技术文章

近日，FFmpeg 多媒体库对 Flash 视频 (FLV) 支持进行了新一轮改进。 对于那些在进入 2025 年后仍对 Flash 视频 (FLV) 容器文件格式感兴趣的人来说，…

分享来自音视频开发圈“关键帧Keyframe”的文章。 分析和解决编辑和特效工具内存问题导致的程序崩溃，这里的核心问题是在媒体处理过程中的内存管理，关键方面包括： 考虑到崩溃场景，…

OpenSIPS 中的集群支持是一个具有挑战性的领域，并且不断发展。即使自其初始版本发布以来已经过去了很多年，我们仍然发现需要理解和解决的具有挑战性的场景。生产环境，尤其是涉及大量…

自回归 (AR) 模型改变了图像生成领域，为生成高质量视觉效果树立了新标杆。这些模型将图像创建过程分解为连续步骤，每个标记都基于先前的标记生成，从而创建具有出色真实感和连贯性的输出…

当遇到视频播放器花屏时，我们可以从多个层面来思考这个问题。首先要理清视频播放的整个链路：从解码、渲染到显示，每个环节都可能导致花屏。

OpenAI RealTime 模型添加了一个新接口。现在它支持 WebRTC！本文是 WebRTC 专家 Gustavo Garcia 对此的看法和评测，一起来了解下。 鉴于有这…

在数字媒体世界中，视频和音频编解码器在多媒体内容的编码、解码和流式传输中发挥着重要作用。无论您是要为社交媒体创建内容、开发 OTT 平台，还是要对旧视频进行存档，在深入研究视频转码…

将视频分解成视觉模型所需的更小、更有意义的部分仍然颇具挑战性，特别是长视频。视觉模型依靠这些较小的部分（称为标记）来处理和理解视频数据，但高效地创建这些标记却十分困难。虽然近期的工…

IEC 61937 系列标准是对音频编码格式的非线性 PCM 比特流传输的方法支持，使得其可以在光纤、同轴和 HDMI 等信道上传输使用。该系列标准的制定和维护归口于国际电工委员会…

图形用户界面 (GUI) 在人机交互中起着基础性作用，为用户提供跨 Web、桌面和移动平台完成任务的媒介。该领域的自动化具有变革性，可以大幅提高生产力并实现无缝任务执行而无需人工干…

本文介绍Rtp如何封装vp8遍码，webrtc中，常用编码格式vp8，协议规范在rfc7741中。本文内容: 作者：音视频小话原文：https://mp.weixin.qq.com…

自回归 LLM 是复杂的神经网络，通过顺序预测生成连贯且上下文相关的文本。这些 LLMS 擅长处理大型数据集，并且在翻译、摘要和对话式 AI 方面非常强大。然而，实现高质量的视觉生…

说话人日志任务（Speaker Diarization）是指将音频划分为属于不同说话人的多个段落。其目标是确定音频中有多少个不同的说话人，并且识别出每个说话人在音频中的开始时间和结…

在视频流媒体领域，尤其是直播流媒体领域，选择正确的比特率策略对于向观众提供高质量、无缝的内容至关重要。流媒体领域主要有两种编码技术： 可变比特率 (VBR) 和恒定比特率 (CBR…

关于 WebRTC 视频通话延迟优化的复杂技术问题，我们来梳理一下思路。 首先，要理解视频通话中的延迟到底是如何产生的。整个流程中涉及采集、编码、传输、解码、渲染等多个环节，每个环…

今天，即时通讯网 JackJiang 发布了开源轻量级 IM 框架 MobileIMSDK 的 鸿蒙 NEXT 客户端库。 MobileIMSDK – 鸿蒙端是一套基于…

大型语言模型 (LLM) 是众多应用的支柱，例如对话代理、自动内容创建和自然语言理解任务。它们的有效性在于它们能够从庞大的数据集中建模和预测复杂的语言模式。然而，由于训练的计算成本…

Jitsi 博客最新的一篇文章表示经过彻底的实验和对实际性能数据的分析，AV1 视频编解码器将很快成为所有 Jitsi 部署中的默认首选编解码器，将其卓越的带宽效率和视频质量带给更…

视频质量评估（Video Quality Assessment, VQA） 旨在以高度符合人类感知的方式预测视频质量。然而，传统基于自然图像或视频统计特性的VQA模型在面对用户生成…

长上下文 LLM 支持从 128K 到 10M 个 token 的扩展上下文窗口，从而支持诸如存储库级代码分析、长文档问答和多镜头上下文学习等高级应用。然而，这些功能在推理过程中面…