技术文章

Sarvam AI 发布了 Saaras V4，这是其语音识别模型的最新一代。它覆盖全部 22 种印度法定语言以及英语，现在还纳入了全球各地的英语口音。Sarvam 称其在全部 2…

aec3（RubyBit/aec3-rs）是 WebRTC AEC3 声学回声消除器的 Rust 移植版本，但它不只是”翻译一遍 C++”——它把 AEC3…

当一部热门剧集在午夜一次性放出所有剧集，或者一场万众瞩目的足球决赛在多个时区同时开赛时，数百万观众会在同一短暂的时间窗口内点击播放。对于 Netflix、Pluto TV 及其竞争…

NVIDIA 在 Hugging Face 平台上发布了Nemotron 3 Diarization，一个开源权重的说话人分离模型。它回答关于任何一段对话的一个问题：谁在什么时候说…

今天，阿里正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别（ASR）、语音合成（TTS）和实时语音交互（Realtime）三大核心模型进行了全面进化，…

App 开发视频会议有三条路线：集成第三方 RTC SDK、自研 WebRTC、采购现成源码。三者的成本结构与上线周期差别很大，选错路线往往要到上线后才暴露。 App 接入视频会议…

一个码率阶梯画在白板上时看起来简单得具有欺骗性：几个分辨率，每个旁边配一个码率，再加一个能在其间切换的播放器。到了生产环境里，它就没那么整洁了。这个阶梯夹在源、编码器、封装器、CD…

利用 WebRTC 和 Cloudflare Durable Objects 构建零知识 P2P 同步引擎：如何实现桌面端和移动端之间即时、无需账户、端到端加密的笔记同步，且无需任何云存储成本。

设想这样一个场景：直播间里主播喊出”3、2、1，上链接“，你看准时机点下去，页面却纹丝不动——半秒之后才告诉你”已抢完“。或者一场线上拍卖，锤子落下的画面比成交价刷新慢了整整一秒，…

如果你用 Go 写过 REST API，却从没碰过 WebSocket，那么构建一个聊天服务器是动手学习 Go 并发模型的最佳方式之一。不用框架，不用黑魔法，只有 goroutin…

在快手电商直播间，大量用户会在通勤、办公或静音环境下观看直播，声音一旦缺失，主播口中的价格、规格、优惠也随之消失。我们花了半年多时间，把”主播说话到字幕上屏&#8221…

2026 年 9 月 18 日，ZEGO 即时通讯SDK（ZIM） 3.2.0 版本发布，新增社群会话管理、社群加入前审核和支持为所有成员删除消息等功能。 新增功能 会话列表新增社…

本工作为 Speech-LLM 多语种参数高效微调提供了一种新的技术思路，可进一步推广至多语种语音识别、语音理解及其他基于大模型的参数高效微调任务，为大规模多语种语音模型的训练与部署提供了新的解决方案。

SpaceXAI 发布了 Grok Voice Transcribe 2.0，这是其最新的语音转文字（STT）模型。开发团队称其在价格不变的前提下，准确率是 Grok Voice …

2026 年的 WebRTC 开源媒体服务器都有哪些，基于 GitHub 星标来看哪些最好。不同的工具适合不同的场景。也就是说，这里排位靠后的一款 WebRTC 媒体服务器，可能恰恰最适合你的需求。

第一人称视觉交互要求 Agent 在动态社会环境中通过多模态对话和工具使用解决真实世界任务。EgoInteract 将采样帧视为视觉假设，维护证据账本，并通过官方工具将可见实体规范…

浏览器标签页内的实时娱乐，是现代 Web 日常解决的最棘手工程问题之一。用户点击一个按钮，期望得到近乎即时的反馈，而要做到这一点，需要网络、服务器和渲染管线之间的协同配合 —— 这…

视频语言模型在时序推理、长视频理解和多模态评测方面进展迅速，使其在广播辅助、沉浸式媒体制作、可穿戴引导、移动监控和 PC 控制面等场景中具备应用潜力。这些场景要求系统在用户仍在操作…

自变量机器人（X Square Robot）的 X2-NativeCursor 用一个约 2M 参数的进度模型，直接从 TTS 的原生语音 token 中估计原文位置，再由客户端结合播放时钟确定播报进度。

RocketMQ 接入 AI，它自己并没有变成大模型，干的还是消息队列的老本行。变化主要在这套新的主题模型上，它是照着 AI 应用的通信特点做出来的。