音视频标签_AI Agent技术社区

音视频

搞定FPGA音频采集！AN831录音回放实验手把手教学【FPGA黑金云课堂】

本实验完整搭建 FPGA 音频采集存储回放系统。硬件层面熟悉 AN831 音频扩展模块、WM8731 编解码芯片，理解 I2C 配置总线、Right Justified 右对齐数字音频协议；软件层面掌握状态机控制、串并转换、异步 FIFO 跨时钟域处理、AXI 总线操作 DDR3 存储器。实验打通模拟音频、数字串行音频、FPGA 逻辑、片外存储整个链路，是 FPGA 语音识别、语音回放、音频处理等

 ALINX技术博客
2026-09-16 11:02:57

 176

#fpga开发 #音视频
视频转脚本如何实现自动化？完整流程与技术思路

视频转脚本需经过音视频解析、音频提取、预处理、VAD检测、ASR识别、时间戳对齐与文本清洗等环节。仅靠语音识别（ASR）无法直接生成可编辑脚本，还需断句、去冗余、校正专有名词及结构化整理。最终脚本质量取决于全流程技术协同，而非单一模型性能。

weixin_47068383
2026-09-16 09:48:52

 216

#人工智能 #音视频
我做了个 AI 剪视频工具：第一步是让AI长出耳朵

做 AI 自动剪视频，最难的不是"剪"，是让机器先"听懂"。本文记录了为剪辑工具挑选语音识别方案的真实过程：Whisper 与 Paraformer 的实测对比、字级时间戳的关键作用、从本地到云端的取舍，以及最终把验证过的本地链路开源的原因。

xiaotulike
2026-09-14 20:44:57

 123

 2

#音视频 #人工智能
小语种配音去哪找？日语韩语泰语实测

最近接了个跨境电商的推广项目，客户要求视频配音必须覆盖日语、韩语和泰语，而且对发音的地道程度要求极高。说实话，一开始我挺头疼的——国内大部分配音平台主打中文和英语，小语种资源要么少得可怜，要么价格高得离谱。为了找到靠谱的解决方案，我花了整整一周时间，把市面上能接触到的小语种配音渠道都测了一遍，包括专业配音平台、自由职业者社区，还有几家主打AI语音合成的工具，最终总结出下面这些经验，希望能帮到同样有

 xiaochuanxuzhou
2026-09-14 15:22:19

 125

#人工智能 #音视频 #媒体 +1
如何提取视频中的脚本内容？常见方法与工具对比

视频转脚本需跨越“语音识别”与“内容重构”两关。核心流程为：转写→纠错→删口语→分段→结构化→人工校对。关键在于识别准确度与后续整理效率，最终脚本质量取决于对口语化文本的深度优化。

weixin_47068383
2026-09-14 10:46:23

 109

 1

#人工智能 #音视频
AI Coding 做视频？我看好 HyperFrames

维度Remotion创作语言构建步骤无，index.html打开即预览需要打包器（bundler）动画时序暂停动画并 seek 到精确时刻再截帧，帧级确定代码按帧号返回画面，依赖帧驱动现有 Web 素材HTML/CSS、GSAP、Lottie 动画基本可直接复用需要改写成 React 组件AI Agent 上手写纯 HTML，可直接生成与修改需理解 JSX/React 工程与构建许可证Apache

fundroid
2026-09-14 08:30:00

 413

 2

#人工智能 #音视频
2026企业语音识别私有化怎么选？科大讯飞、百度智能云、阿里云、云知声与灵声智库对比

本文聚焦企业语音识别系统选型，摒弃排行榜思维，从私有化部署、系统集成、国产化适配、项目交付与成本控制等维度，对比科大讯飞、百度智能云、阿里云、云知声及灵声智库五类方案。强调“无最好ASR，只有最适合”：大型政企重品牌与生态，云架构优先标准API，系统集成商关注接口开放与二次开发，国产化项目需真机POC验证并发与稳定性，百路级以上需求应以目标硬件压测为准。最终建议以统一真实音频、环境与业务场景进行多

 烟雨江南785
2026-09-13 00:56:27

 336

#语音识别 #人工智能 #音视频 +1
国产化语音识别项目最容易踩哪些坑？CPU、NPU、麒麟系统与模型适配实战

国产化ASR项目易陷误区：仅迁移模型而忽视硬件架构、推理运行时、算子兼容与链路性能。真正难点在于目标真机适配，需从环境确认、模块逐项验证、完整链路压测到真实业务POC全流程验证。切忌以非目标环境数据承诺性能，应以阶梯测试、一致性回归和长稳并发为准，确保功能、准确率、延迟与稳定性全面达标。

烟雨江南785
2026-09-13 00:15:33

 316

 1

#语音识别 #人工智能 #音视频 +1
handdrawn‑architecture‑video：开源SVG架构图转手绘4K动画视频｜本地AI Agent Skill

handdrawn‑architecture‑video是MIT协议开源的AI Agent Skill，完全本地零云端依赖，可将SVG系统架构图转换为草稿纸手绘速写风格，自动生成CSS+SMIL自包含动画HTML，一键导出4K MP4视频，非常适合科创比赛、项目路演、技术分享。本文包含完整安装教程、双模式使用方法以及常见报错排查。

2301_79652681
2026-09-12 16:46:44

 420

 1

#开源 #音视频 #人工智能 +3
短视频出海翻译+配音如何自动化？批量工作流与AI工具对比

它把语音识别、翻译、AI配音、声音克隆、字幕编辑、背景音处理、画面文字翻译集中在一套工作流中。生成后，用户还可以修改原文、译文、声音、语速和时间轴，发现问题时只调整对应片段，不需要重新制作整条视频。•**同时处理短视频、长视频和课程：**VMEG AI 的工作流覆盖更完整。系统可以完成大部分转写、翻译、配音和合成工作，但品牌名、数字、价格、网络用语和CTA仍应抽查。真正的自动化，不只是同时上传多个

 智塑未来
2026-09-12 09:47:51

 346

 2

#音视频 #自动化 #人工智能
subtitle-asr-lib：一行代码，让音频变字幕——纯 Rust 跨云语音识别工具库

subtitle-asr-lib 是一个纯 Rust 编写的跨云语音识别工具库，仅需一行代码即可将音频转为带时间戳的 SRT、WebVTT 或 ASS 字幕。它封装了阿里云、腾讯云、百度智能云的 API 差异，支持自动轮询、重试、超时处理与零系统依赖的 rustls TLS，实现厂商无感切换。通过统一 TranscribeRequest 接口，用户可轻松对接多云服务，且支持本地文件上传与多种字幕格

 万少-
2026-09-09 15:23:03

 4284

#音视频 #rust #语音识别
轻松翻译+配音！2026年多语言一键合成AI语音工具深度体验

方案成本适合谁海外母语真人配音几十美元/分钟大品牌精品片叮叮配音0元试水、测节奏、东南亚小语种起步媒小三配音39元/月包月正式投放、带货转化、多语种放量对口型/全自动译配平台订阅制或几元~十几元/分钟数字人、百集连更团队翻译配音这件事，2026年真的已经没有门槛了——难的从来不是工具，是你愿不愿意先动起来。

xiaochuanxuzhou
2026-09-09 11:05:15

 153

 1

#人工智能 #媒体 #音视频
React + MCP 实战：为开源视频编辑器添加 AI Agent 可操作的时间线标记

<think>我们需要根据用户提供的长内容生成一篇不超过150字的文章摘要。用户给的是一篇关于Timeline Studio中时间线标记功能开发的技术文章。摘要需要简洁，概括核心内容。要控制字数，不超过150字。中文摘要。需要提取关键点：开发视频编辑器时标记功能的重要性，实现四种标记类型，React交互，以及Agent通过CLI/MCP操作，共享命令引擎，注意点如吸附、浮点精度等。摘要要精简，用几

 baidu_19714719
2026-09-08 14:32:34

 555

 7

#react.js #音视频 #编辑器
拿到一部短剧后，先做这份源素材检查

收到短剧后先不要整批上传或改名。先保存原始交付包，核对剧名、版本、总集数、缺集重号和文件可读性；再确认是净版、软字幕还是硬字幕，有没有匹配的带时间码字幕文件（如SRT）、台词表与独立音轨；随后抽查运动背景、人物遮挡、多人对白和低声台词。检查结果应明确哪些集可直接翻译，哪些要做光学字符识别（OCR）、自动语音识别（ASR）或字幕擦除，哪些必须补源或人工处理。

lwwtl
2026-09-08 10:09:51

 376

 9

#机器翻译 #AIGC #音视频 +1
FunASR语音识别生产部署实战：511MB音频47秒转写，离线落地 8 步、7 坑一次说清

前面三篇分别讲了中文 ASR 选型、本机搭 FunASR 和长音频实测。这篇进入真正的内网生产环境：一台不通外网的 Ubuntu + NVIDIA GPU 服务器，把 FunASR 跑成稳定服务，再对接工作流编排实现会议纪要。读完这篇你能得到四样东西：一套可一次性导入的离线交付物清单；业务拓扑、软件结构和请求时序三张图；7 个内网部署常见踩坑及解法；配套镜像、依赖、脚本、工作流 DSL 的网盘资源

 EveryLink
2026-09-06 22:47:38

 424

 3

#语音识别 #音视频 #人工智能
一款低成本高效的语音识别方案

随着 AI 应用的普及，语音交互已成为终端设备的核心能力之一，本文推荐一款低成本高效的语音识别方案。

Ble应用笔记
2026-09-05 15:24:37

 269

 8

#语音识别 #人工智能 #机器翻译 +1
12、语音交互系统：唤醒词、语音识别、TTS集成、音频焦点管理

语音交互系统。说实话，我做了这么多年音频系统，语音交互这块是最让我头疼，也最有成就感的。你想想看，用户坐进车里，第一句话可能就是“你好，小X”，如果这个唤醒没反应，或者识别错了，那体验直接归零。我早期参与的一个项目，就因为唤醒词在高速风噪下频频误触发，被用户骂惨了。嗯，从那以后，我对语音交互的每一个环节都格外较真。。这四个东西，说白了就是“听到你、听懂你、回答你、不打架”。语音交互不是简单的“录音

 wintop2016
2026-09-04 23:02:09

 28

#交互 #语音识别 #音视频
第3章：高通SA8295P平台介绍：芯片特性、音频子系统、硬件接口与资源

实际项目中，ADSP Core 0和Core 1是音频的主力，另外两个核心偶尔也会参与，比如做语音识别时，NPU会辅助处理。我在项目中遇到过，有些方案用CPU做音频处理，结果导航卡顿、音乐断断续续，用户体验极差。我记得有一次调试车载KTV功能，延迟要求小于30ms，用CPU方案死活做不到，换成DSP直通路径，一下子就过了。我曾经尝试把完整的杜比全景声解码器跑在DSP上，结果内存不够，系统直接崩溃。

wintop2016
2026-09-04 22:53:57

 106

 2

#音视频
ComfyUI v0.34.0实测：HDR视频导出+本地AI语音+3D生成，一台RTX 4060全搞定

ComfyUI v0.34.0实测：HDR视频直接导出+FishAudio本地语音合成+TRELLIS2三维生成，RTX 4060 8G显存全搞定，含完整工作流模板下载。

IT 效率部
2026-08-31 11:25:16

 684

 9

#音视频 #人工智能 #AIGC +1
涉密企业使用AI会议助手时，需要注意哪些问题？

涉密或高敏感企业使用AI会议助手时，需要关注的问题并不限于语音识别和会议纪要。从实际使用角度看，比较容易被忽略的几个方面包括：会议数据实际流向、私有化部署是否覆盖完整处理链路、多人会议下的识别表现、检测指标的测试条件，以及后续权限和资料管理。如果产品提供了CNAS认可实验室的检测结果，或者相关检测结果处于ILAC MRA国际互认体系下，可以作为技术评估中的一个参考，但仍然需要结合检测范围、测试方法

 shxjnpl
2026-08-27 18:55:14

 494

 15

#人工智能 #语音识别 #智能硬件 +1
如何提高视频转脚本效率？从自动转写到人工校对

从技术角度来看，视频转脚本可以理解为“语音识别 + 文本后处理 + 内容结构化”的组合过程。

weixin_47068383
2026-08-24 10:14:23

 250

 7

#音视频 #人工智能
Claude Code 新增 /watch 技能：让 AI 真正“看懂”视频，支持 YouTube、TikTok、本地视频

下载视频↓提取字幕↓自己看视频↓截几张图↓整理问题↓再问 AI而 Claude Video 把这套流程自动化了。/watch 视频链接你想知道什么这个视频讲了什么？哪里出现了 Bug？2 分 30 秒发生了什么？主播用了什么软件？这个教程完整流程是什么？这个产品发布视频到底发布了哪些新功能？AI 会自己处理视频、字幕、音频和关键帧。对于经常使用AI Agent 正在从“只能阅读文本和代码”，逐渐变

 weixin_41961749
2026-08-21 23:38:23

 568

 10

#人工智能 #音视频 #github
视频转文字教程，2026年视频文案提取工作流，5款工具怎么选

视频转文字教程：2026年批量提取视频文案的完整工作流拆解，对比鲸剪 WhaleClip、剪映、度加剪辑、Descript、万兴喵影五款工具在语音识别、批量处理、工程化接入上的差异，帮助创作者与矩阵团队选对方案。

大拿爱科技
2026-08-21 15:19:03

 194

 6

#音视频 #自动化 #语音识别 +1
消回音100dB、拾音远至8米：AU-60凭什么成为音频模组界的“全能战士”

AU-60全功能AI语音处理模组是一款37.5×16mm的超紧凑音频处理方案，集成了ADC、DSP、AI降噪、波束成形、AEC回声消除（100dB抑制能力）等核心技术。该模组通过AI神经网络实现45-90dB环境降噪，支持双麦波束定向拾音，提供模拟/I2S数字/USB多接口兼容，硬件可切换四种拾音模式（0.1-8米覆盖）。适用于会议系统、车载设备、智能工牌等场景，实现"即插即用&quot

芯慧创科技
2026-08-20 16:41:39

 498

 19

#音视频 #语音识别
音视频开发-PCM 原理与 AI 模块实战

根据奈奎斯特采样定理：当采样率大于等于连续信号最高频率的 2 倍时，采样信号就能无差别还原出原始信号。例如采样深度为 16bit，则声音有 2 的 16 次方个振幅等级；本文将从 PCM 原理出发，系统讲解音频数据的生成过程、核心参数与存储格式，并结合 AI 模块（语音识别、AI 降噪等）的实战应用，帮助读者建立从底层数据到上层智能处理的完整认知。采样率指每秒钟采样的个数，即 1 秒内采集声音的频

 折枝吖
2026-08-20 12:13:19

 364

 8

#音视频
档案系统音视频检索工程实践｜基于 FunASR+Elasticsearch 实现音视频档案全文检索

音视频档案内容级检索，并不是简单调用一个语音识别 API 就可以完成，是一整套媒体处理‑语音识别‑结构化存储‑检索‑前端播放器联动的工程体系。在档案行业，该能力很多时候被归为高阶付费模块。成都中禁创科基于 FunASR 开源模型结合 Elasticsearch、Redis 构建完整本地化管线，可以低成本完成音视频档案从 “只能存储播放” 升级为 “可检索、可定位、可复用” 的声像数字资产，补齐档案

 Hw0307
2026-08-20 09:09:50

 317

 9

#全文检索 #音视频 #elasticsearch
无字幕视频怎么翻译成中文？ASR识别与字幕生成教程

没有字幕，不代表视频无法翻译。只要视频里有可辨认的外语对白，就能先通过 ASR 语音识别生成原文字幕，再翻译成中文。下面从素材检查、语音转写、字幕翻译到导出成片，说明一套可以直接照着做的流程。

臣本AI豆
2026-08-19 14:49:55

 282

 6

#音视频 #人工智能
从一条视频到多国市场：跨境公司如何看待米壳 AI 视频翻译能力

它不是单点翻译工具，而是把语音识别、翻译、配音、字幕和混音整合起来，降低多语言视频的重复制作成本。

power2026
2026-08-19 10:22:19

 357

 7

#音视频 #人工智能
【全栈实践】第一个 AI Agent 项目：从零搭建 AI 音频创作助手【最终版】

这个项目展示了AI Agent 在垂直内容创作领域端到端自动化：从内容理解到播客输出，全流程 AI 驱动多模态融合：文字、图片、音频、视频统一处理专业级音频质量：音色设计 + 智能混音，输出广播级品质低门槛使用：可视化配置 + 自然语言交互，无需技术背景。

京东云开发者
2026-08-18 10:50:29

 515

 6

#人工智能 #音视频 #状态模式
会议视频怎么快速转文字提取音频？主流工具客观测评对比

当前AI语音转写工具的能力，已经可以满足大部分办公场景下的会议视频文字提取、内容复盘需求，不同工具的功能定位、适配场景存在明显差异，不存在万能通用的工具，按需选型是提升办公效率的核心。百度网盘综合功能较为全面，兼具存储与基础AI转写能力，适配普通用户日常综合办公需求；飞书妙记、通义听悟、剪映、OpenAI‑Whisper均有各自的场景局限性与专属适配领域，分别对应团队生态办公、个人轻量化转写、视频

 poiu1234657
2026-08-17 23:49:26

 213

 6

#音视频
从视频到脑图：聊聊我用过的几种AI辅助知识整理方案

本文对比了5种AI视频转思维导图工具（百度网盘、Mapify、BibiGPT、GitMind、XmindAI），分析了各自特点：百度网盘适合已用户实现存储-笔记闭环，Mapify专注YouTube时间戳索引，BibiGPT支持多平台汇总，GitMind提供多模型切换，XmindAI继承专业排版优势。文章指出这类工具通过语音识别、文本结构化、时间戳对齐和可视化渲染四步实现内容自动化整理，建议根据存储

 MindUp
2026-08-17 22:07:32

 330

 9

#音视频 #人工智能
主流会议音视频转写工具实测对比：语音识别准确率与纪要生成效果分析

本文对会议转写工具（百度网盘「简单听记」、飞书妙记、通义听悟、讯飞听见、腾讯会议AI纪要、钉钉AI听记）进行了实测对比。测试基于45分钟技术评审会议音频，从转写准确率、智能纪要质量、存储安全和使用流程等维度评估。各工具特点鲜明：百度网盘存储空间大且安全认证完善，飞书/钉钉/腾讯会议与其生态深度集成，通义听悟适合个人轻量使用，讯飞听见专业度突出。建议根据存储需求、会议平台偏好和使用频率选择，并注意提

 MindUp
2026-08-17 22:03:24

 535

 12

#音视频 #语音识别 #人工智能
硬核性能实测：从渲染速度到SSML标签，逗哥配音凭何成开发者首选？

AI配音工具性能评估显示，逗哥配音在高并发场景下表现出色，500字文本渲染速度控制在8秒内，稳定性优于市场同类产品。其核心优势在于支持SSML语音标记语言，可精确控制停顿、重音等参数，满足专业有声书、网课等高级场景需求。开发者评价其算力投入和接口开放性具有工程价值，特别适合批量音频产出和API对接需求。常见问题解答证实其快速渲染和代码级调整能力，是追求高效稳定AI语音解决方案的理想选择。（149字

 Raymond1688
2026-08-17 13:53:22

 475

 9

#实时互动 #语音识别 #音视频 +2
FunASR 语音识别本地部署实录（上）：我为什么自建？音频不出本机，30 分钟跑通转写接口

FunASR 仓库里挂着一整族模型，我最后选了 Paraformer-zh 加 VAD 加标点，理由就一条：中文场景下它是"稳稳跑通"的默认选项，社区资料最全，坑都有人替你踩过了。Paraformer 是达摩院语音实验室的模型，2022 年发表在 INTERSPEECH 上，非自回归架构，解码单步完成，所以快。三个模型的分工是这样：FSMN-VAD 先把长音频切成"有人说话"的段落，Parafor

EveryLink
2026-08-16 17:52:15

 354

 9

#语音识别 #音视频 #人工智能
万能信息获取：Search API与爬虫工具集成——让Agent拥有实时搜索互联网的能力

在2026年回看大语言模型（LLM）的发展，我们不得不承认一个事实：即便参数规模达到万亿级别，训练数据覆盖了截至2025年底的大部分公开文本，大模型依然存在天然的“知识截止日期”短板。更棘手的是，对于金融行情、突发新闻、实时天气、本地商户信息、产品价格变动等动态数据，大模型完全无能为力——它只能“回忆”，不能“观察”。这正是AI Agent（智能体）范式兴起的核心驱动力之一。一个真正有用的Agen

网络爬虫大揭秘
2026-08-16 12:21:39

 465

#爬虫 #架构 #音视频 +3
Python WAV音频压缩完全指南：从有损到无损的全方案实现

日常音乐压缩：使用pydub+ MP3，128kbps是音质与体积的最佳平衡无损归档：使用soundfile+ FLAC，完整保留原始音质语音/电话应用：使用A-law/μ-law压缩，节省带宽同时保持语音可懂度播客制作：配合动态范围压缩，让听感更舒适极致压缩比：尝试神经网络编解码器（DAC/EnCodec）选择合适的技术方案，可以在存储空间和音频质量之间找到最佳平衡点。

q1457797371
2026-05-20 11:55:29

 278

 5

#python #音视频 #java
我让Codex装上了ChatCut，只要指挥它，就剪完了一条38分钟的视频

我选的是横屏 16:9、克制的屏幕放大、轻科技 MG、分段 Lo-fi 音乐、中文字幕，并且每个阶段都先让我验收。**能拖的，我自己拖一下；它没有把我变成专业剪辑师，只是让我不需要花大量的时间去干重复的劳动，我觉得有了codex，我的时间可以拿去做更有价值的事情。对了，ai粗剪完，一定要自己再听一遍，当时我发现有些重复的语句没被剪掉，所以我人工又过了一遍，千万不要觉得ai做完就行了。，可以自动一键

 QoPad
2026-07-30 22:18:11

 276

 4

#音视频 #人工智能
从零构建现代化Python音频播放器：ttk深度应用与皮肤系统设计

本文介绍了一个基于Python和ttk的现代化音乐播放器开发项目。该项目针对当前播放器存在的界面同质化、功能臃肿等问题，采用Python+ttk技术栈，实现了美观实用的播放器功能，并具备自由换肤能力。系统采用分层架构设计，包含皮肤引擎、播放控制、音频处理等核心模块。其中皮肤系统支持通过JSON配置文件实现界面主题切换，播放控制器采用状态机模式管理播放流程，音频可视化引擎提供多种显示效果。项目还实现

 Ulyanov
2026-04-07 18:58:05

 516

 16

#音视频 #python #架构 +1
Python音频处理与MIDI制作：从五声调式到TTS语音合成（12实验全实战）

本文介绍了基于Python的音频处理与MIDI制作技术，包含12个实验项目，从中国传统音乐理论到现代语音合成技术。主要内容包括：系统架构：在华为云服务器上搭建Python 3.12.3环境，使用mido、numpy、scipy和edge-tts等核心库进行音频处理。节奏基础：通过《弹歌》实例分析中国最古老歌谣探索竹林七贤与中国传统音乐的关系实现WAV波形生成功能，模拟竹笛音色五声调式：

cpyaxjq
2026-07-03 14:27:04

 265

 7

#python #音视频 #开发语言
自用python视频混剪小工具

视频混剪器

 代码审核员
2026-05-04 17:23:02

 77

#python #音视频 #开发语言
流式 TTS 怎么接入 Voice Agent？首包延迟、分句与 PCM 音频队列实战

适用范围：不适用范围：我最初把 TTS 接到 Voice Agent 时，链路看起来很顺：真正跑起来后，问题集中出现在两头。第一种情况是“假流式”。TTS 接口确实逐块返回音频，但程序一直等 LLM 把整段话生成完，才一次性把全文送去合成。TTS 首包可能只有 200 ms，用户却先等了 1～2 秒文本。第二种情况是“包到了，声音仍然断”。如果每收到一个 PCM 包就立即播放一次，浏览器会创建许多

 怪奇云呼军
2026-06-30 16:06:29

 401

 10

#音视频 #fastapi #webrtc +2
基于 Python 与 PyQt5 构建的特斯拉行车记录仪视频播放器

正是为了解决这些真实痛点而生的一款桌面应用。它专门针对 TeslaCam / Sentry Mode 视频做了体验优化，让你像浏览“时间轴”一样轻松查看和管理行车/哨兵录像。

傲娇的火
2026-06-30 15:19:16

 222

 5

#qt #音视频 #开发语言
MRAgent：把长期记忆从被动检索改成主动重构

长期交互中的 agent 记忆问题，表面上是上下文窗口不够长，实际更接近一个检索策略问题。用户问的问题往往不会直接命中某条历史记录，而是需要先找到一个线索，再从这个线索推到时间、人物、主题或另一个事件。传统记忆系统通常先按 query 做一次 top-k 检索，再把结果交给模型推理；如果第一轮检索没有拿到关键证据，后面的推理很难补救。

Python_金钱豹
2026-07-19 22:46:30

 224

 9

#重构 #人工智能 #音视频 +2
别再让 Agent 帮你烧钱了：我是怎么把“自动写文案+配图+发推“做成真正能跑的东西的

摘要：本文不谈理想化的全自动 Agent，只讲一套实际能上线、能止损、能复盘的半自动营销闭环流水线设计思路——适合想用 AI 做内容营销但踩过坑的开发者和产品人。

2301_77596440
2026-02-28 16:44:58

 711

 6

#java #开发语言 #音视频
【VR】视频检索V-Agent: An Interactive Video Search System Using Vision-Language Models

训练一个视频表征模型，用于query文本检索召回视频。文本、视频画面、ASR 文本处于同一个向量空间中的跨模态表征。因为GME模型没有经过图像/视频训练，所以这里的对比中GME是对帧图emb进行mean pooling处理multi-agent：Routing Agent：判断该聊天还是搜索。Search Agent：调用检索模型召回 Top-10，再调用 LLM 重排。Chat Agent：基于

 山顶夕景
2026-07-13 15:39:53

 496

 15

#vr #音视频 #多模态