技术文章

摘要：多人实时会议中，重要发言人的声音常被其他参会者淹没。本文介绍了ZEGO 实时音视频 SDK (ZEGO Express SDK) 的混流焦点语音（Focus Voice）方案…

本文提出了一种面向超低码率图像压缩的新型生成式解码范式 NeFIC。与现有方法主要依赖图像扩散模型从高斯噪声出发、通过控制信号逐步生成重建图像不同，NeFIC 首先解码出一张保留场…

语音交互的下一个形态是什么？是毫秒级的快速响应？是深度思考的逻辑推理？还是能够感知情绪、像真人般对谈的情感共鸣？如何让语音交互跨越“机械感”走向了“自然和智能”？我们也在持续探索。…

在 Web 端搭建一个功能完整的互动直播平台，核心需要实现推流、拉流、连麦、混流、聊天五个模块。本教程以 ZEGO Express Web SDK 为例，从零开始逐步讲解实现流程。…

在实时通信（RTC）领域，传统的音视频处理算法（如基于经典信号处理的 WebRTC NS 降噪、双线性插值缩放）正逐渐遭遇瓶颈。随着端侧算力的释放与轻量级神经网络（轻量化 CNN/…

近年来，音频语言模型（Audio Language Model, ALMs）推动语音理解从传统单任务系统走向统一的音频到文本生成范式。在这一框架下，说话人验证、语音识别、说话人识别…

阿里团队的最新研究 STAR-VAE 已被机器学习顶级会议 ICML 2026 接收。这项工作聚焦音频生成中一个长期被忽视、却决定效果上限的底层环节——音频 VAE（连续 toke…

我们看到的几乎所有远程操作项目都是这样开始的：团队中的某个人找到 WebRTC 文档，让两台笔记本电脑之间连接网络摄像头，将其连接到机器人，然后在办公室演示远程操控。 但当机器人离…

本文提出 DGAF-VSR，一种基于扩散模型的视频超分辨率方法，针对现有技术在感知质量、重建保真度和时序一致性之间难以兼顾的挑战，通过关键观察发现特征域比像素域更适合提供稳定的时序…

Janus WebRTC 服务器扩展到多个实例并将会议室分布在服务器池中时，会面临新的挑战。本文将介绍如何构建媒体资源代理以及如何扩展其背后的实例池。

在互联网海量信息传播的背景下，大数据量、高频率更新场景中的未读消息数计算与提醒，成为考验系统性能与用户体验的关键问题。 作者：赵勇来源：搜狐技术产品原文：https://mp.we…

为短视频、直播回放、在线教育等业务提供端到端的视频点播成本优化方案，覆盖转码模板配置、存储策略降冷、ABR 播放器集成，帮助在保证播放体验的前提下系统性降低账单支出。 作者：逸良来…

Vulkan® 正在逐步淘汰主机端光线追踪加速结构构建命令，转而采用单一的、基于设备地址的路径。这使得 Vulkan 光线追踪与 DirectX 光线追踪的发展方向、现代引擎架构以…

中国科学技术大学与淘天集团-音视频技术团队在 ICLR 2026上提出的 EchoGen，作为首个基于视觉自回归模型的前馈式主体驱动图像生成框架，通过创新的双路径主体注入策略（解耦…

在WebRTC实时视频开发中，普遍存在两大痛点：无法传递帧级自定义元数据，难以实现视频溯源与精准帧对齐；高清高帧率编码场景下服务CPU占用过高，极易引发卡顿、延时抖动、服务不稳定等…

FFmpeg 是音视频瑞士军刀，但在移动端集成——交叉编译、JNI 桥接、Swift 封装，每一步都是坑。本文用 Claude Code 写一个双端统一的 FFmpeg 视频编辑封…

NVIDIA 发布了Audex（Nemotron-Labs-Audex-30B-A3B），这是一个统一的音频-文本大型语言模型。它能够理解和生成音频和语音，并保留了其核心的文本智能…

Multiview（多视角）即在同一屏幕上同时观看两路、三路或四路直播信号，正在成为体育直播中的核心能力。决定 Multiview 成败的关键并不只是“是否支持多画面”，而是采用怎…

如今，观众观看视频的频率比以往任何时候都高，视频领域的竞争也急剧加剧。这促使视频服务提供商不断创新，力求满足消费者对高质量、流畅流媒体体验的需求。 在此背景下，过去几年感受到的财务…

在短视频与社交媒体盛行的今天，越来越多的创作者不再直白地表达观点，而是借助隐喻来传递深层意涵。一段画面里，一群身着燕尾服、戴着法官帽的猪在豪华宴会上大快朵颐，桌子底下的猫却在争抢残…