- 综合排序
- 最热优先
- 最新优先
Gemini 2.5原生音频技术解析
Gemini 2.5的原生音频能力Gemini采用多模态架构设计，原生支持文本、图像、音频、视频和代码的理解与生成。 最新版本在AI驱动的音频对话和生成方面实现重大突破，相关技术已应用于全球多个产品、原型和语言环境。NotebookLM的音频概览和Project Astra就是典型应用案例。 实时音频对话人类对话富含细微差别，含义不仅通过内容传达，还通过语调、口音甚至非语言声音（如笑声）传递。Gemini原生支持音频推理和语音生成，实现高效实时通信。 支持同一短语中混合使用多种语言情感对话：能响应用户语音语调，识别不同表达方式带来的对话差异高级推理对话：增强的推理能力提升所有功能表现，特别在复杂推理任务中实现更连贯的智能交互可控文本转语音（TTS）文本转语音技术正快速演进 所有音频输出均嵌入水印技术，确保AI生成内容的可识别性。开发者原生音频能力通过开发平台提供Gemini 2.5原生音频输出功能，使开发者能构建更丰富、交互性更强的应用程序。
43710编辑于 2025-08-21- 来自专栏machh的专栏
Windows平台音频采集技术介绍
音频处理的相关技术： 采集麦克风输入 采集声卡输出 将音频数据送入声卡进行播放 对多路音频输入进行混音处理 在Windows操作系统上，音频处理技术主要是采用微软提供的相关API：Wave系列API函数 具有低延时、故障恢复能力的音频流。 2. 提高可靠性 ( 将很多音频函数从核心态移到了用户态 ) 3. 提高了安全性 （在安全的，低优先级别的线程处理被保护的音频内容） 4. 告诉音频客户端程序有哪些音频终端设备以及它们的性能，并且为这些设备创建驱动实例(driver instances)。是最基本的Core Audio API，为其他三个API提供服务。 2. Windows Audio Session API (WASAPI) 使客户端程序能够管理介于程序和音频终端设备之间的音频数据。 4. 是最底层的音频API，可以通过适配器设备(adapter devices)的布局来查看和管理设备中的音频控制。
2K10编辑于 2022-06-10 - 来自专栏DataFunTalk
音频内容理解的关键技术
齐路.png 导读：为什么要使用机器来理解音频内容呢？ 我们的工作就是要在音频中识别出这些行为，为这些行为打上标签，让运营平台知道这些音频中存在这样或者那样的问题。以上所分析的问题完全属于截流问题。 2. 解决方案 对于上述问题，我们的解决方案主要包括四个步骤： 音频切分：在得到原始音频之后首先对音频进行切分，将长语音切分为多个短语音 音转文：将语音转换成文字 识别：对文字和音频分别打标签 合成：汇总片段结果 下面介绍下解决上述问题的相关工作，首先是音频切割（VAD），这种技术是比较主流的一种方法，先通过深度学习 DNN 来预测出一段音频是静音还是非静音。然后通过加窗得到最终的结果。 用户举报平均每天抓出1个违规音频，人工抽审平均每天抓出20个违规音频（审核团队30人），数美智能审核系统平均每天抓出160个违规音频，同时数美智能审核系统反馈音频转文字结果、自动记录违规音频位置、发生时间等信息
1.1K20编辑于 2022-04-20 视频到音频生成技术突破
目前正在分享视频到音频（V2A）技术的进展，该技术使得同步视听生成成为可能。V2A将视频像素与自然语言文本提示相结合，为屏幕上的动作生成丰富的音景。 这种灵活性让用户能更好地控制音频输出，使其能够快速尝试不同音频结果并选择最佳匹配。技术原理通过实验自回归和扩散方法，发现基于扩散的音频生成方法在同步视频和音频信息方面能产生最逼真和令人信服的结果。 通过视频、音频和额外注释的训练，该技术学会将特定音频事件与各种视觉场景关联，同时响应注释或转录中提供的信息。 还将SynthID工具包集成到V2A研究中，为所有人工智能生成的内容添加水印，帮助防止该技术的潜在滥用。在考虑向更广泛公众开放访问之前，V2A技术将经过严格的安全评估和测试。 初步结果显示这项技术将成为实现生成电影生命力的有前景方法。
24210编辑于 2025-08-22ICASSP音频技术研究全景解析
ICASSP音频技术研究全景解析研究概览国际声学、语音与信号处理会议（ICASSP）即将召开，某中心在本届会议上发表了36篇研究论文，主题涵盖从经典的噪声和回声消除信号处理问题，到歌声与乐器音轨分离、翻译长度调节等广泛领域 核心技术研究自动语音识别（ASR）多数论文聚焦于自动语音识别的核心技术，即将语音信号转换为文本：ASR n-best融合网络双焦点神经ASR：利用关键词发现进行推理优化领域感知神经语言模型用于语音识别端到端多通道变换器用于语音识别基于 变换器的语音识别对不流畅语音的鲁棒性改进端到端语音识别系统个性化策略通过领域对抗训练与重标记实现口音不变表示的端到端ASR通过压缩感知实现自动语音识别的稀疏化基于RNN-T的流式多说话人ASR使用合成音频改进端到端 用于语音情感识别的对比无监督学习使用多任务设置解耦视听情感识别ASR扩展应用多篇论文涉及ASR的其他扩展应用：说话人日志：跟踪多个说话人中每个发声者逆文本归一化：将原始ASR输出转换为对下游应用有用的格式声学事件分类：识别人声以外的声音语音增强技术语音增强或从语音信号中去除噪声和回声 ，但提出了可适用于一系列问题的通用机器学习方法：云中使用多样性缩放和半监督学习的跨孤岛联邦训练通过一致性学习增强音频增强方法学术交流在ICASSP会议上，七位某中心科学家将参与半小时的现场问答环节。
18210编辑于 2025-10-30- 来自专栏技术汇总专栏
嵌入式音频处理技术：从音频流媒体到声音识别
嵌入式音频处理技术：从音频流媒体到声音识别嵌入式音频处理技术的迅猛发展正在改变我们的生活方式，从音频流媒体到声音识别，这个领域为人们的生活和工作带来了巨大的影响。 本文将探讨嵌入式音频处理技术的最新趋势和应用，以及提供相关的代码示例。嵌入式音频处理技术是一种利用专门设计的硬件和软件来处理音频数据的技术。它包括从音频流媒体到声音识别的广泛应用。 以下是对该技术的详细解释：音频流媒体： 音频流媒体是将音频数据以流的形式传输到终端设备的过程。这可能包括音乐、视频、语音通话等。 从音频流媒体到声音识别，嵌入式音频处理技术正在不断扩展其应用领域，成为现代科技的关键组成部分。挑战与未来展望嵌入式音频处理技术的快速发展也伴随着一些挑战和未来的发展趋势。 随着时间的推移，我们可以期待更多创新和进步，使嵌入式音频处理技术成为未来的关键技术之一。
99510编辑于 2023-12-09 - 来自专栏程序员互动联盟
【专业技术】音频专业参数揭秘
解决方案： 我们就以PCM文件格式来侃侃音频模数话 PCM文件：模拟音频信号经模数转换（A/D变换）直接形成的二进制序列，该文件没有附加的文件头和文件结束标志。 Windows的Convert工具可以把PCM音频格式的文件转换成Microsoft的WAV格式的文件。 将音频数字化，其实就是将声音数字化。 计算机音频文件的格式决定了其声音的品质，日常生活中电话、收音机等均为模拟音频信号，即不存在采样频率和采样位数的概念，我们可以这样比较一下： 44KHz，16BIT的声音称作：CD音质；
1.8K30发布于 2018-03-15 亚马逊空间音频处理技术原理解析
亚马逊空间音频处理技术原理解析在每一代Echo设备的研发与升级中，挑战自我，以亲民价格为客户带来最佳音频体验始终是追求的目标。 今年，推出了亚马逊自研的空间音频处理技术，旨在增强兼容Echo设备的立体声效果。 该技术将Echo Studio转变为一套高保真音频系统，其表现可媲美参考级的立体声设置。 本文将深入解析如何构建这项空间音频处理技术。该技术重点利用人类感知声音的方式——即心理声学原理，通过结合使用串扰消除、扬声器波束成形和上混技术，营造出充满整个房间的空间音频体验。 目前，团队正持续对全系Echo产品组合的技术进行迭代和优化，力求为客户带来最佳的音频体验。
11010编辑于 2026-03-11- 来自专栏腾讯技术工程官方号的专栏
腾讯会议全栈音频技术实践分享
疫情让线上办公爆发式增长 “云端见面”成了办公常态 但是，在云视频会议的背后 你知道有哪些硬核技术吗？ 腾讯是如何利用和优化这些技术的？ 云视频会议，又会带来怎样的机遇？ 腾讯技术开放日·云视频会议专场，我们邀请到腾讯多媒体实验室多位专家，分别从云视频会议的行业机遇、音频信号处理、质量评估、机器学习、网络抗性等方面，对腾讯会议的全栈音频技术进行分享。
1.6K20发布于 2020-04-01 - 来自专栏镁客网
Facebook收购3D音频公司，大力推动VR音频技术发展
今天，Facebook对外宣称其收购了初创公司Two Big Ears，并且会向开发者免费提供该公司的技术，Two Big Ears过去的开发软件“Spatial Workstation”也将成为Facebook Two Big Ears是一家成立于2013年的沉浸式音频公司，专注于电影和游戏体验中的3D空间音频制作。其最出名的是3Dception引擎，可以用于电影级的VR和游戏。 沉浸式3D音频对于高端VR，比如在OculusRift上运行的VR，将会极其重要。 从Facebook收购Two Big Ears不难看出，VR行业竞争激烈，VR技术的焦点开始由画面转向音频。 因为当VR的画面足够逼真，肉眼无法分辨细微差别，这时音频的差距就能显现出来了。Facebook花重金收购这一公司，也体现了其大力推动VR音频技术发展的决心。 在其博客中Two Big Ears称自己致力于创造出一些技术和工具，去定义沉浸式音频在VR和AR中应该是怎样的一种体验，并且自豪于看到其强大的影响力。
55030发布于 2018-05-28 - 来自专栏韩曙亮的移动开发专栏
【Android 高性能音频】高性能音频简介 ( 高性能音频问题引入 | 使用场景 | 相关开发库及技术 )
文章目录 I 高性能音频使用场景 II 高性能音频开发库 III 相关开发资料 I 高性能音频使用场景 ---- Android 手机的音频问题 : 1. 普通音频功能 : ① 常用音频开发方式 : 当前使用 android 手机的音频库时 , 调用 MediaPlayer , AudioTrack 等 Java 库播放音频 , 音频流 ; ② 音频延迟 : 其延迟基本在秒级 , 也就是我们点击播放按钮后 , 要等带 0.2 ~ 0.5 秒 , 才有声音从音频播放设备发出声音 ; ③ 延迟可接受情景 : 如果是播放音频 文件 或者对实时性要求不高的流文件 高性能音频功能 : ① 使用场景 : 但是如果用于一些对延迟要求较高的场景 , 如 对讲机 , 声音合成器 , 电子乐器开发 , 视频音频会议 ; ② 性能要求 : 这些要求在指定操作后 ( 如触摸触发操作 ) , 在 50ms , 甚至 10ms 以内必须能听到声音发出 , 这里就需要使用高性能音频技术了 ; iOS 的音频系统优化的很好 , 其延迟基本在 10ms 左右 , 而且调用普通 API 就可以实现
68220编辑于 2023-03-27 音频链接抓取技术在Lua中的实现
在众多的音乐服务中，音频链接的抓取技术成为了一个重要的需求。无论是为了音乐推荐、版权分析还是个人收藏，能够自动化地获取音频链接对于开发者和数据分析师来说都具有极大的价值。 本文将详细介绍如何使用Lua语言实现音频链接的抓取技术，并以网易云音乐为例进行案例分析。 需求场景音频链接抓取技术可以应用于多种场景，例如：音乐推荐系统：通过分析用户对音频链接的访问模式，构建个性化的音乐推荐。版权分析：监测特定音频在不同平台上的使用情况，帮助版权所有者进行版权管理。 因此，实现音频链接的抓取需要解决以下问题：如何绕过JavaScript动态加载的内容。如何应对网站的反爬虫策略。如何高效地解析和提取音频链接。 获取音频链接登录成功后，可以开始获取音频链接。由于音频链接是动态加载的，可以考虑使用Selenium WebDriver与Lua结合，模拟浏览器行为。
1.1K00编辑于 2024-05-27- 来自专栏python进阶学习
音频链接抓取技术在Lua中的实现
在众多的音乐服务中，音频链接的抓取技术成为了一个重要的需求。无论是为了音乐推荐、版权分析还是个人收藏，能够自动化地获取音频链接对于开发者和数据分析师来说都具有极大的价值。 本文将详细介绍如何使用Lua语言实现音频链接的抓取技术，并以网易云音乐为例进行案例分析。 需求场景 音频链接抓取技术可以应用于多种场景，例如： 音乐推荐系统：通过分析用户对音频链接的访问模式，构建个性化的音乐推荐。 因此，实现音频链接的抓取需要解决以下问题： 如何绕过JavaScript动态加载的内容。 如何应对网站的反爬虫策略。 如何高效地解析和提取音频链接。 获取音频链接 登录成功后，可以开始获取音频链接。由于音频链接是动态加载的，可以考虑使用Selenium WebDriver与Lua结合，模拟浏览器行为。
1.3K20编辑于 2024-06-08 Python爬虫技术：动态JavaScript加载音频的解析
在当今的互联网世界中，JavaScript已成为构建丰富交互体验不可或缺的技术。然而，对于网络爬虫开发者来说，JavaScript动态生成的内容却带来了不小的挑战。 音频内容的动态加载尤其如此，因为它们往往涉及到复杂的用户交互和异步数据加载。本文将深入探讨如何使用Python爬虫技术来解析和抓取由JavaScript动态加载的音频数据。 Ajax请求跟踪：音频数据可能通过Ajax请求从服务器异步加载。Python爬虫技术概述Python作为一种灵活且功能强大的编程语言，拥有丰富的库和框架来支持网络爬虫的开发。 ：无头浏览器与Ajax请求跟踪对于更复杂的场景，可能需要使用无头浏览器技术，或者跟踪Ajax请求来直接获取音频数据。 开发者需要具备一定的技术深度来应对JavaScript执行环境和Ajax请求跟踪等挑战。同时，也应重视爬虫的合法性和对目标网站的影响。
63410编辑于 2024-06-19音频水印技术的Python实现方案深度好文
@TOC开篇引言音频水印技术是一种将特定信息嵌入到音频文件中的方法，以确保版权保护、内容验证和隐藏通信。随着数字媒体的广泛传播，音频水印技术变得越来越重要。 音频水印的基本原理音频水印技术主要通过在音频信号中嵌入不可见的信息来实现。这些信息可以是版权信息、序列号或其他标识符。常见的音频水印方法包括时域水印、频域水印和变换域水印。 实际应用案例音频水印技术在多个领域都有广泛应用，例如版权保护、内容验证和隐藏通信。以“猴子音悦100万正版音乐”为例，该平台可以通过音频水印技术在其音乐文件中嵌入版权信息，从而有效防止盗版和非法分发。 总结本文详细介绍了音频水印技术的基本原理，并提供了一个基于Python的完整实现方案。通过嵌入和提取水印，可以有效地保护音频文件的版权。 希望读者能够通过本文对音频水印技术有更深入的理解，并能够在实际项目中应用这些技术。
19410编辑于 2025-12-04- 来自专栏韩曙亮的移动开发专栏
【Android 高性能音频】AAudio 音频流 音频设备 相关配置 ( 音频设备ID | 音频流方向 | 音频设备共享模式 )
AAudio 音频流创建流程 II . AAudio 音频流构建器 设置音频设备 ID AAudioStreamBuilder_setDeviceId III . AAudio 音频设备 ID 获取 IV . AAudio 音频流 默认 音频设备设置 V . AAudio 音频流构建器 设置 音频流方向 AAudioStreamBuilder_setDirection VI . AAudio 音频流方向 VII . 作为音频设备 ID ; ② 默认设备 : 如果设置了该参数 , 系统会默认使用 Android 手机当前音频流的默认音频设备 ; ③ 举例 : 如果当前音频流方向是输出 , 从内存 -> 音频设备 , 独占访问 : 只有该音频流能访问该音频设备 , 其它音频流拒绝访问 ; b . 高性能 : 该模式下 音频流 性能高 , 延迟低 ; c .
3.1K20编辑于 2023-03-27 - 来自专栏音视频技术
AV夜话#9 王晶：聊聊音频技术与产品创新
今晚，AV夜话#9邀请到了北京理工大学信息与电子学院 , 通信技术研究所副教授，博士生导师 王晶，畅谈音频技术与产品创新。晚上见。
44010编辑于 2023-05-05 - 来自专栏音视频技术
沉浸式音频技术的制作，采集，播放及应用
沉浸式音频技术近年来逐渐扩大其应用范围，常见应用于VR，影视，会议等场景。 本次分享将主要介绍沉浸式音频的从采集制作一直到播放整个链条上所需要的一些软件和硬件的技术。 内容可以分为以下五个方面： 1. 沉浸式音频简介 2. 声场采集技术，硬件和软件 3. 制作、存储、传输 4. 渲染播放 5. 行业现状和相关应用 1. 沉浸式音频简介 1.1 什么是沉浸式音频？ 什么是沉浸式音频？ 这些都是传统的5.1音频（事先混音）很难实现的，而新的渲染技术，沉浸式音频架构是可以实现的。 声场采集技术 2.1 双耳录音 接下来介绍声场采集技术，在音频平台中比较常见的有双耳录音，模仿人类大脑工作方式，模拟人左/右耳听到的声音。常见的使用工具为3Dio人工头麦克风。
3.1K50发布于 2019-09-26 - 来自专栏音视频技术
【城市沙龙】LiveVideoStack Meet|广州：音频技术与体验创新
3月5日广州站沙龙我们将与大家一同探讨音频技术与体验创新。 本场沙龙邀请到的讲师有：网易资深音频算法工程师 张龙、百度YY事业部资深音频算法专家 陈超、荔枝资深音频研发工程师 丁勇竣及虎牙AI基础技术部高级语音算法工程师 陀得意。更多精彩内容现场揭晓！ 2018年加入荔枝，主负责录播和直播音频引擎技术研发，荔枝doreme实时语音通信技术的模块设计和功能开发，对流媒体传输及其处理有较丰富的工程经验。 TOPIC：荔枝声音直播技术的演变 随着语音直播业务产品形态的不断变化，从早期的单人直播，到直播加连线，再发展为多人实时互动语聊，推拉流技术也在不断更迭。 首先，阐述直播产品下语音内容生成技术的背景和挑战；然后，重点介绍团队在 多情感、多语音、小数据量的语音合成，语音转换，语音驱动数字人，音乐智能 等技术上的研发进展和观点；最后，对未来工作进行展望。
76840编辑于 2022-03-04 - 来自专栏腾讯多媒体实验室
腾讯天籁AI音频技术“破圈”背后的“密码”
作为多媒体技术领域的盛会，大会聚焦在音频、视频、图像等技术的最新探索与应用实践，覆盖教育、娱乐、医疗、安防、交通、制造、旅游、电商、金融、社交、游戏、智能设备、IC等行业领域。 会上，腾讯多媒体实验室专家研究员肖玮进行了《腾讯天籁：“下行最后一厘米” 音频体验提升》主题分享，重点介绍了腾讯天籁如何将经典信号处理技术与深度学习进行有机融合，围绕网络下行终端，提升音频体验。 ? 在今年9月份举办的腾讯全球数字生态大会上，正式发布了“面向实时音视频应用的新一代实时音频技术品牌”——腾讯天籁。 因此，腾讯天籁提出“下行最后一厘米”音频体验提升的概念，将经典的音频信号处理和深度学习技术结合，设计并实现了基于上下文分析的前向纠错、丢包补偿方案。 与传统PSTN电话音质相比，使用了腾讯天籁技术后的音频音质更加明亮、干净。同时，整套音频算法能力也进行了有针对性的优化，可以在用户多种客户端进行部署，最终提升了音频通信的可懂度、自然度、舒适度。
1.2K50发布于 2020-11-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号