LiveKit 发布 Connectors，在 LiveKit 房间与 Twilio Programmable Voice、WhatsApp Business Calling 之间建立直连，通话以普通参与者身份进入房间，无需配置 SIP trunk 或网关。Twilio 通话会带上 call SID 和自定义 TwiML 参数作为参与者属性，WhatsApp 来电以手机号作为参与者身份；连接器通话与 SIP、网页会话一样出现在 LiveKit Cloud 仪表盘中。Connectors 已在 LiveKit Cloud 正式可用，连接器分钟计费与 SIP 相同，Ship 为每分钟 $0.004、Scale 为 $0.003，各套餐分别包含 5、20、100 路并发连接器通话。
匹配字段标题
Cartesia 发布语音模型 Sonic-3.6，在 15 个地区的盲测中听众偏好度最高达 93%，并在 Artificial Analysis 排行榜的 controlled 和 provider voice 两个榜单上均排名第一。该模型支持 44 种语言，新增 Odia 和 Urdu，并改进了口音保持和 Hinglish 代码切换能力。
匹配字段标题、摘要
Google 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，支持 85 种以上语言，具备智能纠错和自定义词汇功能。作者用该模型开发了一个类似 Wispr Flow 的应用，并公开了演示和开源代码。
匹配字段标题、摘要
了解更多，开始构建： https://t.co/JaOZzmktiB
匹配字段标题
Google AI Developers 发布 Gemini 3.5 Transcribe，一款面向代码场景的语音转文字模型，可在转写时过滤口语中的犹豫停顿，并依据当前上下文精确对齐技术术语、文件名和代码变量。该模型通过视觉偏置为复杂开发者工作流提供屏幕感知上下文，官方同时给出了开始构建的入口链接。
匹配字段标题、摘要
在 LiveKit 中使用 Grok Voice 模型，构建实用的语音智能体，并全面支持 ZDR。
匹配字段标题、摘要
Pydantic AI 发布实时语音智能体支持，采用 speech-to-speech 方式，通过统一的 provider-agnostic API 接入 OpenAI Realtime、Azure OpenAI、Gemini Live 和 xAI Grok Voice，中间不再有转写、生成、合成的流水线。语音会话复用同一个 Agent 对象，服务端工具、消息历史和 API key 都留在后端，浏览器场景可用 WebRTC 直连并在服务端以 sideband 接入，目前浏览器 WebRTC 支持 OpenAI 和 Azure OpenAI。语音与文本共享同一份消息历史，可把通话交给文本 Agent 做结构化抽取，也可用 message_history= 为语音会话续接此前的文本对话；会话的 token 用量、usage_limits 和 OpenTelemetry 追踪与文本运行一致。
匹配字段标题、摘要
Google DeepMind 发布 Gemini 3.5 Transcribe，一款面向实时转写的语音转文本模型，已在 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform 向开发者开放。相比此前的 Chirp 3，其最终转写时间据 Artificial Analysis 测量提升 70%，在 FLEURS 基准上流式模式 WER 为 5.50%、非流式模式为 5.04%，并支持多说话人区分、词级时间戳和实时语言切换。该模型同时接入 Gboard、Antigravity、Gemini app 和 Chrome 等产品，LangChain、LiveKit、Vercel 等平台通过 Gemini Live API 提供支持。
匹配字段标题、摘要
Vapi 博客以一家为医院提供 Medicare 预约排程的软件公司为例：其自建语音智能体六周做出单路通话 demo，但扩展到 200 路并发后，团队花了一整季度处理基础设施问题，第六个月预算耗尽，最终发现语音智能体本身只占约 20%，其余 80% 是管道与基础设施。文章认为，选择自建语音智能体实质是在决定是否自建编排层，涉及实时音频、语音识别与合成多供应商故障切换、SIP 中继与编解码等电话技术，以及打断处理、轮次检测和状态管理。
匹配字段标题、摘要
LiveKit 发文梳理语音智能体对 "yes"、"no"、"ok"、"42" 等短语音无响应的常见原因：STT 未生成 final_transcript 时回合无法关闭，而 EOU 需要 final_transcript 与 end_of_speech 同时具备。文章建议不要过度缩短 endpointing 延迟，并给出新增的 transcription_timeout 设置用于优雅恢复，以及排查噪声抑制误杀短语音的步骤。
匹配字段标题、摘要
Hugging Face 发布研究，用共识分歧、掩码实体检索和拼写切换三类探针测试语音识别模型，发现部分模型会依据声学线索识别基准来源并复现参考文本中的错误。在 VoxPopuli 上，方法标记出约 40% 测试片段可能存在参考错误，涉及约 3% 的参考词；表现基准优化的模型有 18–30% 的概率复现错误参考文本，且 WER 最低的模型反而最容易复现这些错误。在 LibriSpeech 上，部分强模型在数字被静音后仍有约 30–40% 的样本还原出被掩码的数字，拼写切换探针中多个模型超过 50% 随机基线，部分达到约 90% 切换准确率。研究建议使用完全留出的评测集，Open ASR Leaderboard 已新增 Benchmark fitting 标签页，相关脚本与未归一化模型输出已在 GitHub 开源。
匹配字段标题、摘要
Vapi 发布一套七项评估标准，用于区分可量产的 AI 语音客服智能体与仅演示可用的原型，涵盖问题解决率、实时语音质量、系统内执行动作、升级转人工、模型灵活性、生命周期信任与平台控制。文章引用 ContactBabel 数据称，复杂交互场景下的电话偏好从 2018 年的 28% 升至 2024 年的 47%，并指出行业平均首次解决率约 70%、世界级水平为 80% 以上。Vapi 将自身定位为团队自有、模型无关的平台层，内置解决率与生命周期控制。
匹配字段标题、摘要
Vapi 发布原生 AI 测试功能 Simulations，让不同性格的 AI 测试员与语音智能体真实对话，每次运行返回 pass/fail 结果、完整转录和录音。该功能由 Personality、Scenario、Simulation 与 Suite 组合而成，支持工具 mock 和 chat/voice 两种测试模式，并可通过 API 创建运行、在通过率下降时阻断部署。
匹配字段标题、摘要
LiveKit 在 LiveKit Agents 中发布 expressive mode，开启后框架会向 LLM 提示词注入供应商专属指令，让模型在回复中内联生成表情标记，再由框架降级为当前 TTS 供应商能识别的方言，从而表达情绪、语气、非语言声音和停顿。该功能只需在 AgentSession 上设置一个参数，兼容任意 LLM，TTS 侧目前支持 Fish Audio（fishaudio/s2.1-pro）、Inworld（inworld/inworld-tts-2）、Cartesia（cartesia/sonic-3）和 SpaceXAI（xai/tts-1），未声明标记方言的供应商会正常合成且该开关不生效。框架还会把标记从用户可见转写中剥离，并将该段落的语气标签以 lk.expression 属性发布在 lk.transcription 文本流上，供前端可视化使用。
匹配字段标题
Vapi 宣布 VapiCon 2026 将于 11 月 11 日至 12 日在旧金山 Fort Mason 的 Festival Pavilion 举办，从去年的一天扩展为两天，计划容纳 1200+ 参会者、50+ 演讲者和 20+ 赞助商。首届 VapiCon 于 2025 年 10 月 2 日举行，吸引超 850 人到场、覆盖 451 家公司和 17 个行业。门票已开售，演讲者征集同步开放。
匹配字段标题
NVIDIA Magpie TTS Multilingual 以开放权重支持 12 种语言，并允许开发者在自有基础设施上部署、微调语音和定制发音。NVIDIA NIM 本地测试中，单流首音频延迟为 32–79ms；B200 在 64 路并发时达到 239ms 和 320× 实时吞吐量。
匹配字段标题、摘要
Sierra 发布 Voice Personas，让企业为同一个 AI 智能体配置不同语音、人格与语言行为，覆盖不同品牌、市场和文化场景。该功能由 Sierra Agent SDK 支持，可调整语速、自然应对打断，并在对话中切换语音或语言，底层由多个语音模型按人格、语言和用例择优驱动。Sierra 称某智能体搭配自然语音与人格后问题解决率提升近 50%，Voice Personas 现已上线。
匹配字段标题、摘要
Nathalie Criou 加入 Vapi 出任产品副总裁，此前她曾在 Google、VMware、Amazon、Twilio 和 Docker 担任产品与综合管理职务，并创办并出售了 RidePal。她认为语音 AI 是少数已具备可重复 ROI 的 AI 应用，当前通话量被人为压低，约束解除后对话量将爆发；客户 Kavak 在六个月内围绕语音渠道重组了整个公司。Vapi 过去以开发者体验驱动增长，但开发者仅占劳动力约 1%，非技术用户正成为平台需要服务的新群体。
匹配字段标题、摘要
Vapi 认为语音对话式 AI 的成败取决于通话中的实时表现，而非事先写好的脚本，并列出决定体验的五个维度：延迟、轮次交接、打断处理、韵律和具备韧性的流水线。文中引用研究称人类对话轮次间隔均值约 200ms，延迟超过约 500 至 700ms 就会显得不自然，而朴素的“转写—思考—发声”串行流水线约需 1.9 秒，优化后可降至约 600 至 900ms。Vapi 主张在可调优、可评估的模型无关语音流水线上构建智能体，并在客户接触前用模拟通话测试。
匹配字段标题、摘要
Vapi 的 Humanness Index™ 新增 Speechify Simba 3.2 与 Fish Audio S2.1-Pro 两款语音模型：Simba 3.2 以 99 分登顶（人类基线为 100），首音频延迟 428 ms；S2.1-Pro 首周得 94 分，延迟仅 141 ms，为榜单领先者中最快。Vapi 借此强调模型无关的语音平台价值，其 Model Intelligence 已可直接查看 Humanness Index™ 分数。
匹配字段标题、摘要