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…

在短视频与社交媒体盛行的今天，越来越多的创作者不再直白地表达观点，而是借助隐喻来传递深层意涵。一段画面里，一群身着燕尾服、戴着法官帽的猪在豪华宴会上大快朵颐，桌子底下的猫却在争抢残…

如果只看命名，VMAF v1 很容易被误解成一次常规模型迭代。但结合 Netflix 官方技术博客《VMAF v1: Good Is Not Good Enough》和 Netfl…

在标准普通话、清晰录音的条件下，语音识别主流模型的准确率早已相当高。现实中的语音很少是“标准”的。它可能是一口浓重的家乡方言，可能中外夹杂、不时蹦出小语种，也可能藏着需要结合上下文…

Meta在实时通信中采用AV1是一项历时数年的工作，本文将分享在部署 AV1 和扩大覆盖范围时遇到的技术和运营挑战，以及 Meta 如何解决这些挑战以实现实时通信。

摘要：2026年6月11日至13日，数字音视频编解码技术标准工作组（AVS工作组）第97次全体会议在乌鲁木齐召开。会上，由腾讯音乐娱乐集团（TME）提交的第四代音频编解码技术标准（…

沙发搬到线上：火山引擎视频云如何用 RTC+直播打造一场“云上陪看房”？ 不同步，是陪看体验的头号破坏者 一个人看球最难受的不是错过精彩镜头，而是情绪来了却没人分享。进球想喊一嗓子…

NTIRE 2026基于生成模型的真实场景UGC短视频修复挑战赛聚焦真实UGC短视频中的复杂降质修复问题，面向全球研究者与开发者开放征集。挑战赛基于全新UGC短视频修复基准数据集K…

今天，美团龙猫LongCat在官微宣布正式开源 LongCat-Video-Avatar 1.5，作为一款从开源 SOTA 迈向商业级应用的数字人视频模型。在唇形同步、物理合理性、…

大模型推理正在重新定义AI基础设施。网络，已不再是过去的支撑性基础设施，而是演变为决定大模型推理系统吞吐、尾时延与MaaS综合成本的关键变量。 针对PD分离部署中日益严峻的结构性网…

作为全球首届低资源音频编解码器专项赛事，ICASSP 2026 低资源音频编解码器比赛（2025 Low-Resource Audio Codec Challenge，LRAC C…

AIGC 技术爆发促使大模型从实验阶段迈向企业级大规模应用，但它任务耗时久、算力成本高、流量波动大、智能体协作复杂这些核心特点，给底层通信和调度基础设施带来了严峻挑战，企业通常会遇…