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…

AI 视频生成正在跨过一个清晰的分界线。 过去，它更像一个周末玩具。用户拿它尝鲜、娱乐，生成一条新奇的视频，看模型还能玩出什么花样。 但这个状态正在变化。Seedance 2.0 …

随着 AI 视频进入生产阶段，生产成本开始成为越来越多团队绕不开的问题。 旗舰模型不断提升画质上限，更轻量的模型不断推出。很多人曾以为，“视频生成成本”这道题，会随着算力效率提升和…

直播间里，服饰主播试完白色上衣，观众又想马上看到蓝色款是什么效果，可蓝色款不在身边怎么办？视频聊天时，和朋友畅想穿越到古代当侠客，怎么能让美好的想象瞬间变为精美视频呈现给大家？&n…

今天，腾讯混元正式发布新一代语音识别模型 Hy ASR 3.0 preview。 基于最新一代大语言模型 Hy3 的语言理解能力，Hy ASR 3.0 preview 融合高精度语…

Oxygen XR产品研发团队联合清华大学一起提出了 DirectFisheye-GS 框架，创新性地将鱼眼模型原生嵌入到3D高斯泼溅管线中，实现了对鱼眼图像的直接、无损处理。

近年来，单通道语音分离技术犹如一场精彩的接力赛，从 Conv-TasNet 的精巧卷积，DPRNN 的深度循环，到 SepFormer 和 MossFormer 的 Transfo…

随着大模型向多模态全面演进，AI 应用正从云端走向终端。端侧公网“最后一公里”的网络波动与 AI 推理所需要海量数据的实时传输需求之间，存在较大的冲突，会使得模型的推理效果以及用户…

和 AI 打视频电话，卡顿、延迟、声画不同步，是常态。 这本质上就是“语音识别 ➡️ 大模型 ➡️ 语音合成 ➡️ 动画驱动”的流水线拼装。环节越多，延迟越高，割裂感越强。 但真正…

语音交互的下一个形态是什么？是毫秒级的快速响应？是深度思考的逻辑推理？还是能够感知情绪、像真人般对谈的情感共鸣？如何让语音交互跨越“机械感”走向了“自然和智能”？我们也在持续探索。…

本文提出 DGAF-VSR，一种基于扩散模型的视频超分辨率方法，针对现有技术在感知质量、重建保真度和时序一致性之间难以兼顾的挑战，通过关键观察发现特征域比像素域更适合提供稳定的时序…

在互联网海量信息传播的背景下，大数据量、高频率更新场景中的未读消息数计算与提醒，成为考验系统性能与用户体验的关键问题。 作者：赵勇来源：搜狐技术产品原文：https://mp.we…

为短视频、直播回放、在线教育等业务提供端到端的视频点播成本优化方案，覆盖转码模板配置、存储策略降冷、ABR 播放器集成，帮助在保证播放体验的前提下系统性降低账单支出。 作者：逸良来…

中国科学技术大学与淘天集团-音视频技术团队在 ICLR 2026上提出的 EchoGen，作为首个基于视觉自回归模型的前馈式主体驱动图像生成框架，通过创新的双路径主体注入策略（解耦…