技术文章

谷歌研究院发布了TimesFM-2.5，这是一个拥有 2 亿个参数、仅解码器的时间序列基础模型，上下文长度为 16K，并原生支持概率预测。新的检查点已在 Hugging Face …

语音大模型识别不准？“幻觉”“串语种”频发？定制词总被忽略？ 当前语音大模型的主流架构，是在大语言模型（LLM）前接入声学编码器，将音频特征映射到文本空间，再由LLM生成转写结果。…

SaschaWillems/Vulkan 仓库是一套全面的开源 C++ 示例合集，展示了 Vulkan 图形与计算 API 的功能。该框架围绕模块化设计构建，既抽象了常见的 Vulkan 操作，又保留了 Vulkan 提供的底层控制。

“一套代码，多端运行” 是很多开发团队的梦想。ZEGO SDK 基于 uni-app 跨平台框架支持 iOS、Android、Windows、macOS、HarmonyOS、Web…

GPUImage 远不止简单地给视频加滤镜。本指南将深入探讨如何利用 GPUImage 以高性能、高质量的方式对视频进行复杂操作、合成与处理。

语音AI正在成为多模态AI领域最重要的前沿领域之一。从智能助手到交互式代理，理解和推理音频的能力正在重塑机器与人类互动的方式。然而，尽管模型的能力迅速提升，但评估模型的工具却未能跟…

即使在“旅途中”，消费者对视频内容的需求也达到了前所未有的高度。根据爱立信最新的移动报告，近74%的移动数据流量属于视频流量。 这一趋势为移动领域带来了新的需求，尤其是在体验质量 …

本文将介绍如何基于 ZEGO Web SDK 快速使用 React 实现一个简单的实时音视频通话。

GPUImage 提供了直接操作原始像素数据（raw pixel data）的强大能力。无论是集成计算机视觉算法、处理自定义传感器数据，还是实现专用图像管线，掌握 GPUImage 的原始数据接口都能为应用打开更广阔的可能性。

总部位于加州的语音 AI 初创公司 TwinMind 发布了 Ear-3 语音识别模型，声称其在多项关键指标上均达到了业界领先水平，并扩展了多语言支持。此次发布使 Ear-3 成为…

近日，火山引擎多媒体实验室的最新研究成果 LiveGS: Live Free-Viewpoint Video via High-Performance Gaussian Splat…

Vue.js 是一个流行的前端框架，被广泛应用于 Web 应用程序的开发中。除了常规的界面开发，Vue.js还可以与音视频处理相结合，实现流媒体和音视频编解码的功能。下面来看看 V…

阿里云 Qwen 团队推出了Qwen3-ASR Flash，这是一种一体化自动语音识别 (ASR) 模型（可作为API 服务提供），建立在 Qwen3-Omni 的强大智能之上，可…

smart_rtpmd 是一款用于直播，录播性能卓越的服务器。如果您不理解，可以理解为和 nginx-rtmp, srs ，并与此功能类似，特点是性能卓越，跨平台，无依赖，部署和维…

GPUImage 的帧缓冲系统负责分配、复用和管理 OpenGL 资源，针对移动设备和实时处理做了专门优化。本文将深入 GPUImage 的帧缓冲管理机制及其重要性。

本文介绍一项基于实时通信引擎 WebRTC 的大规模极低延时直播技术 RTM，并阐述如何对 RTM进行高效优化，从而实现用户参与度指标（直播渗透率、平均观播时长）的显著增长。

GPUImage 最强大的特性之一，就是能够使用 OpenGL ES 2.0 着色器程序创建你自己的图像处理滤镜。本文将带你从零开始，逐步完成从简单颜色调整到复杂多输入特效的全部流程。

本文介绍下工程方法的内容，在移动设备和嵌入式系统中，高效的数字信号处理（DSP）算法至关重要。快速傅里叶变换（FFT）作为核心算法之一，其性能直接影响到音频处理、图像分析、通信等多…

AI 正在重塑医疗、金融、制造和零售等行业的可能性边界。但伴随巨大潜力而来的，是海量基础设施需求。 全球企业正以史无前例的规模投资 GPU，以加速 AI 训练与推理。Gartner…

本文提出了一种新的量化方法（ERVQ），其通过码本内和码本间优化来减轻码本崩溃并提高编解码器性能。实验表明，融入到多种神经音频后均能起到较好的性能提升效果。 文章来源：TASLP …