大语言模型已经开始逐字生成回答，语音助手却迟迟不开口，原因可能出在 TTS：它仍要等完整文本，才能生成声音。流式 TTS 在文本陆续到达时开始合成，前面的音频播放时，后面的内容还在…

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。

从 CosyVoice、CosyVoice 2、CosyVoice 3，到 Qwen-Audio-3.0-TTS，我们重新回看了四代语音生成系统的技术演进。 贯穿其中的主线并不是简…

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…

语音识别并不总能等人把整句话说完。实时字幕要边听边显示，输入法要让文字及时上屏，语音助手要尽快判断用户是否说完，会议系统还要持续处理数小时音频。这些场景共同需要一种能力：音频不断到…

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。

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…

对采用 WebSocket 的应用，这次等待可能发生在音频发出前的建连阶段。本文通过阿里云 CMS 2.0 用户体验监控（RUM）的自定义资源记录握手，确认连接结果、尝试耗时和受影响的用户环境

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…

今天，阿里正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别（ASR）、语音合成（TTS）和实时语音交互（Realtime）三大核心模型进行了全面进化，…

面向字幕擦除等真实业务场景中的复杂难题，火山引擎推出 AI MediaKit 理解式视频编辑引擎，并以自研 ReFM（Residual Flow Matching，残差式流匹配）作为视频生成修复主干。

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…

语音交互和语音通信依赖清晰、可分辨的输入信号。真实环境中的风扇、道路、键盘等背景噪声会掩盖语音，扬声器回放进入麦克风会形成回声，多人同时讲话则会造成语音混叠。降噪、声学回声消除（A…

一场 7×24 小时不间断的直播，对真人主播团队意味着高昂人力成本，对百万中小商家更是一道难以迈过的门槛；而“一眼假”的数字人——面部僵硬、动作循环、手势与语音脱节——又留不住观众…

从运营活动的真实需求出发，搭建一条由素材处理、动作迁移、视频生成、声音合成、口型驱动、直播编排和发布管理共同构成的多模态生产链路。

方言识别之所以像 ASR 中的一把“瑞士军刀”，是因为它考验的不只是模型能否听清，还要求系统同时处理语言判断、语义转换、文本呈现与效果评价。

Smart Podcast Platform 是一个端到端的智能播客制作平台。本文介绍该平台开发过程，从后端 Python 到前端 Vue 3，从 LangGraph Agent 编排到 pydub 音频处理，完整覆盖了一个 AI 音频应用的方方面面。

如果一个会议转写系统足够理想，用户体验应该非常简单：把一段原始会议录音丢进去，系统直接产出一份可靠的会议文本。不要求用户懂设备、懂前端、懂降噪，也不会在多人插话时把几个人的话揉成一…

不赶进度、专注打磨！今天想和大家聊聊我们最新发布的 IndexTTS 2.5，支持中/英/日/西/阿五国语言零样本配音，推理速度翻倍升级，跨语言情绪还原更自然，同时也支持原声的语速…