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
xAI 发布新一代语音模型 Grok Voice Think Fast 2.0，在智能、转写准确率和对话能力上均有提升。官方称在 24 种语言、数千条短语的评测中，其转写准确率相对 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5–2.0 倍，相对 Grok Voice Think Fast 1.0 提升 1.4 倍，噪声环境下与专用语音转文字模型的差距扩大到约 10 倍。该模型在说话的同时并行推理，推理 token 效率更高，工具调用通常在智能体第一句话结束前执行。2026 年 8 月 5 日起 grok-voice-latest 将指向 2.0，无需手动升级，定价为每分钟音频 $0.08。
匹配字段标题、摘要
Vapi 联合创始人兼 CTO Nikhil Gupta 与 Anthropic 应用 AI 团队的 Marius Buleandra 讨论了语音 AI 与前沿模型的结合，并回答了观众提问。现场订车演示的智能体运行在 Vapi 上，使用 Anthropic 的 Claude Haiku 和 Vapi v2 克隆语音 Layla，配备估算、预订、查询、取消和结束通话五个工具。过去 30 天，Vapi 上运行 Claude 的智能体处理了近 500 万通电话，覆盖 50 多种语言。
匹配字段标题、摘要
LiveKit 发布博客，介绍如何通过分层防御让语音智能体不跑题：先用结构化提示词设定身份与护栏，再用确定性代码强制执行关键规则，并用 max_tool_steps 限制工具调用链避免失控循环。文章以酒店前台参考智能体为例，指出提示词防御对蓄意攻击较弱，真正的约束应在代码层验证。
匹配字段标题、摘要
Real World VoiceEQ 以超过 100 万次人工评分评估 40 多个专有及开源语音模型，覆盖 ASR、TTS、S2S 和语音理解的 15 多个维度、60 多项指标。评测显示，没有单一模型在所有能力上领先，许多系统更擅长说而非听，且在口音、噪声、情绪和长对话等真实场景中的表现低于传统基准所呈现的水平。自动评估器适合答案明确的任务，但涉及声学语境、感知和社会解释时仍无法取代人类听众。
匹配字段标题、摘要
Vapi 的 Humanness Index 上线近一个月、累计超 11000 次投票后，xAI 的 Grok TTS 以 95 分领跑，仅比真人参考分 100 低 5 分，MiniMax Speech 2.5 以 93 分紧随其后。该榜单让两个模型用同一克隆音色朗读同一句话，由听众盲选更像真人的一方，并把真人录音纳入对比集。
匹配字段标题
Cartesia 发布 Ink-2，一款面向实时语音智能体的语音转文字模型。截至 2026 年 6 月，它在 Artificial Analysis 流式排行榜上以最低词错率排名第一，并内置语义端点检测，无需外部 VAD 即可发出 turn.start、turn.eager_end、turn.end 事件。在 AppTek 多口音基准上，Ink-2 词错率为 8%，优于 Deepgram Flux 的 10% 和 ElevenLabs Scribe v2 的 12%；Time-to-Final-Transcript 为 0.1 秒。现已通过 API 及 LiveKit、Vapi、Pipecat 等平台提供。
匹配字段标题、摘要
xAI 为 Grok Voice 新增 21 款旗舰语音，加上原有 5 款共 26 款，全部原生支持 Grok Voice 的 25+ 种语言，现已上线 realtime Voice Agent API、Text to Speech API 和新的 Grok Voice Agent Builder。原有 Ara、Eve、Leo、Rex、Sal 五款语音经改进配方重新训练，节奏、措辞与重音更自然；用户还可用约一分钟音频克隆自己的声音。
匹配字段标题、摘要
Hugging Face 与 Cerebras 搭建了开放、模块化的实时语音到语音管线，以 Nvidia Parakeet 识别语音、在 Cerebras 上运行 Google DeepMind Gemma 4 31B，并通过阿里巴巴 Qwen3TTS 生成语音回复。Cerebras 旨在缩短并稳定模型推理延迟；该管线已用于超过 9,000 台 Reachy Mini 机器人，开发者可体验 Demo 并查看 huggingface/speech-to-speech 仓库。
匹配字段标题、摘要
xAI 发布 Voice Agent Builder 测试版，这是一个基于 Grok Voice 的无代码平台，用于配置生产级语音智能体，内置电话、知识检索、工具、护栏、MCP 和可观测性。用户用自然语言描述通话流程并挂载文档、工具和护栏，约两分钟即可搭建一个可用智能体，支持 SIP 接入现有号码或通过 WebSocket 连接自有客户端。计费按 API 费率每分钟音频 $0.08，语音包含在内且无平台费，免费号码的电话费另计每分钟 $0.01。
匹配字段标题、摘要
Cartesia 发布语音 AI 术语入门指南，系统解释 STT、VAD、Turn Detection、TTS、Barge-in 等核心概念。其最新 Ink-2 STT 模型内置转向检测，无需单独 VAD 模型，可简化语音智能体流水线。指南还涵盖语音隔离与降噪，帮助理解对话式语音 AI 的评测结果。
匹配字段标题、摘要
Cartesia 发布语音 AI 模型选型指南，指出实验室基准与真实电话场景存在巨大差距，如原型 600–800ms 延迟在真实电话基础设施上可达 2–4 秒。指南建议用 Time to Final Segment（TTFS）而非 Time to First Token 评估 ASR，并强调话轮检测的 precision/recall 与打断处理对语音智能体体验至关重要。
匹配字段标题、摘要
Amazon Ring 评估了 40 多家语音 AI 供应商后选择 Vapi，两周内从零上线生产环境，目前 100% 的呼入客服量都跑在 Vapi 上，CSAT 分数有所提升。Vapi 强调亚秒级响应、原生背景噪音处理、VPC 驻留架构与零数据留存，并支持企业自选模型、对接 CRM 等现有系统。另有一家家居服务平台用 24/7 Vapi 语音智能体替换 70 名人工坐席，服务超过 1,500 家企业。
匹配字段标题、摘要
Andrew Ng 发布新课程，教你为 AI 智能体添加语音能力，由 VocalBridge CEO @_ashwyn 讲授。课程涵盖三类应用：语音与鼠标同通道交互的游戏、约 10 行代码为现有智能体加语音、用 make_phone_call 函数拨打外呼电话，并教授语音评测以在部署前打分和发现回归。
匹配字段标题、摘要