一. 为什么 Python 项目离不开包管理器 当你开始一个新的 Python 项目时，第一件事往往是 `pip install requests` 或 `pip install numpy`。但随着…

在实时互动场景中，视频画质是影响观众体验的关键指标，但如何实时评价视频的画质一直是个行业难题，需要将未知的视频画质用户主观体验变成可知。其中声网在探索符合实时互动领域的视频画质评价方法上取得了一定的成…

伴随元宇宙、AIGC 等技术的发展，在音视频社交场景加入沉浸式的音频效果也成为一种趋势，其中空间音频成为关键因素。在后处理阶段，对音频数据加上空间音频的效果，会给用户端带来沉浸式的极致音频体验。 空间…

随着近几年 Google Home、Amazon Echo、Siri、Cortana 等自动语音识别（ASR）产品的流行，语音助手成了大众生活中的常见应用。这类应用通常是被语音唤醒并从语音中提取文本。…

声音分类应用是最常见的音频深度学习应用，包括学习声音分类、预测声音的类别。声音分类可以应用于多种实际场景，例如，对音乐片段进行分类以识别音乐的流派，或者分析一组对话然后根据声音识别说话者。 本文将通过…

这是我关于音频深度学习系列的第三篇文章。到目前为止，我们已经了解了声音是如何被数字化表示的，也知道深度学习模型通常使用声音的“声谱图（Spectrogram）”作为输入特征。我们还学习了如何在 Pyt…

这是音频深度学习系列文章的第二篇。在上一篇文章中，我们学习了声音是如何被数字化的，知道了我们要把声音转换为声谱图从而在深度学习架构中使用。在本文中，我们将更详细的了解怎么把声音转换为声谱图，以及怎样调…

作为深度学习发展最迅速、最具前景的两大分支，计算机视觉和 NLP 应用已经获得了广泛关注，但实际上音频数据的深度学习方面还有很多具有开创意义的用例，还没有获得足够关注。所以，我打算以此为主题写一系列相…

几个月前，我获得了一个工作任务，要求我开发一个自定义的、低延迟的视频播放器。在此之前，我只短暂的用过 FFmpeg，完全没接触过 DirectX 11，但我觉得应该不会太难，因为 FFmpeg 非常受…

近日，谷歌正式宣布将 AI 大模型 Gemini 引入 Google TV 平台，使用户可以通过电视进行“自由流式的自然语言对话”。这一举措意味着电视这个传统家庭娱乐中心将成为全新的对话式 AI 入口…

最近，微软推出的 Playwright MCP Server 让浏览器自动化接入大模型编程成为可能，其一经发布便迅速走红。根据 GitHub 热门排行，microsoft/playwright-mcp…

引言 在智能语音交互领域，实现更加自然流畅的对话体验是开发者追求的目标。本文面向对话式 AI 技术开发者，探讨全双工语音对话相较传统半双工/轮流对话模式的技术挑战与实现方案。我们将深入解析如何构建支持…