OpenSVBench：诊断说话人验证跨部署场景的泛化能力
OpenSVBench 是一个面向跨场景说话人验证评测的公开基准，其固定公开核心包含 26 个测试集、11 个场景组和 9.15M 条验证试验，并配有冻结的目标/非目标密钥。在线排行榜以诊断评测接口形式接受新系统的分数包，输出测试集细分、场景组指标、宏平均 EER/minDCF 及场景对比。对 18 个公开检查点的评测显示，宏平均 EER 相近的系统场景表现可能不同，单一场景的强性能不保证其他场景同样可靠。
#AI 增强
arXiv eess.AS评分4040 arXiv eess.AS评分2929 基于对抗训练的连续 SPL 控制人声强度转换
一种轻量转换器以条件循环一致 GAN 在无平行数据下训练，可对任意目标声压级（SPL）实现连续 dB 尺度的人声强度转换，同时保留内容与说话人身份。在 log-mel、WavLM 和 SpeechTokenizer 三种表示对比中，WavLM 达到目标强度变化的 83%，并同步改变基频；感知评测确认幅度归一化后感知强度随目标等级上升。
arXiv eess.AS评分2727 金融语音需要持续学习正则化吗？EWC 与 mini-KFAC 在财报电话会议 ASR 上的研究
将 Whisper-small 从通用语音语料适配到 Earnings22 基准时，所有评估方法在同域金融语音上均出现性能提升而非遗忘，任务互补性使正则化反而有害。若确需正则化，逐层 mini-KFAC 近似比标准对角 EWC 取得更低 WER 和更稳定的优化。研究建议先评估任务互补性再施加持续学习约束，必要时优先选用 mini-KFAC EWC。
arXiv eess.AS评分2929 面向 SLT2026 SmartGlasses Challenge 的前端辅助大型音频语言模型
针对 SmartGlasses Challenge 赛道一的时间戳说话人归属 ASR 任务，参赛系统采用多模态大语言模型 SoulX-Transcriber，直接输入全长音频并生成结构化转写。为应对双人对话中的重叠语音、背景噪声和远场条件，引入基于规则的引导式源分离与数据驱动语音分离两种前端处理，均在验证集上带来提升。考虑推理稳定性，最终提交使用微调后的 SoulX-Transcriber，测试集 tcpCER 为 6.22。
arXiv eess.AS评分2424 基于自发语音声学生物标志物的阿尔茨海默病检测
一项研究利用 Cookie Theft 图片描述任务采集的自发语音，提取韵律、频谱和时间域的低层声学特征，评估多种机器学习分类器区分阿尔茨海默病患者与健康对照的能力，表现最佳的模型实现了具有临床意义的分组区分。结果支持将无创、低成本的音频筛查工具用于痴呆风险检测，并推动多模态与纵向评估框架的后续研究。
arXiv cs.MM评分2626 LLM 驱动音色生成与插值的结构与表征能动性研究
一项针对 LLM 驱动音色界面的测量研究发现，用户可触达的音色空间是每放置一个声音维度加一的 zonotope，而界面显示的位置与实测偏差约为该区域宽度的三倍。误差来自模型预测坐标和合成器参数插值两个独立来源，36 条细化指令中 26 条无可感知变化，较弱模型下界面未执行任何操作却报告已收敛。
arXiv eess.AS评分3131 EarLog：将播放音频转为机会式耳部生理探测，实现个性化听力风险感知
EarLog 将耳机播放音频本身作为探测信号，通过内容条件化残差感知识别声反射（AR），在嵌入式控制器上实时运行，仅需低成本双麦克风附件。在 81 名参与者、16 款耳机、超 400 小时录音的评估中，该方法在临床参考基准上达到 99.0% 灵敏度和 98.7% 特异度，可在日常聆听中记录个体化 AR 事件，为听力风险的纵向研究提供数据。
arXiv cs.MM评分3838 DIA：面向云游戏的深度强化学习兴趣感知 ABR 方案
针对云游戏在无线网络下高分辨率、低延迟传输的难题，研究者提出基于深度强化学习的兴趣感知 ABR 方案 DIA，借助现成语义分割模型实现对象级码率调整，并通过基于 Transformer 的特征提取器和兴趣感知奖励函数识别关键对象。该方案依据玩家游戏内移动速度、对象特征和网络状况自适应调整码率，无需眼动追踪等额外硬件。实验显示，在 5G 场景下 DIA 的归一化平均 QoE 至少比 SOTA ABR 算法高 20%。
arXiv eess.AS评分4040 E3-System：可显式控制、易用的表达性零样本 TTS 框架
E3-System 是一个面向表达性零样本 TTS 的意图到语音统一框架，可在给定目标说话人和自然语言风格描述或语音风格提示时，生成保留目标音色的表达性语音。它通过千小时多语言情感语音数据集 EmoData、将文本描述对齐为声学风格提示的 Style-RAG，以及借助 VC 增强音色-风格解耦的 Dual-TTS，打通从风格建模到可控合成的完整控制闭环。实验显示其在语音质量、说话人保持和显式表达控制上表现良好。
arXiv cs.MM评分2222 EmoGavel：面向多模态情感偏好学习的可验证奖励接地感知强化学习框架
EmoGavel 是一个面向多模态情感偏好学习的接地感知强化学习框架，通过可验证奖励同时学习偏好预测、错误定位、修复与缺失证据恢复。其先以 Grounded SFT 利用受控错误构造信息进行监督微调，再用 GA-GRPO 结合偏好门控接地奖励与动态零方差救援优化可验证结果。在 EmoPrefer 与受控错误评测集上，该方法提升了自然偏好预测与受控错误判别能力，并保持较强的错误接地性能。
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。
MarkTechPost评分4040 Cloudflare 发布 Clef-omni：面向音频、视频、图像与文本的 30B-A3B 多模态决策模型
Cloudflare 发布开源权重决策模型 Clef-omni，基于 Qwen3-Omni-30B-A3B-Instruct 后训练，30B 总参数、3B 激活（MoE），可在一次调用中对文本、图像、音频和视频打分，Apache-2.0 许可，输入价格 $0.15/百万 tokens。它在意图分类任务领先，CLINC150+OOS 达 97.7 macro-F1，但在推理与工作流评测中落后于 Clef，GPQA Diamond 仅 47.4。同批更新将 Clef-flash 价格降至 $0.038，托管 Clef 迁至 SGLang 后中位延迟提升 1.7 至 2.0 倍。
ElevenLabs Blog评分2222 什么是语音活动检测（VAD），它如何工作？
语音活动检测（VAD）以毫秒级音频帧为单位判断是否含有人声，并以 0 到 1 的置信度输出二值结果，供 ASR/STT、LLM 等下游系统决定是否处理音频。算法按采集、分帧、特征提取、打分、状态决策五阶段循环运行，分为传统信号处理、神经网络和语义 AI 三类。VAD 只判断帧内是否有人声，判断说话人是否说完需由端点检测（endpointing）完成。
ElevenLabs Blog评分2222 ElevenLabs 在 ElevenCreative 推出 Brand Kit
ElevenLabs 在 ElevenCreative 中推出 Brand Kit，把品牌视觉规范从提示词中抽离为工作区里的独立对象，一次设置即可作用于每次生成。用户可存入颜色、字体、Logo、参考图和规则，在 Image & Video、Flows 和 ElevenCreative agent 的提示词中用 @ 调用，同一套规范跨各功能复用，并支持团队与多品牌分别建套切换。该功能现已上线，官方称下一步将把 Kit 扩展到品牌声音与音效。
OpenAI News评分2222 Asana 用 GPT-6.1 Sol 在浏览器测试中将模型成本降低 76 倍
Asana 借助 Codex 中的 GPT-6 Astra，在浏览器测试中让其浏览器智能体成本降低 76 倍、速度提升 5 倍，从而为客户提供能力更强的模型。
LiveKit Blog评分2222 Serve AI 如何用 Agent Simulations 把语音智能体迁移到 LiveKit
Serve AI 将其电话智能体从 Retell 的对话流程图迁移到 LiveKit 单提示词架构，用 Agent Simulations 跑约一百通真实生产通话，迭代十到十五次后达到 98% 通过率、中位轮次延迟 1.3 秒（上限 1.5 秒）才切换流量。首个账号迁移耗时一周且未回滚，上线后问题拦截率提升 15%，Serve 估算该客户每年再省 32 万美元。
LiveKit Blog精选评分6262 LiveKit 推出 Agent Simulations，用模拟用户测试语音智能体
LiveKit 面向所有 LiveKit Cloud 项目正式推出 Agent Simulations，用 LLM 驱动的模拟用户按任务级场景跑完整对话，再由 LLM 评审给出通过或失败及原因。文本模拟跳过语音模型、只测对话逻辑，默认低优先级调度，可在每次 PR 上运行并在失败时返回非零退出码；音频模拟覆盖含背景噪声、打断和附和声的完整音频链路，实时运行且计费更高，适合夜间或发布前跑。CLI 可读取智能体代码自动生成场景，场景以 scenarios.yaml 版本化保存。该功能 10 月内免费，但模拟会调用真实智能体的 LLM 及音频模式下的 STT、TTS，按正常费率计费。
推荐理由：LiveKit 把语音智能体测试从逐轮对话提升到任务级模拟，并给出文本与音频两种运行方式的成本取舍。
webrtcHacks精选评分7474 实测：Chrome 新回声消除器把语音代理自问自答率降到 Edge 的五分之一
Chrome 新的 ML 残差回声估计器把语音代理的单词错误率减半，也减少了代理应答自己问候语的情况。作者用 Hugging Face speech-to-speech 搭建语音代理，在相同房间、麦克风和服务器下交替使用 Edge 与 Chrome 各跑一百多次：回声被 STT 当成用户语音的比例为 Edge 21%、Chrome 4%，失败都发生在会话开始后 1.0 到 2.2 秒之间。dump 显示问候语第一段被抑制 51 到 58 dB，约一秒后的第二段却以高于播放 7 到 13 dB 的电平上行，增益控制器在此期间把自适应数字增益从 15 dB 调高，放大了漏出的回声。作者还指出 min_speech_ms 从 500 ms 降到 384 ms 后，三次失败落在 384 到 500 ms 之间，而 smart-turn-v3 以 0.954 的置信度判定回声已说完，说明问题出在流水线看不到的浏览器组件。
推荐理由：作者用 AEC dump 对比 Chrome 与 Edge 的语音代理自问自答率，并给出 VAD 阈值取舍的实测依据。
声网博客精选评分6060 微软发布三款语音模型，流式识别与合成延迟进入百毫秒区间
微软于2026年10月1日发布三款语音模型：流式语音识别MAI-Transcribe-2-Streaming、语音合成MAI-Voice-2.1和MAI-Voice-2.1-Flash。MAI-Transcribe-2-Streaming在用户开始说话后约100毫秒给出首个部分转写结果，代价是模型无法回看整句上下文，易混淆词和被打断场景的出错概率更高；MAI-Voice-2.1-Flash端到端延迟150毫秒，推理速度比上一代提升55%，成本降低约60%，分块生成可能影响语调连贯性。文章还提到ElevenLabs v4 Turbo推理延迟也在100毫秒量级，并指出流式传输下连续小片段丢包会带来明显卡顿。
推荐理由：微软三款语音模型把流式识别与合成延迟压到百毫秒级，可对照理解分块生成在准确率与语调连贯性上的取舍。
AWS Media Blog评分2222 AWS 在 IBC 2026 展示 AI 媒体能力：四项 AWS Elemental 新功能亮相
AWS 在 IBC 2026 上发布四项 AWS Elemental 新能力，将 AI、个性化与智能变现引入直播视频工作流。其中 MediaPackage Dynamic Multiview 让观众自选多机位布局，可为广播商节省最高 97% 的编码成本；Inference Contextual Metadata 则实时提取 AI 元数据以支撑个性化与情境广告决策。
Hume AI Blog精选评分5858 Hume 拆解表情测量模型：面部与语音情绪信号如何变成可评测的结构化分数
Hume AI 的技术长文，介绍其 Expression API 背后的面部与语音表情测量模型的科学依据、研发过程与评测方法：把语气、迟疑、惊讶等信号转为结构化分数，用于数据标注、AI 输出评估与跨录音比较，并跟踪交互过程中情绪随时间的变化。
推荐理由：少见地把情绪测量模型的构建与评测方法完整公开，对情感计算与语音 Agent 评测有方法论价值。
Hume AI Blog精选评分6565 Hume AI 发布 Expression APIs：把语音与面部表情转为结构化感知分数
Hume AI 推出 Expression APIs，将声音与面部表情转化为结构化分数，估计他人对该表达的可能感知，语音侧还额外度量说话风格与嗓音特质；支持实时交互与离线录音分析标注两种模式。典型场景是让语音 Agent 识别客户语气中的挫败感——转写文字相同而情绪不同的情况。
推荐理由：把情绪信号做成可调用的结构化 API，补上语音 Agent 与情感计算管线里转写之外的关键一环。
webrtcHacks精选评分8080 Chrome 静默上线神经回声消除器，实测回声抑制提升 5.4 dB
Google Chrome 桌面版在用户不知情的情况下下载了一个 425 KB 的 TFLite 模型，接管 AEC3 中残差回声估计部分，默认开启且无开关，仅 Chrome 可用，Edge、Electron、Firefox 和 Safari 都拿不到。作者用 Microsoft AEC Challenge 合成语料的约 500 个文件跑 audioproc_f 对比，远端单讲帧的中位回声抑制从 19.8 dB 升到 27.0 dB，每文件中位提升 5.4 dB，80% 文件更好，双讲时近端电平基本不变（中位 +0.04 dB）。在 125 个文件上用 Whisper small.en 测试语音代理场景，中位词错率从 0.500 降到 0.235。
推荐理由：作者用 AEC Challenge 语料实测 Chrome 神经回声消除器，给出回声抑制与语音识别词错率的对照结果。
LiveKit Blog评分3838 Retell、Vapi 与 LiveKit 语音 AI 智能体对比：面向开发者的选型指南
LiveKit 从四个工程问题对比 Retell、Vapi 与 LiveKit 三款语音 AI 智能体平台：上线后由谁迭代、需求超出默认配置时如何改动、是否需支持电话之外的 Web、移动、视频与 WhatsApp 等渠道，以及规模化成本。三者每分钟全包成本估算分别约为 $0.070–$0.310、$0.070–$0.116 和 $0.037–$0.099，仅 LiveKit 支持 Apache 2.0 开源与自托管。
Boson AI Blog精选评分5555 Boson Higgs VoiceOver 登陆 Premiere Pro：Higgs TTS 3 驱动的可导挥 AI 配音与词级字幕
继 DaVinci Resolve Studio 之后，Higgs VoiceOver 插件现已支持 macOS 上的 Adobe Premiere Pro：每句旁白由 Higgs TTS 3 生成并作为独立剪辑落入时间线，可按行导演情绪、风格与语速，生成词级时间对齐字幕，并用约 10 秒自己的音频构建 100+ 语言的定制音色；使用自己的 Boson API key，按用量计费，Final Cut Pro 版本在开发中。
推荐理由：AI 配音进入主流专业剪辑软件时间线，把 TTS 能力落到视频生产工作流，实用面较广但属常规产品扩展。
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。
Google AI Blog评分2222 Google 2026 年 9 月 AI 更新汇总：Gemini 4 Argon 等
Google 回顾 9 月 AI 更新，最新前沿模型 Gemini 4 Argon 具备 100 万 token 输出上限，面向网络安全防御，目前通过 Fairwind Program 向受信任防御者分阶段开放。同月还发布 Gemini 3.8 Flash 与 3.8 Flash Cyber、Gemini 3.8 Live 语音模型，并为 Gemini 应用新增 Connected Apps。
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。
Mux Blog评分3838 Mux 推出 Robots playground：写代码前先调好 AI 视频工作流
Mux 发布 Robots playground，可在 Dashboard 中直接对自有视频运行 AI 工作流并查看格式化输出，无需先写代码。工作流涵盖摘要、关键片段提取、字幕翻译与内容审核，每次调用即真实 Robots API 任务，输出保留 30 天并按 unit 计费。页面支持参数与输出引导调优、两次运行结果并排对比，并可复制 agent prompt 将调优配置带入生产。
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1717 AI copilot 与 AI agent 如何选：自主性、触发方式与问责决定适用场景
Tavus 撰文对比 AI copilot 与 AI agent 的产品选型：copilot 在人工任务内提供草稿与建议、由人保留否决权，agent 则接受目标后自主调用工具直至完成。文章引用 Gartner 定义与四级自主性分层，指出二者在自主性、触发范围、问责归属和集成范围四个维度分化，并强调当对话本身即交付物时，需要真实在场感的 AI 视频 agent。
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2222 Tavus 解析实时视频智能体的 AI 微服务架构：拆分感知、对话流、推理与面部行为
Tavus 提出用 AI 微服务架构拆分实时视频智能体，将感知、对话流、推理和面部行为生成拆为四个可独立部署、独立扩缩容的服务，避免单体架构中一处卡顿导致整张脸冻结。感知服务输出上下文陈旧度不超过 300ms，行为生成需维持 1080p 下 40fps，并满足 ITU-R 音频领先视频 45ms、滞后 125ms 的可察觉阈值。
Tavus Blog评分1212 什么是数字孪生，它与 AI 复刻人有何不同？
数字孪生是某个特定物理对象的虚拟模型，靠传感器数据持续同步、实时更新，用于监测、预测和决策，ISO 23247-1 将其定义为可观测制造要素的适用数字表示。它与仿真、复刻人的区别在于：仿真无实时数据，复刻人只从录制视频训练一次、不再与本人重新同步。Tavus 认为，把复刻人称作数字孪生会误导用户以为存在实时连接，并建议用 Replica 加 Personified Application Layer（PAL）来区分外观声音与对话系统。
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。
Tavus Blog精选评分7474 Tavus 用状态空间模型解析 Phoenix-4.5：毫秒级实时情感与面部行为生成
Phoenix-4.5 是首个将情感状态生成、主动倾听行为与连续面部动作统一为单一系统的实时模型，文章以代码讲解其状态空间建模实现，覆盖毫秒级延迟的上下文感知表情与头部动作。
推荐理由：实时数字人行为生成的技术深度文，披露模型架构思路与延迟水平。
Tavus Blog评分4040 免费 AI 头像生成器与企业平台的分界：单向片段与实时数字人的能力差
文章对比免费生成器（产出单向视频片段）与企业级 AI 数字人（实时看听说），指出免费档失效的位置与时机。