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。
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。
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。
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。
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。