技术文章

WebRTC 的通话质量与其他 VoIP 协议相当，但真正的问题往往在于 WebRTC 可观测性，而非协议本身。可观测性让你能够快速定位问题，实现高效排障和更优质的服务。

今年的 FIFA 世界杯是有史以来观看人数最多的一届。在比赛进行的一个月里，全球数百万观众一场接一场地收看比赛，在本地和全球层面不断刷新收视纪录。 尽管收视率创下历史新高，并且有史…

本文基于JVET（联合视频专家组）官方文档管理系统：https://jvet-experts.org，对最近10次会议（2024.07～2026.10）共2843份技术文档进行了系…

画面和声音对不上、嘴型比声音快 200ms、声音比动作早半秒，这些在音视频开发中太常见了。但 A/V 同步不是「调个参数」能解决的：它涉及采集时钟、编码延迟、网络抖动、渲染缓冲，每…

如今，消费者几乎可以通过各种 OTT（over-the-top）服务观看到几乎所有类型的体育赛事直播。但问题是：服务提供商能否吸引到足够多的观众，让自己的体育赛事直播豪掷有所回报？…

以 GPT-4o、Moshi、GLM-4-Voice、Qwen-Omni 为代表的端到端语音大模型（SLM）正在推动人机交互迈向“开口即对话”的新阶段。然而，在需要精确、结构化推理…

本文从产品选型开始，逐层拆解端侧硬件、软件架构、网络协议和音频算法，并给出一套适合嵌入式 Linux 平台的推荐落地音频对讲方案。

OpenAI 推出 GPT-Live，实现与 AI 的连续语音交互。该系统采用无轮次语音模型和低延迟架构，使对话更快、更自然。GPT-Live 的构建耗时六个月，核心在于减少交互延…

随着语音 AI 越来越深入地融入日常产品，一种新型技术正在悄然取代传统的语音系统。这种被称为对话式语音识别（CSR）的技术正在重新定义机器理解人类语言的意义。 多年来，语音识别技术…

AI 正迅速融入日常设备，如智能手机、汽车、摄像头，甚至家用电器。传统上，这些系统依赖云服务器来发送、处理和分析数据，然后才能做出决策，这增加了延迟并拖慢了响应速度。然而，许多应用…

iOS WebRTC 跑通了，但 Android 端的依赖、权限、Camera2 采集、前后摄切换，和 iOS 完全是两个世界。本文用 Claude Code 写 Android …

零样本语音转换旨在保留语音语言内容的同时，将源说话人音色迁移至任意未见过的目标说话人。随着实时通信、直播互动、在线会议、游戏语音等应用场景的发展，语音转换系统对低延迟、轻量化和高保…

视频编码优化了无数轮，音频编码却还在用默认参数。结果是 VoIP 延迟高、录制文件体积大、低端机音频爆音。本文用 Claude Code 写双端音频编码封装，涵盖 AAC/Opus…

到了落地层，核心问题不是”音视频中台好不好”，而是”能不能尽快用起来”。本文把搭建音视频中台的标准流程拆成五个阶段，每个阶段给出关键…

当前市场上的音视频中台方案大致可以分为三类：自研底层型、云厂商内置型、上层封装型。三类方案各有侧重，适合不同的企业需求。这篇不评优劣，而是把各类方案的特点、代表厂商和适用场景讲清楚…

潜空间建模已成为扩散 Transformer（DiT）的标准范式。然而，它依赖于一个两阶段的流程，其中预训练的自编码器会引入有损重建，导致误差累积并阻碍联合优化。为了解决这些问题，…

本文借鉴在 WebRTC.ventures 开发实际系统过程中积累的经验。介绍在构建实时应用程序时使用的工作流程：作为项目核心的上下文文件、将会话上下文转化为测试和审查的自定义技能，以及在日常使用中养成的习惯。

近日，ZEGO 即时通讯SDK（ZIM） 3.1.0 版本发布，新增会话级消息定时销毁和消息回执新增已送达状态。 会话级消息定时销毁功能概述 设置会话消息定时销毁，指设置一个会话的…

Oxygen XR产品研发团队联合清华大学一起提出了 DirectFisheye-GS 框架，创新性地将鱼眼模型原生嵌入到3D高斯泼溅管线中，实现了对鱼眼图像的直接、无损处理。

小程序直播连麦不是「开个 live-pusher 就完事」的功能。本文以 ZEGO 实时音视频 SDK（ZEGO Express SDK） 为主线，从架构到代码逐层拆解一条完整的直…