FunASR 1.4.15 发布，移除 NumPy 版本上限并兼容 NumPy 2，同时修复 KWS 跨包/EOS 边界丢帧、动态 VAD 静音调度计入空闲时间及检查点排序纳入无效验证指标等问题。该版本还新增 MOSS 的 Gradio 配置与离线 vLLM 整段转写示例，支持时间戳和匿名说话人标签。NumPy 兼容性仅在 Linux/Python 3.12、NumPy 1.26.4 与 2.4.0 环境下验证，不保证覆盖所有历史依赖与 GPU 组合。
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。
Sonic-3.6 在 15 个语言环境的盲测对比中对 Sonic-3.5 最高获得 93% 听者偏好，发布距 3.5 仅两个月，并登顶 Artificial Analysis 排行榜受控与 provider 双榜第一。
推荐理由：TTS 头部产品高频迭代且数据扎实，反映语音生成竞争白热化。
LiveKit 发文梳理语音智能体对 yes、no、ok 等短语音应答失败的原因，指出回合结束需要 final_transcript 和 end_of_speech 两个事件同时满足，中间转写不会关闭回合。文章列举 STT 未生成最终转写、端点检测过于激进或过于宽松、噪声抑制误删短语音、SIP 通话质量差以及 backchannel 被误判为打断等成因，并给出对应做法，包括启用 transcription_timeout 做优雅恢复、turn_detection="stt" 时将 endpointing.min_delay 设为 0、按场景选择 voice isolation 或 background noise suppression、优先使用 G.722 等支持 HD voice 的编解码器，以及用自适应打断处理识别 backchannel。
推荐理由：LiveKit 官方梳理短语音回合检测失败的常见成因，并给出可逐项排查的配置与恢复手段。
声网发布游戏语音质量监控方法，把语音可用链路拆成开启语音、获取频道信息、加入频道、发布订阅、音频播放五个时间点，建议接通率以最后必要环节为准，持续低于 98% 通常说明存在系统性问题。文章结合 Unity RTC 回调给出排查顺序：听不到先查频道、OnRemoteAudioStateChanged 订阅状态和音频路由，再查网络；卡顿用 OnRemoteAudioStats 的 audioLossRate、frozenRate、jitterBufferDelay、e2eDelay 和 mosValue 区分网络与客户端问题，并建议质量看板先保留接通率、可听首帧时间、卡顿率、端到端延迟 P95 等八项指标。
推荐理由：声网结合自家 Unity RTC 回调，把游戏语音从玩家反馈到指标看板的排查链路拆成可落地步骤。
Deepgram 发布对话原生 TTS 模型 Flux TTS，主张把 VAD、barge-in、状态管理和对话历史回喂等编排职责收进模型本身：跨轮保持语气、节奏与发音，无需 SSML 或风格标签，原生处理打断并回报“用户实际听到的内容”，每句话有 Idle/Generating/Completing 生命周期事件，且支持说话中改语速与发音。技术上是三项选择——高保真神经编解码、文本与音频交错生成（官方称首音频延迟最低 80ms、长度无关地保持在 200ms 以内）、Mamba 状态空间骨干以固定大小记忆跨会话持有上下文。官方称其朗读词错误率中位 2.2%（约为 ElevenLabs 的一半、Cartesia 的三分之一），难例 3.4%，可云端、自托管或本地部署。
推荐理由：TTS 从“朗读”转向“面向对话状态”的代表性产品发布，直接影响语音 Agent 的打断与跨轮一致性。
Cartesia 为流式 STT 模型 Ink-2 发布两项功能：keyterm prompting 支持最多 100 个关键词（共 1200 字符）无额外延迟地提升品牌名、药名等实体转写，可配置 turn detection 则允许在端点检测的速度与准确率间调优，并给出 Earnings22 关键词召回数据。
推荐理由：面向语音 Agent 实战的 STT 能力增强，关键词提示是行业普遍痛点。
智能硬件语音交互的体验瓶颈往往不在 LLM，而在麦克风采集、回声消除、RTC 实时传输、流式 ASR、TTS 播放与打断控制等基础环节。文章拆解了从采集、前处理、实时传输到 ASR、LLM、TTS、播放与打断的完整链路，指出 RTC 是弱网下保持语音连续的关键通道，并建议量产前按真实场景验证麦克风、弱网重连、儿童语音与云端成本。
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。
声网把 Voice Agent 的端到端延迟拆成 RTC 延迟、算法前处理延迟、ASR 延迟、LLM 延迟和 TTS 延迟，启用数字人时再加渲染延迟，并给出各段典型范围，如 RTC 150-300 ms、ASR 末字延迟 400-700 ms、LLM 首字节 250-1000 ms、TTS 首字节 100-350 ms。文章建议按轮次记录 session_id、turn_id、asr_final_ts、llm_first_token_ts、tts_first_audio_ts、interrupt_detect_ts 等字段，并分别观测 ASR 的 TTLW 与 WER、LLM 的 TTFB 与 TTFS、TTS 首帧音频、VAD 的起止检测延迟和打断成功率。选型阶段可用声网 AI 模型评测平台对比 ASR、LLM、TTS 组合的 P50、P90、P99 延迟与成本，上线后再用会话级 trace 定位瓶颈。
推荐理由：把 Voice Agent 的端到端延迟拆成 RTC、ASR、LLM、TTS、VAD 各段，并给出可采集的会话字段与仪表盘结构，适合直接对照搭建观测体系。
字节 Seed 团队发布 Seed Audio 1.0 音频生成模型，官方定位为业内首个可通过单条 Prompt 直接生成影视级音频的模型，支持文本、音频等多模态输入，覆盖音效等全要素音频创作。
推荐理由：豆包语音产品线从 TTS 走向全要素音频生成的标志性版本。
声网博客整理了5个可直接上手的免费语音AI工具，覆盖TTS、ASR与端到端语音对话链路。Bosonai Higgs TTS 3以4B参数提供零样本声音克隆和100+语言支持，API免费限速且兼容OpenAI格式；HuggingFace开源语音栈由Parakeet、Gemma 4 31B和Qwen3TTS组成，已在超9000台Reachy Mini机器人上部署。其余为浏览器转录工具SoundWise、支持单词级编辑的开源TTS ViiTorVoice，以及研究导向的扩散式ASR模型。
作者在桌面 Chromium 的 libopus 构建中启用 AVX2 向量化，替换失效的 OPUS_X86_MAY_HAVE_AVX 并新增 opus_avx2 source_set，编译三个 _avx2.c 内核，使 Opus 编码时间减少 23%。实测显示语音编码下降 17% 至 23%，在复杂度 8、9、10 下稳定；音乐仅降约 2%，解码基本不变。约 96% 的 SILK 收益来自 silk_NSQ_del_dec，该改动已进入 Chromium 152。
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。
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。
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。
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。
双耳渲染通过HRTF模拟声音到双耳的传播过程，用普通耳机实现前后上下三维定位，区别于仅有左右维度的立体声和依赖多音箱的环绕声。其实现分双耳录音与双耳合成两类，后者灵活可实时调整声源，但受限于HRTF个性化、头部追踪缺失及多声源卷积的算力开销。
按 ITU-T P.800 给出 MOS 五级划分（4.0 以上适合商用、3.5 以下急需改进），介绍 PESQ、POLQA、VISQOL、VMAF 等客观算法与 E-model（G.107）估算公式；文中称其水晶球平台用改进 E-model 加机器学习预测 MOS、准确率 90% 以上，并引用“MOS 每降 0.5 分用户流失率上升 20%-30%”的结论。
LiveKit 开源 livekit-wakeword，支持一条命令从零训练自定义唤醒词模型，官方称误报较 openWakeWord 低 100 倍，并提供 ONNX 与 Home Assistant 兼容。
推荐理由：端侧唤醒词开源工具的实用更新，对语音 Agent 前端链路有价值。
WebKit 在 Safari 26.4 加入 WebTransport，面向低延迟场景（多人游戏、实时协作、视频会议）；macOS 上 getUserMedia 可同时采集多路麦克风并动态把已有采集迁移到合适处理单元、同时管理回声消除，便于做播客工具与多路录音；此外增强字幕外观自定义（字号、颜色、背景等）。
推荐理由：WebTransport 落地与多麦克风采集是实时音视频在 Safari 上的能力补齐。
OpenMOSS 的对话式 TTS 项目 MOSS-TTSD 打上 v0.7 标签，release 说明仅注明这是 v1.0 迁移前的存档版本（Archive v0.7 before v1.0 migration），未列出具体功能变更或指标。
按发送端丢包恢复与接收端 PLC 两条线展开：发送端靠 FEC 与低比特冗余，接收端 PLC 不占额外带宽、不增延迟，分插入、插值（波形替换、音高波形复制、时域校正，G.711 采纳音高复制）与基于重构的合成（如 G.723.1 插值线性预测系数）三类，并说明 PLC 常与 FEC、自适应码率配合使用。
火山引擎 2025 年 12 月 5 日发布豆包语音识别模型 2.0（Doubao-Seed-ASR-2.0）：基于 PPO 强化学习做上下文推理识别，上下文关键词召回率提升 20%，支持单图/多图视觉输入辅助识别，并支持日语、韩语、德语、法语等 13 种海外语种。
推荐理由：ASR 2.0 引入视觉多模态辅助语音识别，是"听得懂"到"看得懂"的代际更新。
声网与游戏语音平台 Oopz 合作，将基于判别式 AI 的降噪技术融入游戏开黑场景，可识别并抑制稳态与非稳态噪音，覆盖十四大场景上百种噪音，并在端侧完成运算。该方案在低信噪比下保持人声清晰，配合去混响无啸叫技术解决多设备连麦的回声与啸叫问题。
Cartesia 推出 Voice Changer，可将任意音频片段转换为目标音色，同时保留原声的表达方式、情感与韵律。用户可从录音棚级音色库中选择，或克隆自己的声音，并精确控制情感与节奏；该模型基于 S4、Mamba 等状态空间模型架构，已在 Cartesia playground 上线。