人工智能标签_火山引擎视频云技术社区

人工智能

像改文字一样改语音：火山引擎全新语音内容编辑模型

模型同时理解原声音频与用户修改意图，不仅学习“败血症 → 坏血病”“极速款 → 极速版”这样的内容替换关系，也会利用原音频中的上下文信息，尽量延续说话人的音色、韵律和表达方式。Meta 的 Voicebox 研究也将语音生成能力拓展到内容编辑、风格迁移、降噪和多样化采样等任务，并强调模型可以替换说错的词，而不必重新录制整段语音。输入原始音频，再用一句自然语言说明“要改哪里、改成什么”，语音内容编辑

 火山引擎智能视频云
2026-09-30 15:49:45

 264

 2

#火山引擎 #人工智能 #音视频
AI 在视频超分辨率增强中的应用与算法优化

AI在视频超分辨率增强中的应用为视频处理领域带来了新的机遇和挑战。通过不断优化算法，我们可以期待未来AI在这一领域的更多突破和创新。同时，我们也应该关注AI技术可能带来的隐私和安全问题，确保其健康、可持续的发展。``` 以上就是关于“AI 在视频超分辨率增强中的应用与算法优化”的技术博客正文内容，希望对你有所帮助。

认知旅程Gk
2025-03-25 17:53:11

 504

 3

#人工智能 #音视频 #算法 +1
AI 在视频超分辨率增强中的应用与算法优化

AI在视频超分辨率增强中的应用为视频处理领域带来了新的机遇和挑战。通过不断优化算法，我们可以期待未来AI在这一领域的更多突破和创新。同时，我们也应该关注AI技术可能带来的隐私和安全问题，确保其健康、可持续的发展。``` 以上就是关于“AI 在视频超分辨率增强中的应用与算法优化”的技术博客正文内容，希望对你有所帮助。

薄暮微澜
2025-03-25 17:54:35

 480

 4

#人工智能 #音视频 #算法 +1
WebRTC技术EasyRTC嵌入式音视频通信SDK助力智能电视搭建沉浸式实时音视频交互

能够为用户带来全新的交互体验，满足智能电视在家庭娱乐、远程教育、远程办公、远程医疗等多种场景下的实时音视频通信需求。

Oliverro
2025-05-19 15:14:11

 981

 3

#音视频 #人工智能
STAR: 利用时空注意力机制和动态频率损失的视频超分辨率增强框架

STAR (Spatial-Temporal Augmentation with Text-to-Video Models) 提出了一种创新的视频超分辨率解决方案，针对现有模型中存在的过度平滑和时间一致性不足等问题进行了系统性改进。该方法基于文本到视频(T2V)扩散模型架构，通过优化时序建模能力，有效处理复杂退化场景下的视觉伪影，同时解决了强生成模型导致的保真度损失问题。

傻逼社区云
2025-02-19 10:10:49

 4643

 4

#人工智能 #深度学习 #transformer
为什么说RAG只是AI的基础设施？看完视频检索就懂了

简单来说，它能让你输入一个问题或话题，然后直接告诉你视频里哪一段能解答你。听起来是不是很酷？下面，我会一步步带你了解它是怎么实现的，还有代码和应用场景，保证你看完就能明白！

AAI机器之心
2025-04-22 13:52:21

 1132

 17

#人工智能 #机器学习 #RAG +1
WebRTC技术EasyRTC嵌入式音视频通信SDK助力智能电视搭建沉浸式实时音视频交互

能够为用户带来全新的交互体验，满足智能电视在家庭娱乐、远程教育、远程办公、远程医疗等多种场景下的实时音视频通信需求。

EasyNTS
2025-05-19 15:43:06

 503

 5

#音视频 #人工智能
空间音频处理技术揭秘：沉浸式声音背后的科学与工程

每一次新设备的发布或升级，目标都是为使用者带来更佳且价格合理的音频体验。今年，引入了一项自主研发的空间音频处理技术，旨在增强兼容设备上的立体声效果。以某款特定智能音箱为例，该版本的技术针对其扬声器的特定声学设计进行了定制，并采用了上混和虚拟化等数字处理方法，使得立体声音频、电视节目和电影原声带听起来更接近听众，具有更宽的声场、更高的清晰度和更强的临场感。它将该智能音箱转变为可与标准立体声参考配置相

 codeshare1135
2026-01-02 14:04:52

 913

 5

#音视频 #AIGC #人工智能
AI 视频翻译到底在“翻”什么？拆解一条视频变成另一种语言的六个技术环节

<think>好的，我来分析这个任务。用户给了一篇长文，要求生成不超过150字的摘要。核心是把文章的关键观点浓缩出来。原文讲的是AI视频翻译，重点在于纠正一个误解：它不是字幕翻译升级版，而是一条完整的链路，包含听写、翻译、配音、对口型、改画面文字、重混声音六个环节。文末的结语点名了核心观点：门槛已从“能否生成”变为“能否稳定交付、能否改、能否复用”。字数必须≤150字，需要极其精炼。

JajIADIAN
2026-09-01 14:16:45

 88

#人工智能 #音视频
Python多态新姿势：@classmethod实战，WebRTC 入门与实战(一)之初级篇。

统一接口：所有子类通过相同的类方法名提供构造逻辑。灵活性：动态选择子类，避免硬编码条件分支。可扩展性：新增子类无需修改基类调用逻辑。通过实现的多态，既能保持代码整洁，又能充分利用Python的动态特性。

a967gsvj
2025-11-04 14:20:16

 344

 9

#人工智能 #AI智能体 #技术问答
CV论文速递: 覆盖医学影像分析、视频理解与生成、3D场景理解与定位等方向! (10.27-10.31)

本周精选12篇CV领域前沿论文，覆盖医学影像分析、视频理解与生成、3D场景理解与定位、视觉安全与实用场景应用等核心方向。全部200多篇论文感兴趣的自取。

CV实验室
2025-11-03 17:48:44

 1330

 8

#音视频 #3d #人工智能 +1
Video-MME Team打造最严格AI视频理解评测基准

Video-MME Team打造最严格AI视频理解评测基准

 至顶AI实验室
2026-04-15 22:46:48

 440

 5

#人工智能
InternLM-XComposer2D5-7B—— 面向视频理解的轻量化新标杆

上海人工智能实验室推出轻量化视频理解模型InternLM-XComposer2D5-7B，通过优化视频编码器实现高效时序分析，支持24K多模态上下文处理。该模型针对短视频、直播等场景深度优化，能快速识别内容并生成结构化数据，显著提升行业效率。虽然处理超长视频存在局限，但其性能与效率的平衡使其成为开源视频理解领域的标杆，为视频AI应用提供了灵活的技术底座。

贫民窟的勇敢爷们
2026-04-26 20:37:23

 415

 11

#人工智能
腾讯：结构化脚本提升视频理解生成

如何解决传统单体视频字幕中视听信息纠缠导致局部修改困难、身份指代模糊及跨模态对齐弱的问题？论文提出了多流场景脚本（MTSS）范式，通过流分解与关系接地机制，显著提升了视频理解的忠实度、推理能力及多镜头生成的可控性。

大模型任我行
2026-05-03 08:00:00

 217

 6

#人工智能 #计算机视觉 #语言模型
AI短剧“表情僵硬”的技术诊断与解决方案——微表情权重、音画同步与情绪TTS实践

本文针对AIGC短剧中数字人表情不自然问题，提出三大技术优化方向：1）调整微表情权重矩阵，提升非言语性动作占比至20%-30%，引入随机化时间戳模拟真人行为；2）优化音画同步精度，采用音素级映射控制延迟在100ms内；3）在TTS中注入情绪标签，实现声画情感一致。建议团队可选用成熟的全流程API方案快速落地，如蓝吉AI短剧提供的完整技术管线。这些优化能有效消除数字人的"蜡像感"

西安AI短剧制作
2026-04-29 14:59:27

 183

#人工智能
# WorkBuddy 接入 TTS 语音合成实战：7 款 AI 配音技能包安装与使用教程（附截图）

本文实测环境：Windows 11 + WorkBuddy 最新版 + Python 3.14涵盖 IndexTTS2.5、OmniVoice、FishAudio、GPT-SoVITS、开源TTS 引擎。

weixin_57813756
2026-09-11 16:49:03

 386

#人工智能
一块显卡理解一部完整电影！智源联合多所高校推出小时级的超长视频理解大模型Video-XL

该工作提出了Video-XL模型，利用语言模型的压缩能力，仅需一块80G显卡即可理解小时级别的视频；除此之外，Video-XL在多个主流长视频理解基准评测上表现优异。Video-XL有望在多个长视频理解的应用场景中展现出广泛的应用价值，成为得力的长视频理解助手。目前。Video-XL的模型代码均已开源，以促进全球多模态视频理解研究社区的合作和技术共享。

智源研究院官方账号
2024-10-28 17:04:05

 1163

 17

#人工智能 #开源
轻松学习低功耗4G模组软件的语音通话 | 快速指南

本次教大家掌握的是低功耗4G模组软件的语音通话，以Air724UG模组为例，轻松掌握其学习指南。

温暖Warm
2024-12-07 13:00:00

 1609

 47

#学习 #物联网 #人工智能 +3
SkeyeVSS视频融合平台如何查看接入设备视频点播直播、录像回放、录像计划设置、语音对讲、云台控制

SkeyeVSS国标视频融合云平台可在复杂的网络环境中，将分散的各类视频资源进行统一汇聚、整合、集中管理，平台可提供视频监控直播、云端录像、云存储、录像检索与回看、智能告警、平台级联、集群、电子地图、H.265视频自动转码、智能分析等视频能力与服务。“配置中心”---“录像计划”---“编辑”--“是否开启录像计划”--“是”--时间选择---“提交”即完成录像计划设置。1）打开SkeyeVSS平

 OpenSKEYE
2024-12-20 16:04:34

 467

 3

#音视频 #图像处理 #人工智能
工业大模型行业落地三个有趣观点：兼看视频理解多模态进展综述

先看一个有趣的话题。特定大模型的输出是有一个「信息量」的上限的，即使输出的token可以很长，但是其包含的信息量并没有本质差异，只不过是车轱辘话来回说罢了，或者就是一些无关痛痒的话来填充，信息密度实际上是下降的。这是一个很有趣的额问题，我们可以从PPL、词汇丰富度、主题数来看，也有社区朋友说，可以适用信息熵来做，但这个其实是用来衡量不确定性的，所以大家如何看这个事情呢？大模型落地工业应用时，主要依

 yifangyun_360
2024-11-01 14:19:29

 99

#人工智能
必学的低功耗模组Air724UG软件指南 | 语音通话示例！

本文说的是物联网必学的低功耗模组软件指南，关于语音通话的示例，我以Air724UG模组为例。

电子老师傅
2024-12-05 05:15:00

 749

 13

#硬件工程 #人工智能 #嵌入式 +2
视频理解领域杀出黑马！Video-XL这款模型能处理长达一小时的视频！

Video-XL 的核心在于“视觉上下文潜在摘要”技术，它利用 LLM 固有的上下文建模能力，将长视觉表示有效地压缩成更紧凑的形式。同时，大量的视频标记也会带来高昂的计算成本。在多个长视频理解基准测试中，Video-XL 都取得了领先的成绩，尤其是在 VNBench 测试中，它的准确率比现有最佳方法高出近10%。更令人印象深刻的是，Video-XL 在效率和效果之间取得了惊人的平衡，它可以在单个8

DisonTangor
2024-10-30 14:33:55

 645

 9

#音视频 #人工智能 #AI作画 +1
创意 v.s. 智能｜电影导演与AI科学家视角下的长视频理解主题圆桌会

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达主题创意 v.s. 智能｜电影导演与AI科学家视角下的长视频理解主题圆桌会前言随着AI技术的迅猛发展，电影创作与视频理解的边界正日益模糊。NICE组织将于12月16日晚20:30举办首次圆桌会系列活动。本次圆桌会将邀请电影导演与计算机视觉科学家展开跨界对话，探讨AI如何在电影叙事与实时直播流的长视频理解中发挥关键作用。电影导演将

 小白学视觉
2024-12-15 10:43:39

 151

#人工智能 #音视频
论文解读 | ECCV2024 AutoEval-Video：一个用于评估大型视觉-语言模型在开放式视频问答中的自动基准测试...

点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！点击阅读原文观看作者讲解回放！作者简介陈修元，上海交通大学清源研究院硕士生概述总结来说，我们提出了一个新颖且具有挑战性的基准测试AutoEvalVideo，用于全面评估大型视觉-语言模型在开放式视频问答中的表现。AutoEvalVideo的全面性体现在两个方面：1) AutoEval-Video构建了跨越9个技能维度的开放式视频问题，..

AITIME论道
2024-10-18 18:32:53

 1165

 12

#语言模型 #人工智能 #自然语言处理
突破短视频局限！MMBench 团队构建中长视频开放问答评测基准，全面评估多模态大模型视频理解能力...

新宇投稿凹非寺量子位 | 公众号 QbitAIGPT-4o 四月发布会掀起了视频理解的热潮，而开源领军者Qwen2也对视频毫不手软，在各个视频评测基准上狠狠秀了一把肌肉。但当前的大部分评测基准仍然具有以下几个缺陷：多注重于短视频，视频长度或视频镜头数不足，难以考察到模型的长时序理解能力；对模型的考察局限在部分较为简单的任务，更多细粒度的能力未被大部分基准所涉及到；现有的基准仍可以仅凭单帧图像以.

QbitAl
2024-10-30 12:57:48

 550

#音视频 #人工智能
48K高保真合成音色标贝科技融媒体视频配音方案重塑声音魅力

作为广电传媒行业的重要创新引擎，AIGC不仅推动了媒体融合向智能化、个性化方向发展，还促进了媒体产业结构的优化升级。随着技术的不断进步和应用场景的拓展，AIGC将在未来发挥更加重要的作用。

标贝科技
2024-11-14 18:16:27

 542

 3

#语音识别 #人机交互 #人工智能 +2