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。
全部音视频动态
Tavus Blog评分1212 Tavus Blog评分4545 Tavus 展望 2026 年销售 AI：视频智能体如何嵌入销售技术栈
文章梳理销售 AI 从文本、语音到视频的三层演进，认为视频智能体补上面对面时机感、感知与临场感，适合叠加进现有销售工具栈。
Jitsi Blog精选评分6262 Jitsi Meet 推出多屏支持，单次会话可渲染到多个显示器
Jitsi Meet 新增多屏支持，一次会话可把演讲者画面、屏幕共享、白板等分别渲染到多个显示器，无需重复入会。第二屏通过 React portal 复用同一 redux store 和组件，视频轨道用 track.clone() 克隆且不增加解码；由 iframe External API 的 setSecondScreen 命令和三个事件控制，也可在参会者右键菜单等处触发。该功能默认关闭，需配置 secondScreen.enabled=true 开启，目前仅支持 Chromium 系浏览器，且需要弹窗和窗口管理两项权限。
推荐理由：Jitsi Meet 新增多屏渲染能力，读者可了解其与开两个标签页在参会者身份和媒体订阅上的差别。
海外技术动态精选评分7878 IETF MoQ Transport 推进到 draft-22
2026 年 10 月 1 日发布的 MoQT draft-22 系统定义了运行在 QUIC/WebTransport 之上的发布/订阅协议：Objects/Tracks/Namespaces 数据模型、relay 转发与缓存职责、订阅优先级与传输顺序控制、控制消息线格式，以及用未分配码点防止协议僵化的机制，是 MoQ 走向 RFC 的核心草案。
推荐理由：MoQ 标准化的主线文档，draft-22 是厂商互操作（Cloudflare/Bitmovin/Ant Media 等）共同对齐的版本。
Inworld AI Blog精选评分7272 Inworld 收购 Ultravox：补齐语音理解与话轮管理，打通实时语音 Agent 全链路
Inworld 宣布收购实时语音 Agent 平台 Ultravox，其团队加入并继续维护平台；双方此前已有 TTS 合作。Ultravox 带来语音理解、推理与任务执行以及话轮/打断管理能力，与 Inworld 的 Realtime TTS-2、Realtime STT-1 及实时推理基础设施整合，首个整合改进已上线。
推荐理由：语音 Agent 赛道少见的端到端并购，理解侧与生成侧头部团队合并，行业格局信号明确。
海外技术动态精选评分5656 Cloudflare Realtime SFU WebSocket 适配器正式 GA
Cloudflare Realtime（原 Calls）平台宣布 SFU WebSocket 适配器正式商用（GA），为基于 WebSocket 的实时应用接入 Realtime SFU 提供正式支持。
推荐理由：Cloudflare Realtime 平台的正式化节点之一，Calls 产品演进的延续。
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。
AWS Media Blog评分3838 用 Amazon CloudFront 缓存标签自动化流媒体内容刷新
流媒体平台可用 Amazon CloudFront 缓存标签按语义分组缓存对象，并通过单次 API 调用精准失效，替代逐条枚举 URL 路径或通配符刷新。配合 EventBridge 与 Lambda，可构建事件驱动的自动刷新链路，从事件发布到缓存清除通常在数秒内完成。每个缓存对象最多 50 个标签，标签不支持通配符，每月前 1000 条失效路径或标签免费，超出部分每条 $0.005。
海外技术动态精选评分6464 CDN77 详述为何用 NETINT ASIC 转码器替代 x264 与 NVENC 承载数万路直播
CDN77 媒体系统架构师详解其转码硬件选型：在对客户数百条样本视频、数万次编码的对比测试中，NETINT Quadra T1U ASIC 在 720p/500kbps-1Mbps 社交媒体码率下画质优于 x264，较 GPU 方案约好 10%，能效约为 GPU 的 3 倍；团队最终采购数千张卡承载上万个并行直播流，并用 capped CRF 平衡画质与码率尖峰。文中同时讨论了 ASIC 锁定单一应用的风险与对冲方式。
推荐理由：罕见的规模化直播转码硬件选型实测复盘，CPU/GPU/ASIC 三路线的画质与能效数据有直接采购参考价值。
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。
BlogGeek.me评分3232 WebRTC 是"寻找问题的解决方案"吗？13 年后再看它的真实处境
WebRTC 并未消亡，但已进入维护期：Chrome 中调用 getUserMedia() 的页面占比从 2019 年的 0.05% 升至今年 0.3%，2025 年中起重新爬升。与此同时 discuss-webrtc 讨论量自 2014 年峰值持续下滑，2026 年前 9 个月 64% 的帖子无人回复，libwebrtc 提交减少、主要由 Google 维护，标准化会议与规范变更也在收缩。
ElevenLabs Blog精选评分6767 ElevenLabs 发布 Eleven v4 与低延迟版 Eleven v4 Turbo 语音模型
ElevenLabs 发布文本转语音模型 Eleven v4 及其低延迟版本 Eleven v4 Turbo，称 Eleven v4 在 Artificial Analysis 排名第一，并在与 Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS 和 Gemini 3.8 Flash TTS 的盲测对比中被约 75% 听众偏好。Eleven v4 Turbo 面向语音代理等低延迟场景，中位推理延迟约 100ms，中位首次发声时间约 150ms，与 ElevenAgents 平台协同优化。两款模型支持 90 多种语言，Instant Voice Clones 用 10 秒音频即可克隆，并新增 Professional Voice Clones 支持，现已上线 ElevenAgents、ElevenCreative 和 ElevenAPI。
推荐理由：官方给出两款新模型的延迟、盲测偏好与克隆门槛，可据此判断语音代理和配音场景是否值得迁移。
声网博客评分4242 从 RTC 2026 看行业关注重心偏移：语音AI正成为实时系统研究主战场
IIT RTC Conference 2026 将"AI in RTC"设为与 WebRTC 并列的独立分论坛，语音AI对实时系统提出的规模、延迟、信任问题被正式承认为独立研究方向。会议讨论指出，语音AI路径天然非点对点，TURN中继转发压力随并发迅速堆高，可用eBPF将ChannelData包转发下沉内核层；一次对话约800毫秒延迟预算中，端点检测最难做准。2026年8月公开评测显示，语音端到端延迟最快已达0.44秒。
海外技术动态评分5252 Firefox 157 为 WebRTC 通话启用硬件 AV1 解码
Firefox 157 于 2026 年 9 月 28 日发布，WebRTC 视频通话首次支持在兼容设备上使用硬件 AV1 解码（此前一直软件解码），同时包含 HDR 视频修复与播放变速时的音视频同步改进；对视频通话客户端意味着解码 CPU 占用路径需要重新测试。
Pipecat Releases精选评分6262 Pipecat v1.12.0 发布：新增分类器与 MOQ 客户端重连，TTS 支持 IPA 发音映射
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。
海外技术动态精选评分5858 libaom v3.15 发布：VOD 低复杂度解码模式支持 720p-1080p 并修复一批 AI 检出的安全问题
AOMedia 视频 编码工作组发布 libaom v3.15（代号 Quibble Pants，发布 tag v3.15.1）：完成 VOD 场景低复杂度解码模式的开发并支持 HD 分辨率编码，IntraBC 屏幕内容编码提速且允许用于实时模式，同时修复了近期由 AI 工具检出的多个安全问题；官方建议所有 libaom 用户与发行版维护者升级。
推荐理由：参考编码器的低复杂度解码模式走向实用，对带宽受限终端的 AV1 落地有直接价值。
Pion webrtc Releases评分2222 Pion WebRTC v4.2.22 发布：TCP mux 写缓冲提升至 4 MB
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。
论文与标准精选评分7070 实时语音 Agent 评估综述：从组件级质量指标走向任务落地结果
综述系统梳理实时语音 Agent 的评测谱系：从 ASR/TTS 组件指标，到 VoiceBench、Full-Duplex-Bench v1.5/v2 等会话行为基准（覆盖重叠、打断、多轮与多说话人），再到以状态校验和任务完成为准的 agentic 评测，指出评估重心正从"系统说了什么"转向"在真实对话约束下做了什么"。
推荐理由：语音 Agent 评估方向的系统性综述，为搭建评测体系提供完整地图。
论文与标准精选评分6666 Duplex-MPE：2000 场景评测全双工模型多人交互
该基准构造 2000 个由 3–4 名真人说话者加一个助手组成的场景，以连续音频流（无转写、无轮次边界）评测助手的应答发起、答案准确、保持沉默与适时停说四项能力，并覆盖显式/隐式指涉配对；对 MiniCPM-o 4.5、Moshi、FLM-Audio、Voila、Freeze-Omni 五个开源系统的评测显示 MiniCPM-o 4.5 在三项能力上领先。
推荐理由：把全双工评测从双人对话推进到多方交互，直指语音 Agent 在群聊场景的核心缺陷。
Boson AI Blog精选评分5858 Boson AI 发布 Higgs VoiceOver：在 DaVinci Resolve 和 Premiere Pro 内生成 AI 配音
Boson AI 发布 Higgs VoiceOver 插件，把 AI 配音放进视频剪辑器，由 Higgs TTS 3 驱动，每句旁白生成独立片段并自动排到时间线的配音轨上。它支持用标签控制情绪、语速和音效，自动生成词级时间轴字幕，用约十秒音频克隆自定义声音，覆盖 100 多种语言且同一句内可切换语言。该插件已在 macOS 上的 DaVinci Resolve Studio 和 Adobe Premiere Pro 上线，Final Cut Pro 与 Windows 版本在开发中，使用自带 Boson API key 按量计费，价格为每千字符 0.015 美元。
推荐理由：面向剪辑工作流的 AI 配音插件，说明它如何把配音、字幕和声音克隆放进时间线，以及按量计费的成本口径。
SRS Releases精选评分5252 SRS 发布 8.0 开发版首个版本 v8.0-d0
SRS 发布 8.0 开发版首个版本 v8.0-d0，对应 8.0 dev0 与 v8.0.48，代码约 328208 行，并在 README 和 SRS 8.0 changelog 中加入该发布线。该版本提供源码包 srs-server-8.0-d0.tar.gz、CentOS7 x86_64 二进制包，以及 ossrs/srs:8、ossrs/srs:v8.0-d0、ossrs/srs:8.0.48 三个 Docker 镜像标签。
推荐理由：SRS 发布 8.0 开发版首个版本，给出了版本号、代码规模和 Docker 镜像标签，可据此判断升级节奏。
SRS Releases评分4242 SRS 发布 v7.0-a1：7.0 alpha1 版本
SRS 发布 v7.0-a1，即 7.0 alpha1 版本，对应版本号 v7.0.165，代码量 315306 行。该版本提供源码包 srs-server-7.0-a1.tar.gz 与 CentOS7 x86_64 二进制包，并已推送 Docker 镜像 ossrs/srs:7、ossrs/srs:v7.0-a1 和 ossrs/srs:7.0.165。
Tavus Blog评分5252 视频外联 3x 回复率核查：Salesloft 1.34 亿封邮件实测回复率提升 26%
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。
Tavus Blog评分3838 用视频智能体练谈判：Tavus 谈可实时反驳的高风险 AI 谈判陪练
文章介绍与能看、听并实时反驳的视频智能体演练高风险谈判，并列出谈判训练平台的评估要点。
Tavus Blog评分4040 Tavus 谈企业培训中的 AI 角色扮演：视频形态为何胜过传统练习
文章面向企业培训团队说明 AI 角色扮演的运作方式、相对传统练习的优势与平台选型要点。
Tavus Blog评分4040 Tavus 论销售会话式 AI：临场感补上语音智能体看不见的成交线索
文章称语音智能体能筛选线索但看不到视觉信号，视频智能体以临场感补足销售会话式 AI 中影响成交的维度。
Tavus Blog评分5252 会话式视频 AI API 开发者指南：Tavus 梳理 API 分类与生产化路径
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。
Tavus Blog评分5454 会话式 AI 上线前安全清单：加密、合规认证、提示注入与审计日志
文章列出会话式 AI 进入生产前应核验的事项：加密标准、合规认证、提示注入防护与审计日志，面向企业部署方。
Tavus Blog评分4242 预渲染 AI 头像生成器与实时引擎的差异：Tavus 对比两种视频架构
文章区分两类产物：预渲染生成器输出成品视频文件，实时引擎维持活对话，建议按是否需要双向互动选择架构。
Hume AI Blog评分4040 Google Gemini 3.8 Flash TTS 登顶 Hume 真实世界 VoiceEQ 榜单
Hume 对 Google Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS 预览版进行独立评测，两款模型分列 Expressivity–Reliability 前沿评分第一、第二，达 0.920 和 0.914。相比 Gemini 3.1 Flash TTS，长文本稳定性得分从 1.22 升至 2.89 和 3.03（五分制），语音设计可控性领先，但说话人相似度与部分精细控制仍偏弱。
声网博客评分3030 Meta Connect 2026：当语音成为超级智能的入口
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。
WebKit Blog评分2222 Safari Technology Preview 253 发布说明
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。
声网博客评分4545 骁龙8至尊版Gen 6发布：端侧语音AI能干什么、不能干什么
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。
Cartesia Blog评分4242 Cartesia 推出 Multilingual Voices：50+ 音色库原生支持最多 25 种语言，并可将自建克隆音色变为多语言
Cartesia 发布 Multilingual Voices，50+ 音色库音色原生支持最多 25 种语言，自建克隆音色也可扩展为多语言。每个语言和口音由母语者按评分标准审核，检查口音是否保持以及日期、数字、货币是否按当地方式朗读。用户可用同一 voice ID 搭配不同 locale 调用 TTS，或在仪表盘中为克隆音色最多添加 9 种新口音和语言。
声网博客精选评分6060 Agora 推出新一代语音方案：面向语音 AI 开发者的 Gemini 3.8 Flash TTS
Agora 面向语音 AI 开发者推出基于 Gemini 3.8 Flash TTS 的新一代语音能力，定位新一代对话式语音合成，服务其 ConvoAI/语音 Agent 场景。
推荐理由：声网接入 Google 新一代 TTS 模型，反映模型层与 RTE 平台层加速融合。
Google AI Blog精选评分5858 Made on YouTube 2026：直播粉丝赞助、配音等新工具发布
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。
Mux Blog评分3636 Mux 解析如何用帧、镜头和场景为 AI 视频工作流组织视频
Mux 提出用帧、镜头、场景三级结构为视频 AI 工作流提供输入，以 Mux Robots 为例说明按问题选择粒度可减少送入视觉模型的图像量。一小时的 30fps 视频含 108,000 帧，逐帧分析既慢又贵；帧回答单个时刻的问题，镜头定位画面切换，场景圈定完整段落。Mux Video 的 Shots 功能通过比较相邻帧的视觉信号检测剪辑点，输出边界列表和每个镜头的代表图。
GStreamer News评分1717 GStreamer Conference 2026 演讲列表、摘要与讲者简介公布
GStreamer Conference 2026 的初步演讲列表、摘要与讲者简介已公布，会议将于 2026 年 10 月 10-11 日在捷克布拉格举行，会后设 hackfest。议题涵盖 GStreamer 状态、Rust 版 MPEG-TS 解复用器、GstVA 与 GstVulkan 更新、WebRTC、GStreamer 2.0 讨论及 AI 相关工具等，注册与详情见会议官网。
TEN Framework Releases评分1818 TEN Framework 发布 0.11.73：新增 ASR rtzr 流式扩展与 TTS 评审技能
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。