实时音视频

H5 直播选型，先回答两个问题：主播是不是也在浏览器里开播，你能接受”低延迟”变成一个单独计费的增值项吗。这两个答案基本决定了选谁，剩下的才是延迟和价格。 …

美颜是直播、相机、视频通话的绝对刚需。磨皮、美白、瘦脸、大眼，传统美颜靠肤色检测和几何变形，AI 美颜靠关键点 + 语义分割，既磨得自然又不糊五官。 1、你遇到的场景 &#8220…

语音到语音翻译正在从传统级联系统，逐渐走向更统一的建模方式。级联系统更容易控制、审计和修正；端到端系统则为更低延迟、更自然表达和更完整的语音信息保留提供了可能。

Flutter 语音通话没有”全局最佳 SDK”，只有”场景最佳 SDK”。出海社交优先看全球节点与弱网抗性，国内语聊房优先看音频前…

从 AV2 这样的视频编解码器，到浏览器引擎与硬件解码，实现流畅的视频流所涉及的远不止更快的网络。以下是 Web 视频背后的技术是如何运作的。 YouTube 计划最早于 2027…

百炼多模态实时交互开发套件，能为 AI/AR 眼镜、学习机、汽车、智能机器人等设备注入「听懂、看懂、会思考」的智能能力。借助自然对话、多模态感知与实时交互，设备可以成为硬件 Age…

本文处理常见的刚需——降噪。通话里的键盘声、直播里的风扇声、低光视频的噪点，都是信号淹没在噪声里。端侧降噪的难点是实时性：音频一帧 20ms 内要出结果，视频一帧 33ms 内要出…

本文拿视频超分练手：把 720p 的旧视频、或者低清视频流，在手机上实时放大到 1080p 甚至 4K。端侧超分的难点不在效果，在「一帧只有 16ms 预算」。 1、你遇到的场景 …

TaoMate-H3 是由阿里巴巴 TaoLive AIGC 团队研发的音视频联合流式生成模型。基于 MiniMax H3，TaoMate-H3 将三步 LoRA 推理与自回归生成…

Meta 把直播推流从自研协议 RUSH 换成开放标准 MoQ 的一线复盘，现阶段目标明确，先做到”指标持平”​（在 Instagram Live 的 iOS/Android 推流上全面对齐 RUSH），用一套可秒级回滚的灰度机制把风险控住。

Bitmovin 开发者报告最有价值的信号是 “注意力从地基转向地基之上”：自研播放器从 1/4 跌到 3%、自建 CDN 持续下滑、亚秒级延迟需求从 25% 掉到 8%，团队不再自己造基础设施，转而把工程时间投到广告变现、AI 和全会话的 QoE 上。

本文提出Harness-Aware Training (HAT)方法，解决直播电商数字人Agent在低延迟要求下适应业务规则频繁变化的挑战。HAT将动态执行环境(Harness)状…

监控是在线上发现问题，测试是在上线前拦住问题。音视频测试因为涉及硬件、时序、性能，一直是自动化洼地。本文用 Claude Code 搭一套可落地的测试体系：性能基准、设备兼容矩阵、…

功能上线了，但用户那边到底卡不卡不能靠产品经理拍脑袋。本文用 Claude Code 建一套音视频质量监控体系：定义 QoE 指标、全链路埋点、服务端聚合、大盘可视化。用数据驱动优…

本文介绍了 TikTok Live 中基于 HTTP-FLV 的自适应码率直播实现与部署经验。HTTP-FLV 不像 HLS 和 DASH 等基于分段的流媒体协议那样将媒体流划分为…

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…

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，…

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…

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…

有人在纽约说了句好笑的话，你在北京笑了出来，看起来就像同一瞬间发生的事。这背后没有任何一点是简单的。一对一视频通话底层的整套机制，是过去十五年里最不可思议的工程成就之一，而它运转得…