登录社区云，与社区用户共同成长
邀请您加入社区
在国产化方面，可适配龙芯、兆芯、飞腾、鲲鹏、海光等国产CPU，支持银河麒麟、统信UOS、中科方德、中标麒麟等国产操作系统，并支持人大金仓、达梦等国产数据库以及SM2/SM3/SM4国密算法。公安远程办案经常涉及不同身份主体：办案民警、指挥领导、法制审核人员、看守所或派出所远端人员、律师、专家、技术人员、监督人员等。如果用于远程询问、远程辨认、跨地案件会商等正式办案流程，不建议只采用公网会议工具，而
摘要：扩散模型在语音、图像生成等领域表现优异，但其训练与推理间的曝光偏差（Exposure Bias）问题长期被忽视。本文系统性梳理了该问题，指出推理时样本信噪比（SNR）与时间步的不匹配导致误差累积，尤其在语音克隆（TTS）中表现为音色偏移、高频细节丢失等问题。文中提出两种解决方案：1）差分校正（DCW），通过小波分频修正推理路径；2）升级为Heun二阶求解器以减少数值误差。实验表明，DCW能显
本文介绍了使用Docker快速部署SRS流媒体服务器的完整流程。主要内容包括：1)通过阿里云镜像拉取并运行SRS容器，映射关键端口（1935-RTMP推流、1985-流监控、8080控制台）；2)详细说明各端口用途及访问方式；3)提供FFmpeg推流命令示例，支持直接转码和重新编码两种模式；4)介绍通过ffplay和VLC两种方式验证流媒体服务；5)说明通过1985端口API实时查看当前流数量的监
随着直播行业进入智能化时代，用户对于直播画质与互动体验提出了更高要求。本文围绕直播软件开发与AI美颜SDK展开分析，介绍直播平台核心架构、美颜技术优势以及私域直播发展趋势，并探讨AI数字人、智能互动等未来方向，为企业搭建高品质直播平台提供参考。
我们定义一个日志收集器，用于从不同设备收集日志。我们定义一个日志聚合器，用于对日志进行聚合。我们定义一个简单的日志处理示例，用于统计不同设备的日志数量。我们定义一个日志可视化工具，用于展示日志的统计结果。通过本文的实战案例，我们详细介绍了如何在HarmonyNext中使用ArkTS开发一个分布式实时日志分析系统。我们从日志收集与过滤开始，逐步深入日志聚合、统计以及可视化等核心功能，并展示了如何利用
本文详细介绍了如何利用HarmonyNext的实时音视频通信能力开发一个高性能的视频会议应用。我们从基础概念入手，逐步深入讲解了音视频采集、编码、传输和解码的完整流程，并介绍了高级优化技巧和实战案例。通过本文的学习，读者可以掌握HarmonyNext的实时音视频通信技术，并能够将其应用到实际项目中。
播放音量的管理主要包括对系统音量的管理和对音频流音量的管理。系统音量与音频流音量分别是指HarmonyOS系统的总音量和指定音频流的音量，其中音频流音量的大小受制于系统音量，管理两者的接口不同。
6 月 21 日，在华为开发者大会 HDC 2024 上，鸿蒙 HarmonyOS NEXT Beta 版正式发布，将为所有用户带来全场景智能操作系统体验。会上宣布，HarmonyOS 操作系统发布至今，鸿蒙生态设备数量已超过 9 亿，开发者服务调用次数达 827 亿次/月。自鸿蒙 HarmonyOS 1.0 发布以来，网易云信就与华为保持了紧密合作，成为业内首批启动适配鸿蒙 HarmonyOS
本文对比分析了三种本地可部署的语音合成模型（F5-TTS、Supertonic TTS、VoxFlash-TTS）的架构设计差异，重点探讨了它们在序列表示、文本对齐、推理速度和适用场景上的权衡。 F5-TTS：采用简洁的Flow Matching架构，隐式学习文本-语音对齐，音质高但需要GPU支持，适合多语言高质量场景。 Supertonic TTS：轻量化设计，支持跨平台CPU推理，速度快但音质
本文是语音合成技术系列第五篇，针对本地部署语音克隆需求，横向对比6种主流开源方案（FishSpeech、CosyVoice2、GPT-SoVITS、Bert-VITS2、KokoroTTS、VoxFlash-TTS）。从音质、推理速度、部署难度、克隆能力等维度进行评测，给出差异化选型建议：音质优先推荐FishSpeech/CosyVoice2；实时场景选择VoxFlash-TTS；少样本克隆首选G
实时音视频通信与语音识别技术的结合，正成为提升线上协作效率的关键。其核心原理在于通过低延迟网络传输音频流，并利用AI模型将语音实时转换为文本。这种技术组合的价值在于打破了传统录音后处理的滞后性，为实时交互场景提供了结构化文字支持。在应用层面，它广泛服务于在线教育实时字幕、跨国会议多语言转录、直播内容审核等对时效性要求苛刻的领域。本文聚焦于集成Agora实时音视频与AssemblyAI语音识别模型，
实时音视频（RTC）技术通过低延迟的媒体流传输，实现了远程通信的实时交互体验。其核心原理在于高效的编解码、网络自适应与全球节点调度，为在线教育、视频会议等场景提供了基础通信能力。随着AI技术的发展，语音识别模型如AssemblyAI的Universal-3 Pro，能够将音频流实时转化为高精度文本，并支持说话人分离，这极大地提升了实时交互的信息留存与可访问性。结合RTC的稳定流媒体传输与AI语音模
本文深入分析了语音合成(TTS)系统推理速度慢的根本原因。主要瓶颈在于声学模型的计算复杂度，特别是自回归模型的顺序依赖性和扩散模型的多步迭代特性。文章指出，音频序列长度导致的Transformer计算复杂度O(n²)增长是核心问题，并提出当前优化方向包括：加速采样算法、知识蒸馏、量化优化，以及最具潜力的压缩音频潜空间方案。最后强调在推理速度与音质之间需要权衡，并介绍了衡量推理速度的实时因子(RTF
必须实现从硬件到软件的全链路国产化适配，全面覆盖国产芯片（鲲鹏、飞腾、海光、龙芯）、国产操作系统（麒麟、统信、中科方德）、国产数据库（达梦、人大金仓、南大通用）、国产中间件（东方通、金蝶天燕），而非仅做基础的操作系统适配。针对应急指挥、户外作业、边防驻训等极端场景，需具备军工级宽温适配、抗振动、抗电磁干扰、低功耗等能力，在-40℃~+70℃的环境下仍能稳定运行，适配高原、高寒、沙漠、户外等极端自然
Dolphin ASR是一款高性能语音识别系统，作为语音交互的"大脑"，能实时将语音流准确转换为文字，支持多语种和领域定制。核心特性包括毫秒级延迟、多协议接口和私有化部署，适用于会议转写、智能客服等场景。提供本地部署和容器化方案，可与Snowboy唤醒、EasyVoice TTS组成完整交互闭环。系统强调高性能架构和隐私保护，适合企业级应用，需注意资源分配优化。
本文介绍了构建完整语音交互系统的三大核心技术：Snowboy作为轻量级本地唤醒引擎，负责精准捕捉唤醒词；Dolphin ASR担任语音识别核心，实现实时高精度转写；EasyVoice（TTS）通过深度学习合成自然语音进行播报。三者协同形成"唤醒-识别-反馈"闭环，可应用于智能家居、车载系统等场景。这些技术使机器具备"听、懂、说"的人性化交互能力，是构建智能语
AP-0316 AI降噪USB声卡集成多功能语音处理技术，具备四大核心优势：1) USB即插即用，全系统免驱适配，支持固件升级；2) 内置3W功放，可直接驱动喇叭；3) AIENC智能降噪技术可消除45-90dB环境噪音；4) 双波束定向拾音，精准锁定目标声源。该模块支持数字/模拟音频接口，50×15.5mm紧凑尺寸，适用于智能家居、车载、会议、工业等场景，为各类设备提供专业级语音处理解决方案。
本文介绍了VoxFlash-TTS本地部署方案，针对实时语音合成中的延迟问题提出创新解决方案。该系统通过将潜空间帧率压缩至9fps，显著降低计算量，在消费级GPU上实现毫秒级推理。文章详细解析了系统架构，包括音素编码器、扩散模型等核心模块，并提供了完整的Docker部署流程。该方案特别适合对延迟敏感的实时交互场景，支持中英文双语合成和零样本语音克隆，同时保持较低硬件要求。尽管在音质上有所取舍，但其
嵌入式开发中，HMI、工业控制等项目常需适配LCD屏，屏体规格、接口、排线选择不当易踩坑。结合Air1601实操经验，梳理屏体规格、RGB888/RGB565差异、排线定义及配套资源，均为项目实测干货，助力高效适配。
摘要：语音社交市场持续升温，预计2025年规模突破5000亿。语聊直播凭借低门槛、情感化互动等优势成为社交新宠，衍生出多人语聊房、语音陪聊等多样化形态。技术层面采用WebRTC+SFU架构实现低延迟传输，通过AI降噪、弱网优化等关键技术提升用户体验。系统设计需兼顾麦位管理、礼物互动和内容安全等核心功能，同时建立完善的运维监控体系。随着AI技术的融入，语聊直播正展现出更大的发展潜力，掌握相关技术栈将
本文详细介绍大牛直播SDK（SmartMediaKit）在Windows平台的C++集成方案，重点阐述RTMP直播推流与轻量级RTSP服务模块的实现方法。SDK提供音视频采集、编码、推流和局域网分发能力，支持MFC/Win32等开发框架，适用于桌面客户端、工控系统等场景。文章从SDK初始化、推流实例创建、音视频采集配置、编码参数设置等核心流程展开说明，并详细讲解RTMP推流至服务器和内置RTSP服
摘要：ComakePiD2开发板通过对接火山引擎RTC服务，实现了嵌入式设备与大语言模型的云端协同。该系统采用端侧采集+云端计算的架构，支持实时音视频交互和情感化AI对话（"问问"机器人）。技术方案包含视频流H264编码、音频Opus编码处理，并通过火山引擎提供ASR、TTS和大模型服务。
摘要：针对AI小智设备无法识别声源方向的痛点，提出采用AR1106声源定位模组的外接扩展方案。该方案通过独立双麦克风阵列和TDOA算法实现±10°精确定位，不占用主机算力，即插即用。AR1106独立完成指令触发、方向识别和舵机转向全流程，支持5米内180°范围定位，响应速度达毫秒级。方案保持AI小智原有功能不变，仅通过标准接口实现"指令识别+方向定位"协同，有效解决多人场景下的
A-59F是一款高集成语音处理模组，集AIENC降噪、AEC回音消除、防啸叫和BF波束拾音四大功能于一体。支持多种音频接口，体积小巧易嵌入，能有效解决噪音、回音等问题。核心性能包括45-90dB降噪深度、100dB回音消除和15ms低延迟防啸叫，适用于对讲门禁、车载通讯、会议教育等多种场景。该模组提供10种连接模式，支持单/双波束定向拾音，可大幅简化音频电路设计，是性价比高的一站式语音处理解决方案
本文围绕大牛直播SDK（SmartMediaKit）在企业级实时音视频场景中的应用价值，系统介绍其 RTSP/RTMP 低延迟播放、RTMP 推流、轻量级 RTSP 服务、GB28181 设备接入、录像快照及鸿蒙NEXT适配等核心能力，并结合安防监控、移动执法、应急指挥、无纸化会议、工业巡检、无人机回传、远程医疗等典型场景，分析其作为行业实时视频能力底座的技术架构、集成思路与选型价值。
开源项目dograh推出企业级实时语音智能体平台，通过深度优化WebRTC音视频传输和流式VAD算法，将端到端响应延迟控制在100ms内，解决了语音卡顿、延迟和打断失控三大行业痛点。其全双工架构支持流式ASR文本与大模型实时交互，并内置智能打断机制和多模态监控看板。开发者可通过简单配置快速部署AI呼叫中心等应用，使语音交互达到"同声传译"般的流畅体验。该项目为构建智能客服、虚拟
消费电子领域常将"多麦克风"作为高端产品的卖点，但实际拾音效果并非单纯由麦克风数量决定。真正影响性能的关键在于麦克风布局、阵列结构、声学设计和AI算法处理能力。随着AIENC技术的成熟，算法能力已超越硬件堆叠的重要性。多麦克风系统的核心价值在于获取空间信息，通过分析声音到达不同麦克风的时间差、相位差等实现声源定位和降噪。值得注意的是，盲目增加麦克风可能导致音质下降，出现梳状滤波
││信令服务││媒体服务││AI服务││。││(频道管理) ││(SFU转发)││(人脸/安全) ││。│警务融合平台│。
实时音视频
——实时音视频
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
openEuler 社区
AtomGit开源社区
HarmonyOS开发者社区
AI Agent技术社区
人工智能6S服务平台
