内容形态
音视频产品、服务与工具的功能上新、改版与商业化动态——谁家的能力变强了、变贵了、能用了。
82 条精选近 30 天 23 条共收录 134 条
在去年把 330+ 城市全部变为 MoQ relay（每日仍有 1000+ 客户端测试）之后，Cloudflare 新增隔离与访问控制：一次 API 调用即可创建独立 relay 并签发 publish/subscribe 分级 token，无需选区域、估容量、配负载均衡；同时支持 MoQ Transport draft-14 与 draft-16，draft-16 的 PUBLISH 让 relay 在首个观众到来前就开始收流，SUBSCRIBE_NAMESPACE 支持按命名空间批量订阅；beta 期免费。
推荐理由：MoQ 从开放预览走向可生产使用的关键一步，发布/订阅权限模型对直播与竞拍等场景是刚需。
Tavus 推出 PAL Maker，用户可创建具备看、听、记忆能力的 PAL（人格化应用层）并投入实际使用，由 CEO Hassaan Raza 宣布。
推荐理由：Tavus 产品线的关键发布，标志其从 CVI API 向终端应用层扩展。
LiveKit 正式发布 Unity SDK v2.0.0，将其从开发者预览转为正式版本，并称该 SDK 已与现有 LiveKit SDK 达到功能对齐。开发者可在 Unity 游戏中接入实时语音、视频和 AI，用于语音聊天、音视频直播、VR 远程操控机器人以及语音 AI 驱动的 NPC。2.0.0 带来移动端和桌面端的原生平台音频、基于 DataTracks 的高频数据消息和可配置 token 源的简化鉴权；官方支持 Unity 2022.3 及以上版本，覆盖 macOS、Windows、Linux、iOS 和 Android。
推荐理由：LiveKit Unity SDK 结束开发者预览并达到与其他 SDK 的功能对齐，可据此判断现有 Unity 项目是否迁移。
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。
Tavus 推出 Presentation Mode，把演示文稿交给 PAL 实时讲解：既可从头讲到尾，也能在提问时调出对应页面，让团队常讲的内容随时可被启动。
推荐理由：PAL 应用形态的重要功能扩展，视频智能体开始承担知识交付。
Tavus 推出 Magic Canvas，为每次 PAL 对话提供共享交互画布：可即时调出按讨论数字动态绘制的图表、可选项的日历等组件，用户操作 PAL 实时可见并即时回应。
推荐理由：对话内交互组件是视频智能体从纯对话走向任务完成的关键功能。
Cartesia 发布语音转文本模型 Ink-2，面向实时语音代理，称其在 Artificial Analysis 流式榜单上以最低词错误率排名第一，并内置语义端点检测。官方数据显示其 Time-to-Final-Transcript 为 0.1s，在 14 种英语口音的 AppTek 基准上 WER 为 8%，内部生产环境基准 WER 为 6.5%，轮次检测 F1 为 93%。Ink-2 已在 play.cartesia.ai 上线，可通过 API 使用，并接入 LiveKit、Vapi 和 Pipecat，多语言支持尚在开发中。
推荐理由：官方给出 Ink-2 在准确率、轮次检测和延迟三项指标上的对比数据，可据此判断语音代理的选型取舍。
Tavus 宣布 PAL 可像邀请同事一样加入 Google Meet：开摄像头、跟随对话并实时应答，可做会议记录、随行销售通话或主持站会；官方称 Zoom 与 Microsoft Teams 支持为下一步。
推荐理由：AI 视频智能体深度嵌入主流视频会议平台，是行业级产品动作。
Agora 推出官方 CLI，开发者可在命令行完成 Agora 项目创建、配置与管理等操作，减少在控制台与代码间来回切换的成本。
推荐理由：开发者工具链的补全，对 RTE 平台工程化接入有实际意义。
火山引擎正式上线豆包实时语音模型 3.0（Seeduplex）API 并开启邀测：原生全双工端到端语音大模型，官方称判停延迟缩短约 250ms、复杂场景抢话比例下降 40%、用户主动打断延迟缩短约 300ms，支持对话中直接调用工具，面向智能座舱、智能硬件与客服场景。
推荐理由：豆包实时语音 3.0 是国内全双工语音大模型的重要发布，量化指标明确。
LiveKit 发布端到端话轮（end-of-turn）检测模型 v1 与 v1-mini，直接对用户音频推理而不依赖转录，把语义分支（音频编码器+适配器+微调 LLM）与声学分支（时序、韵律）融合为单次判定，因此不再需要等待最终转写、也不依赖历史轮次上下文；同时开源 eot-bench 基准与覆盖英语及 13 种语言的真实话轮数据集。官方评测称在 300ms 延迟预算下误打断率 9.9%（Deepgram Flux 12.9%），600ms 预算下降至 4.5%。v1 在 LiveKit Cloud 上对自托管 Agent 免费并设为默认，v1-mini 为同一架构的开放权重模型（代码 Apache-2.0），随 Agents SDK 分发（Python 1.6.1 / TypeScript 1.4.7）。
推荐理由：话轮检测是语音 Agent 自然度的核心难点，该版本给出公开基准、多语言实测与默认可用路径。
LiveKit 基于自身实时基础设施发布面向机器人的遥操作、数据采集与远程推理生产级方案（LiveKit Portal），延续其在多参与者机器人场景的布局。
推荐理由：实时音视频进入物理 AI/机器人遥操作场景的代表性产品方案。
Gemini 3.5 Live Translate 自动检测 70+ 语言并生成保留语调、节奏与音高的译文语音，与逐句等待的系统不同，它在保留上下文与即时翻译间权衡，全程仅落后说话人数秒。该模型经 Gemini Live API/Google AI Studio 公开预览，Google Meet 会议翻译语言上限从 5 种提升到 70+，并同步落地 Google Translate App。
推荐理由：实时语音翻译从轮次制走向流式制，LiveKit、Agora、Pipecat 等平台同日宣布接入，生态影响广。
LiveKit 官方推出 C++ SDK 1.0，为 C++ 应用提供实时音频、视频与数据通道能力，官方定位面向机器人、低延迟 AI 推理和高性能媒体管线场景。
推荐理由：补齐 LiveKit C++ 生态的关键产品更新，直接影响机器人与端侧实时音视频开发。
Google 公布内容透明度工具进展：SynthID 不可见水印已用于 AI 生成的图像、视频与音频，累计标注超过 1000 亿张图像/视频与 6 万年时长的音频；C2PA Content Credentials 从 Pixel 10 相机扩展到 Pixel 8/9/10 的视频拍摄。SynthID 验证已在 Gemini App 使用 5000 万次，并扩展到 Search 与 Chrome 的“Is this made with AI?”查询；OpenAI、Kakao、ElevenLabs 将引入 SynthID，Google Cloud 上线 AI Content Detection API。
推荐理由：AI 生成媒体的水印与溯源正在成为音视频平台的合规基础设施，该更新给出规模化数据。
LiveKit 为外呼语音 Agent 增加答录机检测能力（AMD），自动识别接听方是人、语音信箱还是 IVR 菜单并路由到对应行为，支持自动问候、留言与按键导航。
推荐理由：外呼语音 Agent 落地的关键工程细节，直接影响电话场景接通质量。
Cloudflare Stream 新增 Workers Binding，开发者可在 Worker 内直接上传视频、创建直传链接、生成签名播放 URL 及管理元数据、字幕与水印，无需手动调用鉴权 API，示例含将 AI 生成视频直接写入 Stream。
推荐理由：Stream 与 Workers 平台融合的关键一步，面向视频管线与 AI 生成内容场景。
OpenAI 在 API 中同时上线三款音频模型：GPT-Realtime-2（首个具备 GPT-5 级推理能力的语音模型，可在对话推进中调用工具）、GPT-Realtime-Translate（70+ 输入语言实时译为 13 种输出语言）与 GPT-Realtime-Whisper（流式语音转写）。官方将其定位为从一问一答转向可边听、边推理、边执行任务的语音接口。
推荐理由：实时语音模型层的标杆性更新，直接定义语音 Agent 上限，行业影响大。
Ant Media Server v3.0 彻底清理废弃 API 以支撑插件化架构，新增 AV1 编解码与 SRT re-stream 能力，改进 LL-HLS 集群播放，同时引入 MoQ 插件、AI 视频帧处理插件及 Scribe 自动字幕、Scotty SSAI 等合作伙伴插件。
推荐理由：开源流媒体服务器季度节奏下的大版本，协议覆盖（AV1/SRT/LL-HLS/MoQ）扩展有代表性。
LiveKit Inference 正式支持声音克隆：克隆一次后可跨多个 TTS 供应商使用，并在生产环境中提供自动 fallback，为语音 Agent 定制音色。
推荐理由：语音 Agent 音色定制与供应商解耦的实用能力更新。