RFC 9725 定稿：WebRTC-HTTP 摄取协议 WHIP 成为正式标准
WISH 工作组的 WHIP 于 2025 年 3 月发布为 RFC 9725（Standards Track），定义基于 HTTP 的简单协议，让 WebRTC 内容可标准化地推入流媒体服务与 CDN，同时更新 RFC 8840 和 RFC 8842。
推荐理由：WHIP 从草案转正为正式 RFC，是 WebRTC 推流标准化的行业级节点。
精选
当前热点
完整榜单IETF WISH 工作组文档精选评分7878 IETF MoQ 工作组文档精选评分7272 draft-ietf-moq-msf-01：定义运行于 MOQT 之上的流媒体格式 MSF
IETF MoQ 工作组草案，由 Akamai 的 W. Law 与 Cisco 的 S. Nandakumar 提出，规定在 Media over QUIC Transport（MOQT）上承载媒体的流格式 MSF，2026 年 6 月更新至 01 版，是 MoQ 协议栈的核心规范之一。
推荐理由：MoQ 核心流格式草案，直接决定新一代低延迟传输的媒体承载方式。
Nsane Forums精选评分4242 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。
东方财富精选评分3434 模思智能完成超10亿元Pre-A轮融资，将发布MOSS Live实时交互模型
模思智能完成超10亿元Pre-A轮融资，由华控基金领投，国开科创、上海科创基金等参投，资金将用于全模态实时交互智能研发与全球商业化落地。该公司由上海创智学院与复旦大学联合孵化，2026年上半年已围绕语音、视觉和实时多模态连续发布20多个模型并持续开源，即将发布的MOSS Live由前端交互模型与后端能动性模型协同工作。
AWS Media Blog精选评分5050 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。
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。
中文技术动态精选评分6060 北京新版超高清视听产业支持措施印发：4K/8K 单项目最高支持 500 万元，有效期至 2027 年 8 月
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。
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。
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。
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。
海外技术动态精选评分6464 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。
Tavus Blog精选评分5858 Tavus 提出 PAL：把应用定义为会看、会听、会记忆的人格化应用层
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。
Cactus Engineering Blog精选评分6565 Cactus 开源 Whistle：16.9 MB 端侧语音识别模型，7 种语言、首 token 11 毫秒
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。
海外技术动态精选评分6363 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。
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。