跳到正文

平台与项目

Google 最新动态

Google 的音视频动态：Chrome 与 WebRTC 实现、YouTube 传输与编码、Web 平台上的媒体能力演进。

14 条精选近 30 天 4 条共收录 22 条

更新

Google的精选

10月8日周四第 1–14 条
  1. webrtcHacks74

    实测：Chrome 新回声消除器把语音代理自问自答率降到 Edge 的五分之一

    Chrome 新的 ML 残差回声估计器把语音代理的单词错误率减半，也减少了代理应答自己问候语的情况。作者用 Hugging Face speech-to-speech 搭建语音代理，在相同房间、麦克风和服务器下交替使用 Edge 与 Chrome 各跑一百多次：回声被 STT 当成用户语音的比例为 Edge 21%、Chrome 4%，失败都发生在会话开始后 1.0 到 2.2 秒之间。dump 显示问候语第一段被抑制 51 到 58 dB，约一秒后的第二段却以高于播放 7 到 13 dB 的电平上行，增益控制器在此期间把自适应数字增益从 15 dB 调高，放大了漏出的回声。作者还指出 min_speech_ms 从 500 ms 降到 384 ms 后，三次失败落在 384 到 500 ms 之间，而 smart-turn-v3 以 0.954 的置信度判定回声已说完，说明问题出在流水线看不到的浏览器组件。

    推荐理由：作者用 AEC dump 对比 Chrome 与 Edge 的语音代理自问自答率，并给出 VAD 阈值取舍的实测依据。

10月6日周二
  1. webrtcHacks80

    Chrome 静默上线神经回声消除器，实测回声抑制提升 5.4 dB

    Google Chrome 桌面版在用户不知情的情况下下载了一个 425 KB 的 TFLite 模型，接管 AEC3 中残差回声估计部分，默认开启且无开关，仅 Chrome 可用，Edge、Electron、Firefox 和 Safari 都拿不到。作者用 Microsoft AEC Challenge 合成语料的约 500 个文件跑 audioproc_f 对比，远端单讲帧的中位回声抑制从 19.8 dB 升到 27.0 dB，每文件中位提升 5.4 dB，80% 文件更好，双讲时近端电平基本不变（中位 +0.04 dB）。在 125 个文件上用 Whisper small.en 测试语音代理场景，中位词错率从 0.500 降到 0.235。

    推荐理由：作者用 AEC Challenge 语料实测 Chrome 神经回声消除器，给出回声抑制与语音识别词错率的对照结果。

9月23日周三
9月15日周二
  1. Google AI Blog62

    Google 发布 Gemini 3.8 Live 与 3.5 转写模型

    Google 在 Gemini API 与 AI Studio 上线 Gemini 3.8 Live、3.8 Live Extended Thinking 与 3.5 Transcribe：3.8 Live 为原生语音到语音模型，支持异步函数调用（后台执行工具调用同时继续流式输出音频）、视觉上下文与 97+ 语言；3.8 Live Extended Thinking 在 Artificial Analysis 的 Speech-to-Speech 榜单排名第一；3.5 Transcribe 覆盖 85+ 语言，官方给出平均 WER 4.0%（流式）与 2.6%（非流式）。

    推荐理由：实时语音链路上游模型的关键更新，直接影响语音 Agent 与实时转写方案的选型。

9月8日周二
7月8日周三
6月9日周二
  1. Google AI Blog78

    Gemini 3.5 Live Translate：70+ 语言流式语音同传

    Gemini 3.5 Live Translate 自动检测 70+ 语言并生成保留语调、节奏与音高的译文语音，与逐句等待的系统不同，它在保留上下文与即时翻译间权衡，全程仅落后说话人数秒。该模型经 Gemini Live API/Google AI Studio 公开预览，Google Meet 会议翻译语言上限从 5 种提升到 70+，并同步落地 Google Translate App。

    推荐理由：实时语音翻译从轮次制走向流式制，LiveKit、Agora、Pipecat 等平台同日宣布接入，生态影响广。

5月19日周二
  1. Google AI Blog56

    Google 扩展 SynthID 与内容凭证的媒体溯源覆盖

    Google 公布内容透明度工具进展：SynthID 不可见水印已用于 AI 生成的图像、视频与音频，累计标注超过 1000 亿张图像/视频与 6 万年时长的音频；C2PA Content Credentials 从 Pixel 10 相机扩展到 Pixel 8/9/10 的视频拍摄。SynthID 验证已在 Gemini App 使用 5000 万次，并扩展到 Search 与 Chrome 的“Is this made with AI?”查询；OpenAI、Kakao、ElevenLabs 将引入 SynthID，Google Cloud 上线 AI Content Detection API。

    推荐理由：AI 生成媒体的水印与溯源正在成为音视频平台的合规基础设施，该更新给出规模化数据。

5月14日周四
  1. Google AI Blog76

    Google 等三方联合发布 HDR 标准 SMPTE ST 2094-50

    为解决 HDR 与 SDR 内容同屏混排时高光裁切、画面发灰，以及环境光变化导致显示亮度漂移的问题，Google 联合 Apple、NBCUniversal 制定 SMPTE ST 2094-50：一是用 Reference White Anchor 把普通内容的最亮部分映射到固定基线、把额外亮度留给 HDR；二是 Headroom-Adaptive Gain Curves，把适配指令写进视频文件，屏幕余量不足时按创作者意图压缩暗部与中间调以保留高光细节。

    推荐理由：跨厂商的新 HDR 元数据标准，直接决定 HDR 视频在不同亮度屏幕与光照环境下的呈现。

5月5日周二
4月13日周一
  1. Google AI Blog62

    YouTube Live 四项更新：横竖屏同播共享聊天、礼物扩展与互动高峰自动避广告

    YouTube Live 更新四项能力：横屏直播也可收礼物并扩展至加拿大、韩国等更多市场，Super Chat/礼物触发个人无广告窗口，互动高峰自动暂停广告，并支持横竖屏同时开播且共用一个聊天室——官方披露 2025 年美国 30% 以上直播观看时长来自联网电视。

    推荐理由：YouTube 直播形态与变现机制的重要调整，CTV 占比数据对行业有参考意义。

3月26日周四
  1. Google AI Blog82

    Gemini 3.1 Flash Live 上线：延迟与指令遵循双提升

    Gemini 3.1 Flash Live 通过 Gemini Live API 在 Google AI Studio 开放预览，官方宣称较 2.5 Flash Native Audio 在延迟、可靠性与自然度上有台阶式提升：嘈杂环境下工具触发更稳、复杂系统指令遵循更强、可识别音高语速等声学细节，实时多模态对话支持 90+ 语言。

    推荐理由：Gemini 实时语音模型代际更新，是语音 Agent 平台侧最重要的供给变化之一。

3月18日周三
  1. Google AI Blog60

    Chrome 推出浏览器发起的自动画中画：未注册媒体会话处理程序的网站也可自动 PiP

    Chrome 引入浏览器发起的自动画中画：对未注册媒体会话操作处理程序的网站，切标签页时也可自动弹出视频 PiP；触发条件严格限定，包括媒体两秒内有声、未使用摄像头/麦克风、用户媒体互动指数超阈值等。

    推荐理由：浏览器播放器行为的重要变化，视频/音乐类 Web 应用需关注触发条件与隐私设定。

2月4日周三
  1. Google AI Blog68

    YouTube 自动作配音扩展至 27 种语言：Expressive Speech 八语种上线并试点唇形同步

    YouTube 宣布自动配音面向所有创作者开放并扩展至 27 种语言：2025 年 12 月日均超 600 万观众观看 10 分钟以上自动配音内容；Expressive Speech 在英法德等 8 种语言上线以保留情绪表达，同时新增观众偏好语言设置与音乐/静音视频智能过滤，唇形同步处于试点阶段。

    推荐理由：全球最大视频平台的 AI 配音规模化数据与功能边界，是配音行业与 AI 增强的风向标。