技术文章

Liquid AI 发布了 LFM3，这是其新一代 Liquid Foundation Models。Liquid AI LFM3 是由 6 个开放权重、2B 级模型组成的系列，它…

从 AV2 这样的视频编解码器，到浏览器引擎与硬件解码，实现流畅的视频流所涉及的远不止更快的网络。以下是 Web 视频背后的技术是如何运作的。 YouTube 计划最早于 2027…

本文深度剖析即时通讯IM消息乱序的问题，梳理IM客户端时间戳不可信、多端并发、群消息扇出重试三大核心陷阱，拆解微信、钉钉、企业微信的时序设计方案，并从锚点设计、多端去交错、幂等兜底…

实时视频交互不仅要求模型理解画面，还要求模型在恰当的时刻作出回应。传统轮次式视觉语言模型主要围绕用户提问生成回答，难以持续跟踪事件并主动判断何时应当发言。针对这一问题，本文提出了以…

从 CosyVoice、CosyVoice 2、CosyVoice 3，到 Qwen-Audio-3.0-TTS，我们重新回看了四代语音生成系统的技术演进。 贯穿其中的主线并不是简…

WebRTC 基准测试是为了知道自己产品的通话质量与竞品相比如何、差距在哪里。让每个视频通话产品在完全相同的网络限制下运行（例如限速 500 kbps），并在接收端记录通话质量。

Android 群组聊天的实现分两条路：自建长连接 + 消息存储，或者接类似 ZEGO ZIM 这类第三方即时通讯 SDK。如果你的团队没有 IM 基础设施经验和至少两个专职后端，…

Mistral AI 刚刚发布 Voxtral 3。Mistral Voxtral 3 是一套语音模型家族，并配套一个语音智能体 SDK。它包含 3 个转写模型、1 个文本转语音模…

本文以具备操作系统和网络协议栈的 Linux 类嵌入式设备为例，讨论原生 libwebrtc 接入，场景是一对一可视对讲。

百炼多模态实时交互开发套件，能为 AI/AR 眼镜、学习机、汽车、智能机器人等设备注入「听懂、看懂、会思考」的智能能力。借助自然对话、多模态感知与实时交互，设备可以成为硬件 Age…

语音识别并不总能等人把整句话说完。实时字幕要边听边显示，输入法要让文字及时上屏，语音助手要尽快判断用户是否说完，会议系统还要持续处理数小时音频。这些场景共同需要一种能力：音频不断到…

ZEGO 即时通讯 SDK（ZIM）Flutter 版发布 2.26.0 版本，支持使用 Flutter 框架开发 HarmonyOS 应用。​该版本功能对齐标准版 ZIM SDK…

围绕声音创作、长语音分析、业务语音转写三类任务，蚂蚁百灵开源 Ming-3.0 语音系列，分别提供语音合成、音频理解与对话、语音识别三个系列，共五款模型。

现有音频评测大多按“语音、环境声音、音乐”等输入类型，或“转写、分类、问答”等任务组织。这些分类便于比较模型在具体任务上的表现，却难以说明任务背后的能力需求。同样是音频问答，辨认两…

项目背景：安卓WebRTC推流系统，链路为「安卓Camera2采集 → LiveKit SFU服务 → 浏览器播放」。需要增加实时美颜，同时要兼顾低端老手机和旗舰手机，支持参数实时…

本文处理常见的刚需——降噪。通话里的键盘声、直播里的风扇声、低光视频的噪点，都是信号淹没在噪声里。端侧降噪的难点是实时性：音频一帧 20ms 内要出结果，视频一帧 33ms 内要出…

表情消息是 IM 产品里使用频率最高的消息类型之一，也是带动聊天气氛、塑造品牌感的常用手段。但接入时很多团队会在一个问题上纠结：表情到底应该怎么发——是把 emoji 直接当文本，…

WebRTC 如何确定两个对等端之间的网络路径是否真正可用？这正是 ICE 连通性检查（ICE Connectivity Checks）的用武之地。 1. 为什么需要连通性检查？ …

本文拿视频超分练手：把 720p 的旧视频、或者低清视频流，在手机上实时放大到 1080p 甚至 4K。端侧超分的难点不在效果，在「一帧只有 16ms 预算」。 1、你遇到的场景 …

WebRTC 中的屏幕共享曾经很麻烦。现在只是变”棘手”了一些。要想让屏幕共享会话达到最佳质量和性能，有些事情是你必须了解的。