跳到正文
#产品更新
10月13日周二
10月12日周一
  1. AWS Media Blog38

    Formula 1 如何用 AWS AI 将 12PB 视频档案检索缩短到秒级

    Formula 1 与 AWS 合作在 2026 年 4 月为 12PB 的 F1 Video Archive 上线 Media Archive Discovery 系统，用 Amazon Bedrock 将自然语言请求转成精确检索，用户输入“find celebrations after Leclerc's first Ferrari win”即可直接取到片段。该 AI 层只做查询增强，不替换原有 OpenSearch Service 引擎，日常检索不受影响；任一步骤失败时回退到纯文本搜索，保证始终有结果返回。

  2. MacRumors12

    苹果 HomeView 智能家居中枢、HomePod mini 2 与新 Apple TV 4K 细节泄露

    彭博社 Mark Gurman 在苹果 10 月 13 日纽约发布会前泄露新品细节：带触控屏的智能家居中枢定名 HomeView，搭载 A18 芯片，支持 Siri AI，有桌面版和壁挂版，但无第三方 App Store，预计 11 月中旬上市。新款 HomePod mini 升级为 S10 芯片，新 Apple TV 4K 搭载 A19 芯片并可能内置麦克风，两者 10 月 30 日发售。

  3. Nsane Forums42

    Kodi 22 RC1 加入作弊引擎与深度链接，但 Linux HDR 会让菜单发白

    Kodi 22“Piers”首个候选版本发布，进入功能完备阶段，升级至 FFmpeg 9 和 libass 0.17.5，新增 RetroAchievements 排行榜、作弊引擎支持及 Android 深度链接。已知问题包括：未使用其修补版 TagLib 2.3.1 时 Matroska 标记退回 v21，Linux 上 HDR 播放会使部分 GUI/OSD 元素过透明、发白或模糊。

  4. Art of Smart60

    Google DeepMind 演示 Gemini 实时语音代理与实时翻译模型

    Google DeepMind 的 Thor Schaeff 介绍 Gemini API 的实时语音代理能力，包括低延迟、带音频标签的 TTS 模型，以及支持约 90 种语言、可自动检测说话语言并翻译成听者偏好语言的实时翻译模型。他还演示了面向实时对话代理的 Gemini 3.1 Flash Live，其底层 Live API 是低延迟 WebSocket 接口，支持流式文本、音频和视频，具备原生音频理解、打断处理、工具调用和音频转写能力，并提到与 LifeKit、PipeKit 的合作。开发者可通过 Google AI Studio 的 ai.studio/live 和 ai.dev/live 体验。

  5. DataNorth AI60

    Cloudflare 发布多模态决策模型 Clef-omni，并下调 Clef-flash 价格

    Cloudflare 于 9 月 9 日发布开源权重决策模型 Clef-omni，可在一次调用中接收文本、图像、音频和视频，按允许答案返回概率，无需先做转写或字幕。它基于阿里 Qwen3-Omni-30B-A3B 去掉语音输出并加训决策层，30B 参数中每 token 仅 3B 参与计算；消息分类表现稳定，但加入音视频后 agent 任务准确率有所下降，且官方未公布音视频基准。Cloudflare 同时把 Clef-flash 输入价格降至每百万 token 0.038 美元，但托管版 Clef-flash 上下文从 64,000 降至 24,000 token。

  6. MarkTechPost40

    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。

10月10日周六
  1. LiveKit Agents Releases22

    LiveKit Agents 1.8.6 发布：新增 Nabrah 阿拉伯语 STT 与 Sarvam bulbul:v4-flash TTS

    LiveKit Agents 发布 1.8.6，新增 Nabrah 阿拉伯语 STT 插件和 Sarvam bulbul:v4-flash TTS，并为 Speechify 加入流式 synthesize()、HTTP 连接复用与 prewarm()。该版本还修复了 AWS 实时会话在流重启后中断、OpenAI Responses API 连接预热、实时工具循环 max_tool_steps 未生效等问题，并让 gpt-5.1+ 在 reasoning_effort 为 none 时保留 temperature/top_p。

10月9日周五
  1. ElevenLabs Blog22

    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。

  2. WebKit Blog22

    Safari Technology Preview 254 发布说明

    Safari Technology Preview 254 面向 macOS Golden Gate 和 macOS Tahoe 发布，包含 WebKit 321068@main 至 322634@main 之间的改动。CSS 新增 size、min-size、max-size 简写属性及 interpolate-size、calc-size() 等支持，并修复 CSS Grid 重排开销随 order 值不同的网格项数量呈二次增长等问题。

  3. AWS Media Blog50

    AWS 发布开源文件传输工具 File Mover Express，直传 Amazon S3

    AWS 发布开源文件传输应用 File Mover Express，在 Apache 2.0 许可下于 GitHub 提供 macOS、Windows 和 Linux 预编译包，用于在本机与 Amazon S3 之间搬运媒体素材。其守护进程式传输引擎把任务与桌面会话解耦，支持断点续传、热文件夹自动上传、带宽限速，以及 XXH3、XXHash、XXHash64、MD5 校验和读取 MHL 清单文件；数据经内置 S3 API 直传，不经过中继或第三方服务，并提供 GUI、CLI 和可选 MCP 服务器三种操作方式。

    推荐理由：AWS 官方开源的文件传输工具，用守护进程把传输与桌面会话解耦，并给出 MHL 校验与直传 S3 的取舍。

  4. GStreamer News38

    GStreamer 1.28.8 稳定版修复发布：含安全修复与 HLS/DASH 播放回归修复

    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。

  5. LiveKit Blog62

    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。

10月8日周四
  1. mediasoup Releases36

    mediasoup 3.29.0 发布：修复 SCTP 延迟流重置，新增 SCTP 零校验和选项

    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。

  2. mediasoup Releases42

    mediasoup Rust 0.30.0 发布：SCTP 零校验和与丢包统计口径变更

    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。

10月7日周三
10月6日周二
  1. Hume AI Blog65

    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。

  2. LiveKit Server Releases12

    LiveKit Server v1.13.8 发布

    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。

  4. Boson AI Blog55

    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。

  5. 海外技术动态64

    Sesame 更新 CSM 语音模型，四位语音助手全量开放

    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。

10月2日周五
  1. 海外技术动态63

    Cloudflare 开源 Streamline 自定义视频管线

    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。

  2. Mux Blog38

    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。

10月1日周四
  1. Jitsi Blog62

    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。

9月30日周三
9月28日周一
  1. ElevenLabs Blog67

    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。

9月26日周六
  1. Pipecat Releases62

    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。

9月25日周五
  1. Boson AI Blog58

    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。

  2. SRS Releases52

    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。

9月24日周四
  1. WebKit Blog22

    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。

9月23日周三
  1. Cartesia Blog42

    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。