技术文章

清华大学、剑桥大学与字节跳动的研究团队提出了一种让大语言模型（LLM）理解空间音频的新方法。与当前多模态大模型只能解析普通音频不同，这项工作让 LLM 有初步“听懂”三维空间中声音方向与定位的能力。

数字世界中有一位无可争议的王者：移动即时通讯。根据 Statista 的数据，全球超过 94.5% 的互联网用户每月都会使用聊天应用程序。这一数字使即时通讯成为最普及的数字活动，其…

自9月1日，美团正式发布 LongCat-Flash 系列模型，现已开源 LongCat-Flash-Chat 和 LongCat-Flash-Thinking 两大版本，获得了开…

运动估计是计算机视觉任务中至关重要却计算密集的环节，研究人员一直在寻求提高其效率的方法。 来自都柏林圣三一学院的 Julien Zouein、Vibhoothi Vibhoothi…

在超级碗、格莱美颁奖礼和奥运会等重大直播活动中，观众期待的是清晰流畅、实时无中断的观赛体验。数百万观众同时收看，广告商更是不惜重金将产品展示在观众眼前。幕后，这给流媒体服务商带来了…

在流媒体领域，”延迟 “是指视频或音频数据从源传输到观众设备的延迟时间。试想一下，在观看足球比赛等直播活动时，在您的流媒体上看到进球发生之前，您的邻居就已经…

这个系列文章我们来介绍音视频相关面试题，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，本篇介绍网络传输优化。 ——来自公众号“关键帧Keyframe”的分享 1、优…

本文是对《智能体设计模式》第十章的翻译。此章节介绍了模型上下文协议（MCP协议）。

整个视频行业，尤其​​是体育行业，正在走向多模态化。随着行业将分辨率、动态范围和音频保真度提升至难以进一步变现的高度，单纯的画面和音频已无法满足需求。因此，业界正将目光投向能增强赛…

您是否了解一款能让招聘变得智能高效、不受地域限制的视频面试平台？该系统能更便捷快速地开展常规面试，助您发掘最优秀的候选人。若您想了解如何构建视频面试平台，本文将介绍其核心功能、使用…

在 Web 开发中，实时通信技术的核心目标是实现客户端（Browser）与服务器之间低延迟、双向 / 单向的动态数据交互，而非传统 HTTP 的 “请求 – 响应” 模…

本文是对《智能体设计模式》第九章的翻译。此章节介绍了支撑智能体学习与适应的原理和机制。

本文分享 Pixop 的技术专家 Jon Frydensbjerg 眼中的 AI 视频增强。全文如下。 致真正的非技术人士：本文同样面向非技术读者，据说并非所有人都知道“精灵（Sp…

IPMX（IP Media Experience）会取代 SMTE ST 2110 吗？ 不会，至少目前来说，它们针对的是不同的应用领域。IPMX是“简化版ST 2110（且可能更…

本文来自音视频技术社群关键帧的音视频开发圈的分享，该社群会定期整理一些音视频相关的面试题，本期分享 Android 音视频方向面试题实录。 下面是我们技术社群的一位群友最近面试 J…

本文是对《智能体设计模式》第八章的翻译。此章节介绍了智能体系统的内存管理机制。

Liquid AI 发布了 LFM2-VL-3B，这是一个用于图像文本到文本任务的 3B 参数视觉语言模型。它扩展了 LFM2-VL 系列，使其超越了 450M 和 1.6B 版本…

为落实国家“十四五”数字经济与新型基础设施建设规划，遵循数据安全法和个人信息保护法的相关要求，推动云手机安全传输技术国产化与标准化，针对云手机音视频流传输的高丢包、低安全与延迟等问…

这个系列文章我们来介绍音视频相关面试题，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，本篇介绍媒体播放器缓冲策略。 ——来自公众号“关键帧Keyframe”的分享 …

本文是对《智能体设计模式》第七章的翻译。此章节介绍了多智能体协作和通信的内容，以及如何进行相关设计。