下一代音频 (NGA) 是一系列技术，它将音频从固定声道混音扩展到沉浸式、对象驱动和元数据驱动的体验，使其具有个性化、易用性和跨设备可扩展性。NGA 允许单个节目携带离散元素（声道…

在语音通信领域，通话质量不仅仅取决于技术规格，它直接反映了团队协作方式、客户服务体验以及企业日常运营。多年来，业界一直依赖平均意见得分 (MOS) 来衡量语音质量。尽管 MOS 确…

在虚拟现实和增强现实快速发展的领域，音频长期以来一直处于视觉效果的次要地位。但随着MPEG-I沉浸式音频标准的出现，一场翻天覆地的变革正在发生。该标准有望彻底改变我们在数字领域体验…

2025年11月14日，SHAC（Spherical Harmonic Audio Codec，球面谐波音频编解码器）开发团队宣布，全球首个交互式空间音频格式正式开源发布。SHAC…

在这个技术变革的时代，本文分享10点个人对于智能语音技术和应用在未来几年发展的看法。

清华大学、剑桥大学与字节跳动的研究团队提出了一种让大语言模型（LLM）理解空间音频的新方法。与当前多模态大模型只能解析普通音频不同，这项工作让 LLM 有初步“听懂”三维空间中声音方向与定位的能力。

HDR10+ Technologies LLC（HDR10+动态元数据视频格式的开发机构）宣布推出全新的 Eclipsa Audio 认证计划，为沉浸式音频提供基于开源标准的解决方…

MPEG-I 沉浸式音频标准由 MPEG 音频工作组（ISO/IEC JTC1/SC29/WG6）近期最终确定，是MPEG-I 沉浸式媒体套件的最新成员。该标准可在虚拟现实（VR）…

Linux 音频系统出了名的混乱，往好了说是令人困惑，往坏了说是彻底崩溃。面对 PulseAudio、ALSA和 JACK 这三种音频框架，用户往往只能通过反复试错和大量调试来获得…

本文介绍一种实时基于统计模型的VAD算法，与WebRTC VAD流程解析中不同，这里可以复用ANR噪声估计的结果进行判决，在算力受限的端侧设备上是一个不错的选择。

苹果公司已获得一项美国专利，该专利涉及一项创新音频系统，该系统可根据可穿戴音频设备相对于用户身体结构的物理位置，动态地确定并应用音频滤波器。这项改进旨在增强空间音频渲染和麦克风拾音…

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…

近几年，空间音频从“更高质量到音频”走向“可被理解与生成的三维声场”。它不只是把声音变“立体”，而是让系统理解声源的方位、距离、运动，并能按需生成。在 AR/VR、影视、…

可编程语音 API 正在改变企业与客户互动的方式，这些先进的工具提供了前所未有的语音通信控制和定制能力，使企业能够打造独特的客户体验并简化运营。随着各行各业持续拥抱数字化转型，整合…

体育广播需要精准、可靠和创新，很少有机构能比 NBC 体育更好地体现这一点。多年来，该网络始终采用尖端技术来提升其制作水平，为数百万观众提供无缝衔接的转播。其工作流程中最具变革性的…

你是否曾在虚拟会议中遇到多人同时发言，几乎无法跟上对话内容的情况？又或者，你是否曾体验过与智能音箱对话时，背景噪音盖过指令，令人沮丧？基于 AI 的语音分离技术的最新进展有望改变这…

当前视频到音频(Video-to-Audio, V2A)模型可以从视觉输入中生成逼真的背景音频，但它们大多忽略了语音在视频音轨中的关键组成部分。近期，西工大音频语音与语言处理研究组…

语音增强 (SE) 领域的最新进展已经超越了传统的掩码或信号预测方法，转而采用预训练音频模型来获取更丰富、更可迁移的特征。这些模型（例如 WavLM）可以提取有意义的音频嵌入，从而…

在语音助手、播客和实时通信占主导地位的时代，音频驱动的应用程序覆盖各行各业，从健身和冥想到教育和娱乐等行业。Flutter 以其极富表现力的 UI 和跨平台功能而著称，如今它已强大…

有没有想过你最喜欢的 AI 助手是如何理解和回应你的语音的？在幕后，大量的数学和深度学习技术将你的声音转化为文本，并对其进行解读，甚至可能用另一种声音或语言生成逼真的响应。本文将逐…