技术文章

LLM-ForcedAligner 具备平均时间偏移低、多语言和跨语言处理能力强、最长支持5分钟语音输入和灵活定义时间戳预测位置的特点，并且其非自回归推理方式可消除大语言模型next-token prediction范式中存在的幻觉和计算缓慢问题。

视频直播卡顿是音视频开发者最为关注的问题之一。本文向开发者们介绍视频直播卡顿的主要原因，问题表现、常见场景、问题定位排查和解决方案，同时提供实际案例和预防措施，帮助开发者更好的解决…

本文分享了哔哩哔哩在视频生成模型推理优化中的一系列实践，重点围绕分块自回归视频模型在序列并行场景下的计算与通信优化展开。除上述工作外，我们还在低比特量化、计算图优化等方向持续探索，…

昨日，小红书基础模型 FireRed-Image-Edit 正式亮相 GitHub。 作为小红书 Super Intelligence Team 在图像生成与编辑领域的一次重要探索…

尽管流媒体行业常聚焦于最新协议或 Flash 等已淘汰的旧标准，实时流媒体协议（RTSP）却正迎来巨大复兴。这并非因 RTSP 是突破性新技术，而是它始终是交通运输部门、执法机构及…

目前部分大模型版本文字转语音（TTS），支持指定合成时所使用的情绪。 在与 AI 进行实时语音互动场景下，可以搭配大语言模型 LLM 的系统提示词，实现让 AI 基于人设输出对应的…

本实践围绕游戏中心在弱网环境下的性能优化展开，针对复杂网络场景下的页面加载慢、资源加载失败等问题，提出了优化方案：接入支持 QUIC 协议的 Cronet 网络库，通过更快的连接建…

如今，移动端高清视听已成主流，但以AVS3、HDR Vivid、Audio Vivid为代表的自主音视频技术，仍面临应用规模不足、移动端落地难等问题。为破解这一困境，广电总局设立中…

OpenCV 自身就集成了 FFmpeg 作为后端，通过 cv::VideoCapture 和 cv::VideoWriter 可以直接读写视频文件。那么，在 FFmpeg 里加 OpenCV 插件，和 OpenCV 自己调用 FFmpeg 有什么不同？

本文将探讨导致云部署中 VoIP 和 UC 通信质量差的问题，以及如何使用特定技术和设备来确保始终如一的高质量服务。

与其他高端流媒体平台类似，Starz 秉持“让所有人畅享”的理念，致力于为平台上的所有观众提供优质流媒体体验。但在支持流媒体早期遗留的庞杂设备与格式时，挑战层出不穷，尤其在关键的中…

2026 年 2 月 6 日，ZEGO即时通讯SDK（ZIM SDK）2.27.0 版本发布，新增本地会话支持按照会话名称过滤查询、查询用户共同群组列表等功能。 新增功能 查询用户…

在 WebRTC 中，客户端 CPU 管理并不常见。你会在“高端”应用中看到它，但在其他地方却很少见。为什么？因为我们都专注于网络问题，试图通过优化来解决。人们认为，一旦 CPU …

本文提出了一种轻量化、支持流式推理的神经音频编解码器SpecTokenizer。该方法在 压缩谱域（compressed spectral domain 中进行建模。

总部位于巴黎的初创公司 Mistral AI 自诩为欧洲的 OpenAI，该公司于周三发布了两款语音转文本模型。该公司表示，这两款模型能够比市场上任何其他产品更快、更准确、更便宜地…

如果你的浏览器软电话在 Wi-Fi 环境下运行完美，但在移动数据网络下却出现问题，这并非“随机WebRTC故障”所致。你实际遭遇的是可预见的网络限制：运营商级NAT（CGNAT）、…

本文将从NAT检查、注册请求Contact重写、呼叫请求（及应答）Contact重写三个核心场景，对比 Kamailio NAT 和 FreeSWITCH NAT 的实现逻辑与操作方式。

在当今的数字世界中，WebRTC 技术已成为开发者创建实时应用（例如视频会议和直播）的基础解决方案。这些应用的成功取决于 WebRTC 媒体服务器能否在保持成本可控的同时，实现最佳…

本文介绍了一种名为“人格向量”（Persona Vectors）的创新方法。通过提取和利用大语言模型（LLM）内部激活空间中与特定人格特质（如谄媚、幻觉、邪恶）相对应的向量，该方法…

在实现大规模低延迟直播面临诸多固有困难，且观众对尖端多视角体育观赛体验需求日益增长的背景下，多视角传输技术在流媒体传输中段这一关键环节带来了哪些额外挑战？像 Globo 这样的全球…