音视频标签_AI Agent技术社区

音视频

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

 222

 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

 359

 9

#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

 167

 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

 468

 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

 326

 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

 284

 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

 197

 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

 339

 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

 291

 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

 196

 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

 279

 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

 450

 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

 450

 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

 334

 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

 325

#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

 261

 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

 187

 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

 505

 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

 250

 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

 70

#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

 374

 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

 211

 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

 211

 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

 704

 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

 456

 15

#vr #音视频 #多模态
《三维空间智能体（3D Spatial Agent）体系

摘要：本文介绍了一种突破性的三维空间智能体系统（3D Spatial Agent），由镜像视界科技研发，通过SpaceOS™空间计算操作系统实现从目标识别到战术控制的跨越。系统解决了传统视频监控的四大缺陷：目标丢失、无空间坐标、无轨迹认知和无预测能力。核心创新包括三维坐标绑定（精度≤30cm）、全路径建模、行为判定和趋势预判四大作战属性，构建了感知→锁定→跟踪→建模→预测→控制的闭环能力。相比传统

 weixin_JXDJ0608
2026-04-04 00:21:28

 371

 9

#3d #音视频 #人工智能 +2
esp32S3+ES8388+LEDC+PYTHON PC客户端4 - ES8388播放音乐

esp32S3+ES8388+LEDC+PYTHON PC客户端4 - ES8388播放音乐

 abigfo
2026-06-07 18:40:37

 52

#python #c语言 #音视频
第10讲：Python 调用 FFmpeg 批量处理——打造你的视频处理工具箱

本文介绍了如何用Python封装FFmpeg命令打造视频处理工具箱。主要内容包括： Python调用FFmpeg的两种方式： os.system简单直接但功能有限 subprocess更强大，可获取输出和错误信息封装FFmpeg常用功能：格式转换、压缩、分辨率调整音频提取、视频裁剪、加水印视频转GIF和批量处理交互式工具箱实现：菜单驱动界面支持单个和批量处理可扩展为EXE程序进阶

 sandaoliuge
2026-07-30 09:12:18

 234

 8

#python #音视频
Python生成视频缩略图教程

说真的，看到这种问题我本来不想回的，毕竟现在都202X年了，这种轮子满大街都是。哎不对，刚才说岔了，回来回来。核心逻辑其实特别简单，就是把视频当成一本书，你不管是翻页还是直接跳页，找到你想看的那一帧，然后把它“撕”下来存成图片。是，那玩意儿是强，但是对于新手来说，那参数复杂的程度简直令人发指。既然是经验之谈，我就不给你整那些虚头巴脑的代码了，反正你也看不懂（划掉），反正网上到处都是。库（也就是cv

18927442141
2026-03-06 14:55:10

 313

 9

#python #音视频 #开发语言
音频处理 Agent：自动剪辑与混音

在人工智能领域，Agent（智能体）是一个比较宽泛的概念——它通常指的是一个能够感知环境、做出决策、并采取行动以实现特定目标的实体。Agent可以是软件实体（比如聊天机器人、自动驾驶系统的决策模块、音频处理Agent），也可以是硬件实体（比如机器人、无人机）。根据Russell和Norvig在《人工智能：一种现代的方法》（感知能力（Perception）：Agent能够通过传感器（Sensor）感

 AI大模型应用之禅
2026-05-21 01:36:00

 212

 7

#音视频
Claude code视频剪辑剪辑skills？5款主流工具横评

codex剪辑工作流能否真正跑通？本文实测5款支持Skills/CLI调用的剪辑工具，鲸剪WhaleClip在本地批处理与Agent接入上更完整，适合矩阵与SOP场景。

大拿爱科技
2026-07-15 08:40:55

 259

 4

#AIGC #音视频 #自动化 +1
别把Agent当同事！黄仁勋最新访谈：程序员应该开始“造Agent”，公司未来将建在Harness之上

工程全景中。模型负责推理，Harness负责计划、记忆和工具，运行时负责隔离与执行，Evals和Guardrails负责判断结果能否交付。少任何一层，Agent都可能只停在演示阶段。这套结构也给出了团队的实施顺序：先用真实任务建立评测，再让模型和Harness跑起来；随后补足沙箱、身份、日志和人工接管；最后才讨论规模化部署与成本优化。黄仁勋总结开放模型模型会继续变强，但企业真正需要长期经营的，是模

 模型启动机
2026-07-12 15:45:05

 262

 8

#人工智能 #大数据 #机器学习 +4
Python / Node.js 调用短视频去水印 API 完整示例（含 SDK）

本文提供了Python和Node.js调用短视频去水印API的完整示例及轻量SDK，方便开发者集成到后端服务或脚本中。主要内容包括：环境准备：注册获取UID/KEY，设置环境变量 Python示例：使用标准库实现解析，提供可选的SDK安装方式 Node.js示例：基于原生fetch实现，附带SDK封装结果处理：成功返回视频/图集链接，失败提示错误信息其他语言支持：仓库还包含PHP、Java和

 将代码变成挚爱
2026-07-24 12:10:00

 226

 3

#python #node.js #音视频
Agent驱动剪辑怎么落地：把长视频转短视频拆成 4 段工作流

Agent 化之后，更理想的状态是系统根据前面形成的任务状态自动调用所需模块，并把每一步结果写回同一条流程，而不是把用户再次抛回多个独立工具之间。很多人第一次听到 Agent 驱动剪辑，会把它理解成“把按钮换成聊天框”。对这类任务来说，它真正带来的不是“更像聊天软件”，而是把原本分散在多个面板和多人之间的决策与执行收束到同一条任务线上。这里不是简单识别一句自然语言，而是把“我要一个 3 分钟影视解

 AI_Video_Editing
2026-05-25 10:09:01

 216

 7

#音视频
基于python多功能视频剪辑软件源码分享

python语言视频剪辑源代码-2026-2-19.zip源代码下载地址：https://download.csdn.net/download/qq_32257509/92668560python语言视频剪辑源代码-2026-2-18.ziphttps://download.csdn.net/download/qq_32257509/92668488

自然111111
2026-02-19 20:33:28

 1034

 19

#python #开发语言 #音视频
Python爬取央视视频实战：从抓包到完整下载的完整流程

本文介绍了通过抓包央视App视频接口解析并下载视频的技术方法。首先需要准备requests、FFmpeg等工具，通过F12或Charles抓包获取视频ID和接口参数，解析返回的JSON数据中的m3u8地址。文章详细说明了如何利用FFmpeg合并视频分片，并列举了可能遇到的签名参数、m3u8加密和分片数量等问题的解决方案。最后提供了完整的Python代码示例，以及推荐了可替代的图形化工具CCTV视频

 '206
2026-08-05 19:46:01

 658

 22

#python #音视频 #开发语言 +1
python下载M3U8视频脚本

【代码】python下载M3U8视频脚本。

kiss strong
2026-06-29 22:38:13

 170

 5

#python #音视频 #开发语言
Pydub：用 Python 处理音频，不写废话

Pydub 是一个简洁高效的 Python 音频处理库，支持 MP3、WAV 等多种格式。它提供了直观的链式调用 API，可实现音频切片、音量调节、拼接、淡入淡出等操作，所有功能通过几行代码就能完成。Pydub 底层依赖 ffmpeg，支持批量格式转换和复杂音频处理场景，如歌单拼接、视频转音频等。安装简单（pip install pydub），适合开发者、播客剪辑等需要快速处理音频的场景。该项目基

 sitellla
2026-06-12 14:10:46

 249

 8

#python #音视频 #开发语言 +1
传统 RAG、Agentic RAG、GraphRAG 三者区别、原理与适用场景详解

Agentic RAG**（智能体检索增强生成）是下一代知识库问答能力。相比传统 RAG 的单次检索-生成流程，Agentic RAG 基于 Agent Loop 框架，实现智能体自主反思、智能切换检索策略、多轮迭代检索，在知识场景中提供更广的回答范围和更高的回答准确度。

Python_金钱豹
2026-07-16 21:48:27

 200

 6

#人工智能 #音视频 #大数据 +1