技术文章

Miso Labs 发布了 MisoTTS，这是一款开放权重、拥有 80 亿参数的文本转语音模型。它能够根据文本和音频上下文生成富有表现力的语音。该模型采用残差矢量量化 (RVQ)…

视频内容正越来越多地被专门或主要用于机器分析，典型应用场景包括监控摄像、自动驾驶、工业检测及无人机航拍等。H.264 与 HEVC 等传统编解码标准以人类视觉感知为优化目标，而非机…

扩展视频会议是一个真正困难问题。本文拟将学习如何构建一个在饱和发生前就能做出反应的自适应扩展循环，以及如何通过准入规则在流量突增时保护通话质量。

WebRTC 服务端音频降噪实验应该先从一个很小的验证目标开始。Go 媒体服务能不能用 Pion 收到 Opus 音频，解码成 PCM，再交给 FFmpeg 的 RNN 降噪滤镜处理，并生成可验证的输出。

晚8黄金档，新人主播晴儿准时开播。开播10分钟，直播间只有3个观众。面对空空如也的弹幕区，她只好默默下播； 另一边，头部主播峰哥的直播间人气爆棚，弹幕快速刷屏中：“主包在玩什么游戏…

语音增强中的 SSL 已经不再只是“监督数据不够时的权宜之计”，SE 的研究范式已经发生明显变化。对于 SE 而言，自监督学习真正带来的，不只是更少标签，而是更强先验与更宽系统设计空间。

布朗大学的研究人员公布了一种名为 PackUV 的全新视频处理方法，他们将其描述为实现逼真、可存储的3D 体积视频的“关键一步”，这种视频可以从各个角度观看，并且与目前互联网上大多…

异地的人同步看同一部电影、边看边聊，看似简单，工程上要同时解决两件难事：播放进度毫秒级对齐 + 实时语音/视频陪看。本文拆解两套同步方案并给出基于 ZEGO RTC 的示例代码。 …

从 1v1 速配到「1 主持 + 多嘉宾」相亲房，拆解视频相亲背后的实时音视频架构：低延迟连麦、美颜滤镜、礼物打赏、内容审核与弱网优化，并附基于 ZEGO SDK 的示例代码。 一…

从 0 到 1 拆解一个在线 pia 戏（语音配音戏）应用的技术架构：多人麦位、200ms 低延迟语音、BGM 混音、变声混响与房间信令，并给出可落地的基于 ZEGO RTC SD…

本文涵盖广播公司需要了解的关于NDI协议的一切：它的技术原理、与其他流媒体协议的区别，以及如何在直播制作环境中实施。

每隔几年，就会有人发表一篇”RTSP已死”的文章。他们会指出，这个协议诞生于1998年，无法在浏览器中运行，不能接入CDN，也不支持自适应码率。结论是：直接…

直播 SDK 是直播平台的技术底座。选错 SDK，意味着延迟高、卡顿多、成本失控、扩展受限。这篇文章基于 2026 年的市场现状，从性能、功能、价格、生态等维度，对国内外主流直播 …

“一起听”是 Z 世代社交里非常治愈的一种玩法：朋友、情侣、陌生人，分隔两地，在网易云、QQ 音乐、Spotify 里同步收听同一首歌，边听边语聊或文字交流…

在 iOS 音视频开发中，传统的卡顿优化往往依赖于硬编码的阈值（例如：当 AVPlayer 缓存低于 2 秒时触发 Loading）。然而，面对移动端复杂的网络…

从 Clubhouse 到 TT 语音、Yalla、SoulChat，语聊房一直是泛娱乐社交里最稳的赛道之一。它本质上是一个”多人实时音频房间 + 上下麦 + 礼物 +…

语音电台和”互动播客”是亲戚但不一样：电台更强调1 主播 → 万级听众的单向广播，互动相对克制，以 IM 弹幕、点歌、打赏为主，连麦上麦不是主路径。荔枝、猫…

Chrome 将转为两周一次的发布周期。这一变化将于今年 9 月开始实施。此前，其发布周期为四周。一切都在加速推进，如果你正在使用 WebRTC 进行开发，请务必留意并做好准备。 …

在电影《侏罗纪公园》中，当观众看到巨型恐龙朝自己走来时，会自然而然联想到低沉、轰鸣的脚步声，仿佛大地都在震颤。这是因为人类对声音的预判，不仅依据物体外形，还会结合尺寸、质量、运动速…

2026 年，AI 对话式 API 已成为构建智能应用的基础能力。从智能客服到 AI 伴侣，从语音助手到数字人直播，开发者面临的核心问题是：如何在众多 AI 对话 API 中选出性…