺序，可对照日志中的延迟数值定位是 CPU 还是事件循环问题。
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。
讲解 SRS 的 WebRTC over TCP 直传方案：无需部署 TURN，通过 SRS_RTC_SERVER_TCP_ENABLED 等环境变量即可让 UDP 不可用网络下的 WebRTC 走 TCP；支持与 HTTP API/HTTP-FLV 复用同一 TCP 端口（如 8080），并可配合 rtc_to_rtmp 让一个端口同时服务 WebRTC 与 HTTP 直播，便于负载均衡器转发。
推荐理由：UDP 受限网络（企业防火墙、运营商 NAT）是 WebRTC 落地常见痛点，此文给出可直接落地的配置方案。
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。
声网宣布 iRTE2026 实时智能大会定档 2026 年 10 月 23-24 日举行，是声网年度级别的 RTE 与实时智能方向大会，具体议程以官方页面为准。
推荐理由：声网年度大会动向，通常伴随核心产品与战略发布，值得跟踪。