技术文章

视频问答是一个具有挑战性且很重要的多媒体理解任务，其需要对底层的视觉内容和高层的文本语义进行综合理解，进而做出正确的决策。

尽管多模态大型语言模型 (MLLM) 近期取得了进展，但这些模型的开发主要围绕英语和以西方为中心的数据集。这种侧重导致语言和文化代表性存在巨大差距，全球许多语言和文化背景仍未得到充…

IBM 正式发布了 Granite 3.0 AI 模型，这是一系列全新的基础模型，旨在为企业带来先进的 AI 功能。Granite 3.0 基于 IBM 的 WatsonX AI 和数据平台构建，旨在让企业能够轻松地将 AI 集成到其工作流程中。

FunASR是由通义实验室开源的语音识别框架，集成了语音端点检测、语音识别、标点预测等领域的工业级模型的训练和部署，吸引了众多开发者参与体验和开发。 为了支持用户便捷高效的集成语音…

除了过去几年科技行业明显可见的人工智能（AI）热潮之外，企业通信解决方案的实施也是近来的另一个趋势。随着企业对远程工作的重视，企业通信和协作解决方案如今非常受欢迎。 不过，在决定采…

最近，我正在使用 React 和 Node.js 开发一个聊天应用程序，该应用程序使用 Socket.io 进行实时消息传输。在开发过程中，我面临着如何为 Socket.IO 找到…

Meta AI 最近发布了 Meta Spirit LM，这是一种创新的开源多模态语言模型，能够自由混合文本和语音。Meta Spirit LM 通过在单词级别集成文本和语音来解决现有 TTS 系统的局限性，使模型能够更无缝地跨模态。

Open Collective最近推出了 Magnum/v4 系列，其中包括 9B、12B、22B、27B、72B 和 123B 参数的模型。它旨在为大型语言模型创建新标准，供研究人员和开发人员免费使用。

Asterisk caller是一个使用Node.js、Express和Windows内置TTS进行简单Asterisk呼叫流程集成的示例。用户可以使用它向Asterisk请求呼叫…

PyTorch 社区一直走在推动机器学习框架发展的前沿，以满足全球研究人员、数据科学家和 AI 工程师日益增长的需求。借助最新的 PyTorch 2.5 版本，该团队旨在解决 ML…

近日，ZEGO即时通讯SDK（ZIM）发布 2.18.0 版本，新增群备注、用户在线状态、获取房间用户头像、切换房间等功能，并改进优化了部分接口。 以Android版本为例： 新增…

2024年10月14日，中关村视听产业技术创新联盟正式批准发布团体标准《信息技术 感知无损压缩 第1部分：图像》，标准号：T/AI 129.1-2024。 AVS感知无损压缩（Pe…

今年早些时候，开放媒体联盟(aomedia)编解码器工作组分享了围绕 libaom V3.9.0 发布的更新，其中包括一系列新功能，如支持不同的可扩展视频编码（SVC）丢帧模式和新…

本文探讨 AI 改变 WebRTC 视频会议应用的精彩方式，从媒体处理和传输到提高生产力的功能以及创新的语音和视频机器人。

当前的生成式 AI 模型面临着与稳健性、准确性、效率、成本以及处理细微的类人反应相关的挑战。我们需要更具可扩展性和效率的解决方案，这些解决方案既能提供精确的输出，又能适用于各种 A…

近期的图像和视频生成工作采用了自回归的大语言模型（LLM）架构，这种架构具有通用性，可能更容易与多模态系统集成。将语言生成中的自回归训练应用于视觉生成的关键在于离散化——也就是将图…

FFmpeg是一种跨平台解决方案，用于录制、转换和流式传输音频和视频。通过将FFmpeg与Python相结合，可以自动执行许多与多媒体相关的任务，从而提高内容平台的可扩展性、用户体…

2024年10月15日，OpenVidu 3 发布了通用版本之前的最后一个测试版本。很快在 2024 年第四季度的某个时间点将发布可供生产的版本。 更新日志 集中配置 OpenVi…

人们越来越依赖机器学习模型来处理人类语言，但同时也面临着一些障碍，如准确理解复杂的句子、将内容分割成可理解的部分以及捕捉多个领域中存在的上下文细微差别。在这种情况下，对能够将错综复…

高质量 VoIP 通话的关键在于正确的编解码器。本文探索常见的编解码器、它们的功能和潜在缺点，为 VoIP 优化选择正确的编解码器。 VoIP 让用户通过互联网拨打电话，而不是传统…