技术文章

利用自回归大语言模型(LLM) 生成视频是一个新兴领域，发展前景广阔。虽然 LLM 在自然语言处理中生成连贯且冗长的标记序列方面表现出色，但它们在视频生成中的应用仅限于几秒钟的短视…

随着互联网的发展，视频流媒体服务越来越受欢迎。通过提供简短、生动的视频概述您的操作，这是推销产品或服务的好方法。但当您导出最终视频时，却发现视频文件太大，无法上传到网站或直播流媒体…

分享来自音视频技术社群关键帧的音视频开发圈的第 30 期面试题精选： 1、为什么自制的动态图片导出到相册无法识别成动态图片？ Live Photo 需要有一个特殊的 Metadat…

微软推出了VoiceRAG，这是一款基于语音的检索增强生成 (RAG) 系统，它利用新的 Azure OpenAI GPT-4O-realtime-preview 模型将音频输入和…

在盲单图像超分辨率 (SISR) 任务中，现有工作已成功恢复图像级未知退化。然而，当单个视频帧成为输入时，这些工作通常无法解决由视频压缩引起的退化，例如蚊式噪声、振铃、块状和阶梯噪…

人工智能 (AI) 正在迅速变革，尤其是在多模态学习方面。多模态模型旨在结合视觉和文本信息，使机器能够理解和生成需要来自两个来源的输入的内容。此功能对于图像字幕、视觉问答和内容创建…

IEEE ICIP 是历史悠久的图像处理技术盛会。本工作是上海交通大学图像所 MediaLab 在 ICIP 2024的技术成果介绍。近期，在人物交互场景研究中，新视角合成（NVS…

针对多智能体分布式在线约束优化问题，本文在时变多智能体网络上，通过结合一种多步迭代技术，提出一种分布式在线多步迭代Frank-Wolfe算法。

本文我们将探讨 AI 在解决鸡尾酒会问题方面的进展，以及它为未来音频技术带来的潜力。

从视频创建缩略图是展示内容预览的好方法。在本文中，我将介绍如何使用 Node.js 和 fluent-ffmpeg 从视频文件生成缩略图。 开始之前，请确保您的系统已安装 Node…

从媒体处理到数据分析，音频处理是许多应用程序的一个重要方面。Python 中的 Pydub 库为音频处理提供了一个易于使用的界面，让您可以高效地处理音频文件。在本文中，我们将结合实…

本 Demo 是 ZEGO 提供的完整多人实时白板互动的示例，包括：白板涂鸦、实时轨迹同步、文档共享、文件转码等功能。 本示例源码仅用于演示 ZEGO 超级白板产品功能。以Andr…

很多用户经常看到SIP验证401，407消息，不知道为什么会产生不同的消息。在应用环境中，SIP协议对不同环境提供了安全验证的处理，通过不同的安全头字段来验证安全实体，因此返回的响…

介绍如何使用 Vite、Vue 3 和 Node.js 开发一个简单的聊天室。 创建项目 设计界面 打开 src 文件夹中的 App.vue 文件，开始设计你想要的样式。 也可以参…

主动声音控制（Active Sound Control, ASC）在当今已应用于许多实际噪声控制，包括汽车发动机和道路噪声控制、螺旋桨飞机降噪以及降噪耳机等。尽管该技术的研究和开发…

分享来自音视频技术社群关键帧的音视频开发圈的面试题集锦，下面是第 29 期面试题精选： 1、调试 OpenGL 特效的时候图像不对，有什么调试技巧能快速排查原因？ 2、在实现类似 …

WebRTC 被广泛用于基于浏览器的视频通话、语音通话和数据传输。其受欢迎的原因在于低延迟、流畅的音频/视频传输和开源可用性。然而，由于网络威胁不断增加，保护 WebRTC 通信至…

神经音频编解码器通过将连续音频信号转换为离散标记，彻底改变了音频的压缩和处理方式。该技术使用在离散标记上训练的生成模型来生成复杂的音频，同时保持音频的出色质量。这些神经编解码器显著…

国际通信卫星组织副总裁兼媒体总经理 Pascale Fromont 分享了对卫星广播现状、IP 分发的影响以及卫星技术未来的见解。 在瞬息万变的技术环境中，卫星技术仍然是广播行业的…

Vulkan 指令缓存 在 Vulkan 中，指令缓存（Command Buffer）是用于记录和存储一系列绘图和计算指令的对象。 这些指令将在 GPU 上执行，可以用于执行不同类…