标签
一位用户分享了 Grok Bot 在其驾驶过程中自主购买汽车保险，并致电 Progressive 询问玻璃保障的经历，凸显了 Grok 的智能体（agentic）能力。
Cartesia 推出了 Managed Agents，这是一个端到端的企业级语音智能体平台。通过将级联语音模型与智能体运行框架作为一个整体系统协同设计，该平台在 Artificial Analysis 的 Speech Agent Arena 和 ServiceNow 的 EVA-Bench 的人类偏好盲评排名中均位居榜首。
Hugging Face 的 Open TTS 排行榜不仅比较 TTS 模型，还对推理实现进行基准测试，涵盖流式性能（TTFA）、推理速度、语音质量（WER/CER、说话人相似度）以及 GPU/CPU 结果——对构建本地语音代理的开发者非常有价值。
VoxLock 是一个无需注册步骤的因果性目标说话人提取模型，通过微调 REAL-TSE 实现，在真实录音上达到接近商业级的语音识别精度（Krisp 基准 WER 4.95%），且 CPU 占用和延迟极低，模型与代码均已开源。
Deepgram 新推出的 Flux TTS 旨在解决语音智能体处理流程中一个关键的准确性瓶颈：对于药品名称和快递追踪号等棘手的字母数字字符串，其词错误率仅为 3.4%，同时在整个语音交互闭环中保持自然流畅的语音。
一篇赞助帖子，对比了 REST、GraphQL、gRPC 和 WebSockets，随后介绍了 Deepgram Flux TTS —— 一款面向实时语音智能体的对话感知文本转语音 API，内置打断处理能力、延迟低于 80 毫秒，并支持 VPC/本地部署。
Vaani 开发者平台正式推出，作为一个零代码语音 AI 框架，可用于构建声音自然如真人的语音智能体、设计通话流程、应对异议、集成工具，并通过真实电话号码上线运行，输出结构化通话数据。
ElevenLabs 推出 Eleven Realtime，一套端到端优化的 Speech-to-Speech 语音模型（v1 Mini 与 v1 Max），支持实时语音对话，并提供与 OpenAI Realtime API 兼容的接口，可在 ElevenAgents 中快速构建语音助手。
Mistral 发布 Voxtral 3 语音模型家族与语音代理 SDK，支持 50 多种语言的实时转录、情感自适应语音合成以及多步工具调用，可通过欧盟托管的 API 或自部署方式使用，以保障数据主权。
一位开发者分享了在 ElevenLabs 上构建语音预订 Agent、结合 AWS Lambda 工具的经验：定价与可用性查询准确，但工具调用回合的 P95 延迟高达 5 秒，且难以保证预订步骤的顺序。文章向社区请教如何降低工具回合延迟、强制执行步骤顺序，以及让通话后的 LLM 评审变得可靠。
一个名为 wavoice 的开源 CLI 可自动完成 WhatsApp 语音通话与 LiveKit 智能体的连接，涵盖 Meta Graph API 配置、webhook 设置、SDP 转换，以及通过 Cloudflare 隧道进行本地测试。
LiveKit 打破了此前 AI 无法实现直播毫秒级双向实时交互的限制，潜力巨大，可广泛应用于电商、直播、智能助手、远程医疗、客服呼叫中心、实时翻译、游戏 NPC 等场景。
一个团队分享了他们如何基于自托管 Pipecat、Mai Transcribe 2、Sarvam 对话式 LLM，以及针对马拉雅拉姆语微调的 VoxCPM2 TTS 构建生产级语音 Agent 技术栈，在单块 L4 GPU 上实现 20 路并发低延迟语音流，并支持 WhatsApp 通话后自动跟进交接。
Pipecat Labs 发布 PhoneLLM Alpha 2，推出 Mini（30B/A3.5B MoE）与 Max（120B/A12B）两款开放权重语音代理文本模型；Max 引入单句「微思考」推理，在 PhoneBench 上以 83.0% 得分超越 Claude Sonnet 5.5、Gemini 3.6 Flash 与 GPT-5.6 等模型，同时保持 200ms 以下的首响应延迟。
Bold Agent Kit 分析约 14,000 通来电后发现，尽管 AI 接线员接听更多电话，人类接待员的转化率仍高出约 4 倍，且 AI 处理的电话中无效挂断率高出 700%，表明 AI 自动化在替代人工的同时尚未在效果上胜出。
实践者分享构建电话语音AI代理的核心瓶颈并非模型能力，而是轮次切换时机：单靠VAD静音检测会导致打断或迟钝，改用STT置信度与部分转录文本的语义线索来判断发言是否结束效果更好。
该论文提出 FlowSpec 规范驱动的方法，微调一个 90 亿参数模型，使语音客服代理能够遵循从未见过的受监管催收流程，合规检查率从 67–71% 提升至 93–100%。
作者探讨 AI 电话客服是否会改善还是恶化排队等待的体验，分享了对 AI 电话代理的看法，并向社区征集实际使用经历。
一个团队发现，他们的语音智能体一直在自信地向 CRM 字段填入错误的值（听错的账号、凭空编造的姓名），导致付款失败。他们描述了通过添加验证层来解决这一问题的变通方法，同时质疑为什么不在语音模型内部直接进行实体提取。
一位自动化机构从业者逐项拆解4分钟语音外呼的真实成本（约39美分），指出平台费占一半、LLM仅占10%，并建议开启提示词缓存、裁剪工具返回结果，而非一味更换便宜模型。