技术文章

如果只看命名，VMAF v1 很容易被误解成一次常规模型迭代。但结合 Netflix 官方技术博客《VMAF v1: Good Is Not Good Enough》和 Netfl…

语音和视频通信承载着组织中最敏感的一些对话，但支持这些通信的系统通常被视为普通的网络流量，从而造成了攻击者可能利用的安全漏洞。 在后台，信令消息负责建立和控制会话，而独立的媒体流则…

四十年来，视频编码一直沿用传统的编解码器，从MPEG 1和2，到H.264高清过渡，再到H.265的4K时代，以及后来的VVC/H.266。如今，AI 正在席卷广播电视领域，纯 A…

第五代移动通信技术和去中心化云计算的结合，从根本上改变了实时数字内容的传输方式。过去，观众或许会接受几秒钟的延迟，而如今的基础设施已将延迟降低到毫秒级。 高带宽的5G网络与云服务器…

本文描绘 2026 年语音代理底层传输层的图谱：实际可选方案有哪些、当前参与者使用什么、WebRTC 目前的表现如何，以及目前尚未有人进行的调整将在哪些方面发挥作用。

CoCoEmo是一种轻量、可组合、可控的情感语音生成框架。不同于重新训练模型或设计复杂 emotion prompt，CoCoEmo 直接在预训练 hybrid TTS 模型的中间激活空间中注入 emotion steering vector，从而引导模型生成目标情感表达。

近年来，零样本语音复刻技术快速发展，AI 已经能够仅凭一段文本和一小段参考音频，合成出自然度颇高的目标说话人语音。然而，在生成质量持续提升的同时，一个更基础的问题仍未被认真回答： …

Android 音频 API 看似简单，实则暗藏杀机：回调线程搞错、Buffer 不归还导致无声、录制播放切换时 crash。本文用 Claude Code 写一个线程安全、支持低…

与直播工作流中其他复杂且影响重大的环节一样，关于人工智能（AI）和机器学习（ML）在直播监控与质量控制中的应用、功能及局限性，存在诸多疑问。虽然在质量保证方面，某些环节仍无法替代人…

体育蕴含着千百种故事。无论哪项运动的粉丝，都能滔滔不绝地谈论那些“大卫与歌利亚”式的史诗对决、邪恶的对手，以及那些令我们着迷的“白手起家”式励志故事。这些故事在每一项赛事中都会上演…

近年来，超低码率视频压缩已成为一个关键的研究领域。然而，现有的视频压缩方法在超低码率下难以保持足够的性能，这通常表现为感知质量下降，包括细节丢失、纹理模糊和图像伪影，以及重建视频与…

本文提出 MagiCodec，一个单层、流式Transformer音频编解码器，通过多阶段训练 + 高斯噪声注入 + 隐空间正则化，显式提升token的语义表达能力，同时保持高保真重建。

社群（Community）是基于 ZEGO IM（ZIM） 新支持的即时通讯能力，可以协助开发者搭建类 Discord 的实时互动社区。满足游戏玩家、兴趣小组、粉丝运营、教育培训等…

CameraX 简化了 Android 相机开发，但也埋了不少坑——预览帧率莫名其妙掉到 15fps、分析帧堆积导致 OOM、后台回来画面卡死。本文用 Claude Code 帮你…

Meta在实时通信中采用AV1是一项历时数年的工作，本文将分享在部署 AV1 和扩大覆盖范围时遇到的技术和运营挑战，以及 Meta 如何解决这些挑战以实现实时通信。

Gradium 发布了两款实时语音翻译模型：stt-translate和s2s-translate。这两款模型均支持五种语言，并将结果实时显示在浏览器中。 Gradium 声称其准…

一句话总结：绝大多数 App 开发团队应该购买实时音视频云服务而不是自建。自建一套生产级的实时通信系统至少需要 8~12 个月和 10 人以上音视频团队，而采购成熟 SDK 最快 …

基于开源的VoIP项目很多，眼花缭乱。这些开源软件包括协议栈，开发包，底层引擎，管理界面，测试工具，软电话终端等等形态，很多项目已经实现了产品化，但是开源计费项目始终不瘟不火。笔直…

本文将使用NVIDIA Canary-1B-v2构建一个语音识别和翻译工作流程。首先，我们将设置所需的音频、NeMo、NumPy 和 SciPy 依赖项，然后在支持 GPU 的运行…

ZLMediaKit 接收/处理PS流分析：使用AI开发了一个安卓GB28181推流APP，采集手机音视频进行编码压缩然后封装为PS流遇到的问题分析。