技术文章

本周，Fish Audio 发布了 Fish Audio Drama 3。Drama 3 是 Fish Audio 推出的一款文本转语音（TTS）模型，它接受用普通语言书写的表演指…

TaoMate-H3 是由阿里巴巴 TaoLive AIGC 团队研发的音视频联合流式生成模型。基于 MiniMax H3，TaoMate-H3 将三步 LoRA 推理与自回归生成…

聊天室曾经意味着一份命名的房间列表、一个网名，以及同时在打字的一群陌生人。在场的所有人看到对话以同样的顺序展开，没有信息流来决定谁先发言、哪些消息值得关注。 这种体验如今越来越难找…

Meta 把直播推流从自研协议 RUSH 换成开放标准 MoQ 的一线复盘，现阶段目标明确，先做到”指标持平”​（在 Instagram Live 的 iOS/Android 推流上全面对齐 RUSH），用一套可秒级回滚的灰度机制把风险控住。

正在输入状态提示（Typing Indicator）是消息通讯场景中提升沟通实时感的关键细节。此状态提示可以让消息接收方感知到对方正在编辑消息，减少 “等待回应” 的焦虑。 ZIM…

Bitmovin 开发者报告最有价值的信号是 “注意力从地基转向地基之上”：自研播放器从 1/4 跌到 3%、自建 CDN 持续下滑、亚秒级延迟需求从 25% 掉到 8%，团队不再自己造基础设施，转而把工程时间投到广告变现、AI 和全会话的 QoE 上。

连续表征语音生成能够保留更丰富的韵律、音色与频谱细节，但在长文本或复杂语句合成中，现有自回归扩散模型仍容易出现说话人漂移、重复、漏读、错读和语义幻觉。如何同时兼顾长程声学一致性与语…

阿布扎比技术创新研究院（TII）发布了 Falcon-ASR，一个 1.6B 参数的阿拉伯语语音识别模型。它聚焦阿联酋方言，同时也能转写英语、法语、西班牙语和葡萄牙语。在 TII …

好久不见，最近整理了几个读者反馈的图形渲染岗位的技术面试问题。我觉的这几个问题出现的频率很高，而且容易被连环追问，今天挑出来讲讲。 现如今顶级 AI 的编程能力上已经超过 99.9…

本文提出Harness-Aware Training (HAT)方法，解决直播电商数字人Agent在低延迟要求下适应业务规则频繁变化的挑战。HAT将动态执行环境(Harness)状…

我们在双方通话时，有时呼叫在必要情况下，会临时中断，或需要转接。系统需要能够始终保持一种可控状态。今天，因为场景变化比较快，我们再深入了解其机制。 SIP 呼叫保持实现 SIP 呼…

监控是在线上发现问题，测试是在上线前拦住问题。音视频测试因为涉及硬件、时序、性能，一直是自动化洼地。本文用 Claude Code 搭一套可落地的测试体系：性能基准、设备兼容矩阵、…

Jitsi Meet 的参会者，一直以来都只是一个浏览器窗口、一种布局。可要是把这个会议放进一间四面墙都有显示屏的会议室，或者放在一台配了两块显示器的办公桌上，多出来的屏幕要么显示…

很多监控、工业相机、IPC 网页预览项目，采用非对等 WebRTC 架构，并非浏览器之间 P2P 通话。 本文梳理整套架构的关键配置、避坑点与观测指标，适合设备网页低延时预览类项目参考。

对采用 WebSocket 的应用，这次等待可能发生在音频发出前的建连阶段。本文通过阿里云 CMS 2.0 用户体验监控（RUM）的自定义资源记录握手，确认连接结果、尝试耗时和受影响的用户环境

功能上线了，但用户那边到底卡不卡不能靠产品经理拍脑袋。本文用 Claude Code 建一套音视频质量监控体系：定义 QoE 指标、全链路埋点、服务端聚合、大盘可视化。用数据驱动优…

本文介绍了 TikTok Live 中基于 HTTP-FLV 的自适应码率直播实现与部署经验。HTTP-FLV 不像 HLS 和 DASH 等基于分段的流媒体协议那样将媒体流划分为…

为什么把 AI 放进语音、视频和消息里，最难的部分不是模型，而是围绕它的一切。 我在 AI 项目室里待的时间够长，足以察觉到一种模式：团队花好几个月挑 AI 技术，却只花几周思考落…

生产环境真实优化记录：解决 CPU 高占用、WebRTC 有连接无画面、播放卡顿、异常卡死等一系列问题，从现象定位根因，附可复用实战经验。

朴素的 WebRTC 文件传输实现都有一个共同问题：它们遍历文件并在紧密循环中调用 dataChannel.send()，把无上限的数据倾倒进 SCTP 发送缓冲区。这对…