GStreamer 发布 1.28 稳定系列的 1.28.8 修复版本，仅含缺陷修复与多项安全修复，官方建议从 1.28.x 尽快升级。该版本修复了 adaptivedemux2 的 HLS 和 DASH 播放回归、FLAC 音频拖动回归，并改进 Windows 音视频拖动、AMD AMF AV1 编码器强制关键帧及 FFmpeg 封装音频编码器排空等问题。Android、iOS、macOS 和 Windows 二进制包将随后发布。
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 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。
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。
mediasoup 3.29.0 修复了 SCTP 在空流列表下延迟流重置未生效的问题，并新增 sctpZeroChecksum 选项以启用 RFC 9653 定义的 SCTP 零校验和。该版本还调整了 consumer.getStats() 的丢包统计口径，fractionLost 和 packetsLost 现在只统计到消费端下行链路的丢包，不再把发送端上行丢包计入；同时移除 rtpPacketLossReceived 和 rtpPacketLossSent 两项传输自定义统计。
mediasoup Rust 0.30.0 发布，新增 sctpZeroChecksum 选项以启用 RFC 9653 定义的 SCTP 零校验和，并修复空流列表下延迟流重置未延迟入站数据的问题。该版本为破坏性变更：consumer.getStats() 的 fractionLost 与 packetsLost 现仅统计到消费端下行链路的丢包，不再把发送端上行丢包计入。
MediaMTX 发布 v1.21.2，修复连接关闭时误丢 UDP 包、遗留凭据导致播放服务器可被任意访问，以及未携带 JWT 时仍请求 JWKS 的问题。该版本还修复 API 重载死锁、RTSP 会话踢出竞态，并将 Media-Over-QUIC 的目录轨道名由 ".catalog" 改为 "catalog"。
北京市广电局 9 月 20 日印发、10 月 8 日公开的新修订措施（京广发〔2026〕73 号）显示：设立超高清视听产业发展支持资金，4K/8K 拍摄项目按制作能力与质量最高支持 500 万元，超高清数字资产共享平台、入户行动（含电视"套娃"收费治理）与 VR/数字人/裸眼 3D 融合创新项目最高支持 300 万元，并配套上市培育与产业基金机制；2024 年版措施同时废止。
推荐理由：超高清是我国音视频产业政策主线，地方配套资金细则直接影响制作与终端企业的立项方向。
Boson AI 与多伦多大学应用计算硕士（MScAC）项目将于 2026 年 10 月 23–24 日在多伦多举办第二届 Higgs Audio Hackathon，设数字人体验、语音交互等三个评审方向，CEO Alex Smola 及团队成员到场。活动面向所有人开放，不限校内。
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 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。
LiveKit Server 发布 v1.13.9，将 v1.13.8 引入并导致 egress 启动失败的行为变更回退到 v1.13.7 及之前的状态。
whisper.cpp 发布 v1.9.5 维护版本，同步将 ggml 升级至 v0.26.0，nightly 构建号为 b5454。此次更新以 ggml 后端修复与优化为主，涵盖 CUDA、Vulkan、Metal、WebGPU、SYCL、Hexagon 等平台的 Flash Attention、量化与矩阵乘内核改进，并修复多处内存越界与溢出问题。
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。
whisper.cpp 发布预发布版 b5454，将版本号提升至 1.9.5，对应提交 d1be6fd 已在 GitHub 上通过签名验证。该版本由 #4102 号改动完成版本号更新，目前以预发布形式提供。
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。
Apple Developer 十月刊介绍 iPhone Duo 应用提交技巧，并开放新的 iPhone Duo Group Labs 报名。本期还包含一场关于速度与效率的开发者活动、本地化文档以及新的 App Store 创意素材。
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 Server 发布 v1.13.8，新增 agent HTTP endpoints 数据平面，并支持将 sender report 的 abs-capture-time 原样透传。该版本还修复了接收端关闭后仍添加 down track、无 dispatch rule 时改为拒绝而非丢弃等问题，并优化了 SFU 转发路径的每包内存分配。
LiveKit Agents 1.8.5 新增粘性 LLM 回退路由，并加入 Boson Avatar 插件与 AWS Nova Sonic 2.5 支持。该版本还修复了 Google Vertex AI 工具响应携带调用 ID、OpenAI 实时重连时重放函数调用及输出、ElevenLabs WebSocket 预热等问题，并更新 pyjwt 至 v2.15.0。
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。
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。
Sesame 面向所有用户开放 iOS/Android 语音助手 App，底层更新 Conversational Speech Model 以提升表现力与发音，尤其在长对话中差异明显；四位角色（Maya、Miles、Simone、Charlie）各带独立记忆与权限，新增自有计算机执行长任务、Google 应用与自定义 MCP 连接器，并降低谄媚与重复话术，为 2027 年眼镜硬件铺路。
推荐理由：语音临场感路线的代表厂商从预览走向全量，展示了语音 Agent 与个人硬件结合的产品形态。
Tavus 定义 PAL（Personified Application Layer，人格化应用层）：跨聊天、语音、视频看、听、记忆并自适应的新型应用形态，是其产品体系的概念基座。
推荐理由：PAL 概念是 Tavus 全部产品线的统摄框架，理解其方向的入口文档。
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。
Cactus 工程博客给出 Whistle（16.9 MB 端侧 STT 模型）的实用指南：输入为 16 kHz 单声道 float，单次调用最长 30 秒，超出需分片或走流式 API；word_timestamps=True 可输出词级起止与置信度，时间分辨率约 80 ms；流式模式下每个分块重转写缓冲音频，连续两轮一致的词才会提交，保证已出文本不被回改。
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。
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。
Cactus 发布开源语音识别模型 Whistle，单文件 16.9 MB、纯 CPU 运行无依赖，面向手机、可穿戴、机器人、智能家居、汽车与微控制器；支持英德法西意荷波 7 种语言（可自动检测），单次转写最长 30 秒 16 kHz 单声道音频，首 token 延迟 11 ms，输出词级时间戳，并与 Needle 共享同一 C++ 引擎与量化方案，可在浏览器端离线运行。
推荐理由：把 STT 压到 16.9 MB 且保留词级时间戳与 11 ms 首响，是端侧语音这一细分方向上规格突出的开源发布。
Cloudflare 发布 Streamline 开发者 playground，演示在容器内跑 FFmpeg 媒体引擎、Durable Object 编排会话生命周期、Worker 负责控制信令的架构：可从 Stream Live 输入拉 RTMPS、把 HLS 托管视频当输入，实时叠加字幕/标注后再发布为直播或点播，控制端断连后管线继续运行。
推荐理由：无服务器平台上构建自定义视频管线（转码/标注/字幕烧录）的完整参考架构。
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 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 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 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 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 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。
文章从语音识别到语音合成拆解 AI 语音机器人管线，并论证实时视频是企业会话式 AI 的下一形态。
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 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。
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。