技术文章

NVIDIA 刚刚发布了Canary-Qwen-2.5B，这是一款突破性的自动语音识别 (ASR) 和语言模型 (LLM) 混合模型，目前以创纪录的 5.63% 的词错率 (WER…

本文介绍使用 AVPlayer 播放 FairPlay DRM 视频的最佳实践。DRM 是指使用加密技术保护视频内容、通过专业技术安全地存储和传输密钥、并允许内容生产商设置商业规则，限制内容观看者的一种系统。

英特尔有可能使客观评估现代游戏的图像质量变得更容易。一种新的 AI 驱动的视频质量指标，名为计算机图形视觉质量指标（Computer Graphics Visual Quality…

语音增强 (SE) 领域的最新进展已经超越了传统的掩码或信号预测方法，转而采用预训练音频模型来获取更丰富、更可迁移的特征。这些模型（例如 WavLM）可以提取有意义的音频嵌入，从而…

听说过通用人工智能 (AGI) 吗？来认识一下它在听觉领域的对手，通用音频智能 (Audio General Intelligence )。NVIDIA 凭借Audio Flami…

上下文工程的前提是大模型充足的上下文窗口，今天主流模型基本都把 128k 作为上下文的标准长度。本文将探讨为什么主流大模型的上下文窗口都是128k？

2025年7月15日，即构科技即时通讯SDK（ZIM）发布 2.21.0 版本，同步更新 Web、小程序、Flutter 和 uniapp 等多个平台。详细更新功能如下： 新增功能…

Rust 在音视频开发领域的生态正在快速发展，虽然相比 C/C++ 等传统语言的成熟生态仍有差距，但已具备一定的基础和潜力。

这个系列文章我们来介绍一位海外工程师如何探索 FFmpeg Basics 音视频技术，对于想要开始学习音视频技术的朋友，这些文章是份不错的入门资料，这是第 24 篇：FFmpeg …

Google 的 Gemini Embedding 文本模型 gemini-embedding-001现已通过 Gemini API 和 Google AI Studio…

这个系列文章我们来介绍一位海外工程师如何探索 FFmpeg Basics 音视频技术，对于想要开始学习音视频技术的朋友，这些文章是份不错的入门资料，这是第 23 篇：FFmpeg …

随着 Liquid AI 发布其第二代 Liquid Foundation 模型 LFM2，设备端人工智能领域取得了重大飞跃。这一系列全新的生成式 AI 模型代表了边缘计算的范式转…

在本文中，我们将研究WebRTC架构实际工作原理的细节，以便外行人也能理解它。 WebRTC是一个开源项目，它使用点对点交互式网络应用程序将设备连接在一起。如果您通过网络浏览器进行…

在语音助手、播客和实时通信占主导地位的时代，音频驱动的应用程序覆盖各行各业，从健身和冥想到教育和娱乐等行业。Flutter 以其极富表现力的 UI 和跨平台功能而著称，如今它已强大…

开发人员正在积极致力于将人工智能代理（AI Agent）推向市场，但一个重大障碍是缺乏记忆。由于无法回忆过去的互动，代理会将每次对话都视为第一次，导致重复提问、无法记住用户偏好，以…

色彩校正通常涉及调整图像的亮度、色彩平衡（红色、绿色通道）、伽马、色调、饱和度等参数。在 FFmpeg 中，这些调整是通过为各种滤镜指定适当参数来实现的。

写在前面：随着5G技术的商业化应用逐渐成熟，下一代通信技术6G的研究与探索已经展开。6G预计将在2030年左右商用，其突破性的传输性能、革命性的网络架构、创新的通信范式，将对音视频…

在语音合成技术不断演进的背景下，早期版本的IndexTTS虽然在多场景应用中展现出良好的表现，但在情感表达的细腻度与时长控制的精准性方面仍存在提升空间。为了解决这些问题，并进一步推…

FFmpeg 工具通常用于各种任务，不容易记住不同编解码器的所有参数、过滤器等。将各种命令组合保存到批处理文件中，可以优化工作并将开发提升到一个新的水平。

AI 驱动的视频生成技术正以令人惊叹的速度不断进步。在很短的时间内，我们已经从模糊、不连贯的剪辑变成了具有惊人逼真度的视频。然而，尽管取得了这些进步，我们却缺少了一项关键能力：控制…