技术文章

Jitsi 已经在 Electron 框架下支持视频画中画功能，当焦点离开会议窗口时，画中画会自动打开。这个GSoC 2026项目的目标是将交互式文档画中画功能引入浏览器会议，包括…

前面的推流/通话在理想网络下跑通了，但真实网络是「会抖、会丢、会变慢」的。地铁里卡成 PPT、WiFi 切 4G 断流、晚高峰卡顿——这些全靠 QoS 引擎兜底。本文用 Claud…

语音交互和语音通信依赖清晰、可分辨的输入信号。真实环境中的风扇、道路、键盘等背景噪声会掩盖语音，扬声器回放进入麦克风会形成回声，多人同时讲话则会造成语音混叠。降噪、声学回声消除（A…

在实时通信、语音交互和音频修复等场景中，语音超分辨率（Speech Super-Resolution, SR）技术扮演着重要角色——它能够从低采样率的语音信号中重建丢失的高频成分，…

实时消息对企业来说已不再是可选项，而是必需品。能够提供即时、个性化对话的企业，能建立客户关系、提升留存，并交付更好的整体客户体验。

一个出现故障的监控面板相对容易被发现。而一个数字看起来可信、实际却错误的监控面板，要危险得多。本文分享避免 WebRTC getStats 的六个常见错误。

实时传输协议（RTP）抖动，是互联网通话上一秒还清晰无比、下一秒就支离破碎的原因，它是互联网上唯一一种没有“第二次机会”的实时媒介。 网页加载慢 200 毫秒，没人会在意；视频卡顿…

H Company 发布 NeoMME 系列多模态编码器,包含 260M 和 800M 两个双向 Transformer 模型，用单一塔处理多语言文本和 32×32 图像块，去掉了…

蚂蚁 inclusionAI 发布开源统一图像生成与编辑模型 LLaDA-Image，提供 50 步 Base 和 4 步蒸馏 Turbo 两类 checkpoint，均有 BF1…

一场 7×24 小时不间断的直播，对真人主播团队意味着高昂人力成本，对百万中小商家更是一道难以迈过的门槛；而“一眼假”的数字人——面部僵硬、动作循环、手势与语音脱节——又留不住观众…

在安静环境里，语音识别的问题很直接：用户说什么，模型就转录什么。但在会议、车内或咖啡厅里，用户的声音经常会和旁人交谈一起进入麦克风。 假设用户说“打开导航”，旁边的人同时说“我们明…

谁有资格用 MOQ 构建产品？要选择 MOQ？问问自己这两个问题：你的用例有多独特？你的团队在直播媒体处理方面有多有经验？

本文提出 TinySR，一种面向真实世界图像超分辨率的轻量级扩散模型，通过深度剪枝、动态块间激活以及扩张‑腐蚀策略实现高效推理。该模型在保持感知质量的前提下，实现了比教师模型 TS…

采集、处理、编码、推流、播放全打通了，但用户真正的高频需求其实是一个字——「剪」。拍完的 3 分钟视频要裁掉开头 5 秒、转 90°、加 1.5 倍速。本文用 Claude Cod…

从运营活动的真实需求出发，搭建一条由素材处理、动作迁移、视频生成、声音合成、口型驱动、直播编排和发布管理共同构成的多模态生产链路。

方言识别之所以像 ASR 中的一把“瑞士军刀”，是因为它考验的不只是模型能否听清，还要求系统同时处理语言判断、语义转换、文本呈现与效果评价。

SIPPing 是一个用纯 Python 编写的 SIP 数据包伪造（packet forging）工具，其核心理念是：通过简单的文本模板 + 命令行变量替换，快速构造并发送任意 SIP 请求，同时以类似 ping 的方式等待并统计响应。

人工智能已经改变了人们使用软件的方式。我们可以向聊天机器人提问，用一句话生成图片，或使用语音指令完成简单任务。但人类交流从来都不只依赖一种形式。当有人在解释一个问题时，他们可能会同…

首 Token 时间（Time to first token，TTFT）是团队在为语音场景挑选推理 API 时使用的指标，也是最容易误导他们的指标。TTFT 标记的是生成开始的时刻…

随着 EA Sports、广播公司 Sky 以及德国足球甲级联赛（Bundesliga）参与的测试推进，以动画和电子游戏版本直播体育赛事的能力又近了一步。 德甲正在探索将比赛数据直…