越来越多的用户喜欢分享视频，普通的用户需要一个简单易用的视频编辑工具来剪辑视频内容。目前的视频剪辑软件对硬件要求很高，需要配置很高的电脑。但是很多初学者的电脑配置一般，要么无法使用，要么使用起来非常卡顿。咔嚓的低依赖和高性能可以在低配置的电脑上非常流畅地编辑视频。咔嚓通过1. 自研UI框架，减少内存使用，增加操作的流畅度。2. 尽量减少使用开源模块，自研开发提升性能。3. 优化内核线程间的任务调度，充分利用资源，提升相应速度。4.充分利用硬件的能力，减少CPU和GPU之间的数据传递。5. 结合AIGC，自动产生草稿，提升编辑效率。这样咔嚓能够在十几年前的电脑上，非常流畅地编辑视频。

本次分享将分为四个部分。第一部分介绍沉浸式XR通信与交互的现状，包括终端侧XR和云化XR的特点及问题分析。第二部分介绍在轻量化WebAR上的探索与研究进展，解决计算资源有限的移动Web上提供XR通信与交互服务的难题。第三部分针对沉浸式全息通信与XR交互服务面临的海量数据融合、实时传输与交互的难题，介绍了当前的相关进展。第四部分介绍对沉浸式云化XR的新需求与挑战的一些思考。

从2019年初在线实时K歌玩法开始兴起，提出了许多不同于直播、会议、语聊房、离线K歌场景的新要求，像是音质、耳返、延迟、实时对齐等等。撕歌作为一个创业团队，如何在有限的资源下把握住K歌体验的关键，同时想办法降低成本，是一个比较大的挑战。

本次分享将分四个部分，第一部分介绍撕歌在线K歌的技术方案选型，主要考虑 了哪些因素，实践中有哪些优势；第二部分介绍撕歌在迭代过程中都尝试过哪些技术方向来优化体验；第三部分介绍几种合唱方案，以及在撕歌中的应用尝试；第四部分扯点闲篇，聊聊技术优化如何变成数据指标，方便向上管理，同时也聊聊业界常见的卡房卡麦现象，以及可以如何处理。

当一部新剧上映时，如果该剧的演员能够以直播的形式陪着用户一起看剧，将是一种多方共赢的体验形式。对用户来说，在追剧的同时可以追星；对明星来说，对于自己和参演的剧集能起到宣传的效果；对于视频媒体平台来说，则能丰富产品体验，也提升了用户粘性。

爱奇艺本身已具备成熟的传统视频直播基础架构，足以支撑千万级并发的直播场景。但在明星陪看场景下，需要引入外部的实时音视频互动技术。如何将第三方的实时音视频互动服务与爱奇艺自身的基础架构有机结合，发挥各自的优势，以最低的成本达到预期的效果，将是本次分享的主要内容。本次分享将介绍明星陪看直播的整体技术架构，以及在剧集版权管理、复用已有基础设施、高可用性保障等方面的考虑。此外，也会介绍前端在美颜集成、多路音频播放等方面遇到的一些挑战，以及相应的解决方法。

随着B站直播业务的快速发展，各种大型直播活动对于转码服务的稳定性、灵活性都提出了越来越高的要求：大型赛事直播中需要解决第三方的源流产生波动、断流等问题时转码断流导致的体验降低、带宽上涨；大型晚会直播中需要随时进行点直播内容切换、广告插入。B站云导播台系统较好地解决了上述这些问题，自2021年起已经用于B站所有直播大型活动中。

本次分享将分为三个部分，第一部分介绍B站直播业务对于大型直播活动是如何进行保障的；第二部分介绍直播保障中的核心服务云导播台的架构和实现方式；第三部分介绍在直播业务不断拓展的过程中，云导播台跟随业务不断成长迭代出的特化能力。

随着直播业务的快速发展，金山云的直播架构也从一开始的简单架构到逐渐复杂的架构演进。在这个过程中充满了对稳定性、性能、质量等方面的挑战。特别是伴随着边缘云和边缘计算的同步发展，将为直播和和其基础设施提供更多的选择空间，这些都对直播和边缘计算业务提出了挑战。

本次分享将分为三个部分，第一部分介绍金山云直播架构演进，直播架构如何从0到1再到10完成几个阶段性的跨越；第二部分介绍在直播过程引入的传输技术的讨论；第三部分介绍直播和边缘计算的结合，如何强化直播的基础设施能力以及算力弹性能力，为直播提供更好的成本与性能体验。

流媒体行业在内卷，企业不仅要考虑如何在竞争中脱颖而出，还需要考虑降本增效的问题。行业内已经存在了许多提升用户体验和优化设计的功能，包括：多视角，VR/AR和AI等，但无论如何，从好的方法到实际用户服务之间存在一定程度的困难。

从用户需求的角度来看，流媒体内容必须有高度的吸引力和个性化定制，否则他们不愿意花时间观看或者购买会员。本次演讲分三个部分，第一个部分说明”创多窗“的概念，然后解释通过创新的Multiview多视角方案可以提高流媒体的个性化能力。第二部分说明“解压平”的概念，是指备用切片FOV的传输方案，可以给用户最沉浸的直播体验，因而提高用户的参与度。最后一部分要针对业务层面：内容平台怎么可以使用上述的下一代流媒体方式改善KPI和提高收入。

随着流媒体技术、虚拟化技术和云技术的发展，也伴随着疫情等客观因素，远程制作的应用越来越广泛，虚拟化及云端制作也逐渐开始起步，一种全新的转播模式也在被世界各大重要赛事所接受，所认可。远程制作和虚拟化云端制作到底能给客户带来什么，是制作质量的提升，类似于HDR，4K，8K，三维声给我们带来的全新的视听体验，还是制作成本的大幅减少，这是值得讨论的。

本次分享分三个部分，第一部分介绍SMT的几个重要的远程制作案例，第二部分介绍虚拟化及云端制作的一个初步尝试安利，最后是对未来融合制作模式的一些思考。

随着公共互联网愈加复杂，best effort的基本原型已无法满足越来越多的有QoS保障需求的实时内容交付服务。而专线、卫星等传统解决方案存在部署成本高、周期长等问题，无法快速响应各类需求。

为提供低成本、高可靠的传输服务，下一代IP网络传输解决方案的领导者Caton推出了Caton Media Xstream平台。该平台通过基于AI的智能路由算法以及高可靠、高质量的传输策略，在低成本的公共互联网上实现了广播级的传输标准，SLA超过6个9。

Caton Media Xstream是基于全球分布式云架构Caton Cloud，支持混合网络部署、高效扩容，不仅实现了流量的高效连接和转发，同时支持了快速部署，实时流量监控等功能。Caton Media Xstream建立了自己的大数据平台。基于大数据技术，平台通过网络实时数据的挖掘和学习，不断迭代优化智能路由算法，提高传输性能。

当前国内医疗资源分布不均，医疗协作是解决医疗资源分布不均、提升有限资源效率和价值的重要途径，随着“分级诊疗”的推行，远程手术示教、视频会议、跨域医学培训等协作方式，可弥补城乡间的医疗资源差距，这对超高清实时音视频通信技术产生了强烈需求。网易云信面向医疗行业提供了 4K/8K 超高清实时音视频通信的能力，并与多家业内知名的医疗软硬件生态伙伴深度合作，形成了场景化的解决方案，已在多家公立三甲医院的远程医疗、远程手术示教场景成功落地。

本次分享主要分三个部分，第一部分介绍行业需求及网易云信针对医疗行业提供的解决方案及应用；第二部分介绍云信的4K/8K RTC超高清音视频通信技术的实践，包括技术实现及优化；第三部分介绍4K/8K RTC在远程医疗总应用情况。

自适应流媒体视频传输是一项重要的网络应用，通过动态选择码率档位提高用户观看体验。传统的启发式码率自适应算法由于固定参数与传统建模的限制，逐渐被数据驱动的智能码率自适应算法取代。该算法通过构建模型辅助传统算法、决策或生成智能策略，显著改善了体验。然而，网络时变性、异质性与用户需求多样性等问题促使智能算法需依托闭环系统持续优化性能。
本报告围绕高效训练模型、降低执行开销、快速适应环境和满足多样需求等四个方面，对自适应视频流智能传输的核心部分——服务端训练与客户端执行进行了优化，改善了各种场景下的用户体验，提升了智能算法可行性。第一部分介绍了基于终身模仿学习的智能码率自适应优化算法，提升了服务端的模型训练效率。第二部分介绍了结合启发式算法机制的低开销智能码率自适应融合方案，提高了性能并降低了整体开销。第三部分介绍了基于元强化学习的智能码率快速自适应方法，通过快速优化策略提升了用户体验。第四部分介绍了基于自我对弈理论的需求驱动智能自适应视频传输算法，满足了多样化的用户需求。

主要介绍 AMD Alveo™ MA35D 视频加速卡的基本架构和功能，以及基于 MA35D 转码卡在各个领域的视频解决方案中的应用。

低复杂度增强视频编码(LCEVC)是MPEG组织最新定义的一种视频编码格式。
LCEVC 可以和任何现有视频编码技术共存，提供更低码率以及减少编码复杂度。根据具体视频编码格式， LCEVC可以在保证同等视频质量的前提下减少20% – 50% 视频码率。
对于一种新的视频编码格式的广泛商用，通常需要新的芯片设计，实现和集成到主流终端设备。LCEVC当然可以硬件实现，已经有一些公司开始提供LCEVC芯片设计方案。
拥有更强大处理能力的电脑和智能手机已经可以软件实现LCEVC解码，即便在分辨率和帧率方面有所限制（当然对于小屏幕的智能手机这种限制可能并不是大问题），然而耗电量是一个需要解决的问题。为了在大屏幕上支持LCEVC，无论是电视内置还是通过机顶盒，芯片级硬件解码都是必须的。
V-Nova已经实现了几种创新的LCEVC硬解码，通过利用终端平台提供的硬件模块和处理资源实现了安全有效的驱动层解码，这种方案能帮助终端设备制造商在现有设备上实现LCEVC解码，以便给流媒体服务运营商部署这种能大幅度减少传输成本的新MPEG标准。
本文会介绍LCEVC技术梗概以及两种V-Nova实现的基于现有SoC的LCEVC硬件解码方案。

感知无损压缩PLC（Perceptual Lossless Compression）标准是AVS工作组在视觉无损质量等级视频图像压缩领域的第一次尝试，针对8K超高清视频信号高速传输制定的“超低延时、硬件友好、主观无损”轻量级图像压缩标准。2023年5月标准技术方案定稿，发布FCD 1.0文本。本次演讲将介绍PLC标准技术与应用。

随着人工智能技术的发展，企业客服的模式也在发生变革。传统的客服模式往往是人工坐席接听电话或在线客服回复消息，但这种模式效率低下，容易出现人为失误，不符合现代企业对高效、精准的客服服务的需求。

本次分享将分为三个部分，第一部分介绍传统客服模式存在的痛点，以及小Go智能外呼机器人是怎么解决这些问题的，第二部分介绍相较于传统客服场景，小Go的优势与亮点，第三部分介绍技术特色。通过以上三个部分的分享，将为大家全面介绍小Go智能外呼机器人在传统客服场景中的创新应用和技术优势。

ChatGPT爆发之后，全球范围内掀起了大模型热潮。包括微软、谷歌、百度、阿里在内的一众科技巨头加速大炼“大模型”。数据是大模型构建三要素之一，是决定模型智能的关键因素。目前国内模型训炼数据依然存在很多挑战，如语料库稀缺、数据质量低和数据合规等。
本次分享将主要分为四个部分，首先介绍目前大模型的发展现状以及目前训练数据的痛点，之后介绍国内中文数据与ChatGPT所用的数据进行对比，第三部分将会通过实验介绍对话式数据在大模型训练中的表现能力，最后介绍如何打造数据为中心的MLOps，助力大模型构建以及落地。

随着小红书视频业务和短视频播放的规模化增长，如何有效地提升用户体验质量同时降低视频带宽成本成为一个重要的技术优化目标。端侧超分是一种有效的画质提升及带宽节省技术，然而端侧计算资源及性能约束限制了高级超分算法的落地。此外，如何规模化地评价超分后视频质量从而最大程度保障和量化用户体验质量也成为一个待解决的问题。

为应对上述挑战，小红书音视频架构算法团队开发了基于人眼感知质量的端云结合超分框架，通过云端视频处理有效补偿并提升端侧超分效果，利用基于AI的无参考视频质量评估指标实现与人眼视觉一致的质量评价，为云端画质分析和处理以及大规模量化用户体验质量提供了关键支撑。整体方案实现端侧超分效果可量化、集成高覆盖、带宽高节省。

智慧家庭作为一种新的生活方式，受到越来越多的关注，其核心在于人们渴望从繁琐的家居操作中解脱，把更多精力投入到生活中的精彩和感动中。
对话陪伴，家庭安防，家庭教育，家庭健康，家庭娱乐等模块是智慧家庭的重要组成部分，其中涉及到自然语言处理，计算机视觉，语音处理等多模态复杂AI理解和生成技术，为解决人们对智能要求的不断提升，需要利用大规模预训练大模型所涌现出的通用智能，并针对性的做场景化微调适配；具体的，我们利用千亿参数的大模型，并结合家庭场景进行指令微调和对应算法优化，赋能了亿级的智慧家庭用户，其中智能对话，智能安防，家庭教育等覆盖率达到了千万级以上；

本次分享分为4个部分，第一部分主要是介绍家庭场景的核心业务，同步引入算法应用的关键问题，第二部分主要是回顾行业大模型的发展现状和主要算法架构，第三部分是我们在家庭场景下大模型的关键技术研发，第四部分主要是大模型的应用实践

随着音乐制作设备成本的不断降低，音乐产业正在经历一场前所未有的变革。为了在这个新的音乐时代中保持青春活力，我们决心打造一种新型音乐创作引擎，利用最先进的AI技术来赋能音乐的创作和体验过程。我们的愿景是将音乐从一种静态的媒介转变为一种具有实时交互性和可感知性的元素，让用户在创作过程中享受更加丰富的音乐创作体验。然而，复杂的技术壁垒和研发门槛使我们面临着诸多挑战。

本次分享将以音乐流媒体平台在音乐AIGC方面的探索为主题，深入探讨天音TY-AIGC内容生产引擎的架构设计思路。在第一部分，我们将从国际主流的音乐生产解决方案及其技术难点入手，详细介绍如何将云音乐生态与AIGC相结合，设计高可用音乐生产解决方案。在第二部分，我们将深入挖掘AIGC的关键技术线和技术点，包括架构设计、算法优化、音频处理和数据管理等方面的技术细节。最后，在第三部分，我们将分享TY-AIGC技术落地的具体产品和业务成果，为音乐产业的AI数字化升级贡献技术成果。

随着音乐制作设备成本的不断降低，音乐产业正在经历一场前所未有的变革。为了在这个新的音乐时代中保持青春活力，我们决心打造一种新型音乐创作引擎，利用最先进的AI技术来赋能音乐的创作和体验过程。我们的愿景是将音乐从一种静态的媒介转变为一种具有实时交互性和可感知性的元素，让用户在创作过程中享受更加丰富的音乐创作体验。然而，复杂的技术壁垒和研发门槛使我们面临着诸多挑战。

本次分享将以音乐流媒体平台在音乐AIGC方面的探索为主题，深入探讨天音TY-AIGC内容生产引擎的架构设计思路。在第一部分，我们将从国际主流的音乐生产解决方案及其技术难点入手，详细介绍如何将云音乐生态与AIGC相结合，设计高可用音乐生产解决方案。在第二部分，我们将深入挖掘AIGC的关键技术线和技术点，包括架构设计、算法优化、音频处理和数据管理等方面的技术细节。最后，在第三部分，我们将分享TY-AIGC技术落地的具体产品和业务成果，为音乐产业的AI数字化升级贡献技术成果。

现有的语音合成系统大都使用频谱作为中间变量，基于文本输入通过回归模型预测频谱系数，继而基于频谱系数，使用声码器还原语音信号。近年来，面向语音信号的自监督学习取得了巨大成功，语音自监督模型提取的离散表征也开始尝试用于语音合成，将语音合成中的回归任务，转换为分类任务，并取得了很好的合成效果。

在本次分享中，我们将介绍基于离散表征的语音合成的一些最新工作进展。首先我将介绍一个基于语音自监督模型为中间表征的语音合成模型：VQ-TTS，通过将频谱系数替换为离散特征作为中间变量，其在语音的合成质量上取得了相比基于频谱系数作为中间变量的语音合成系统更好的性能。同时我们将分享两个最新的基于离散表征的语音合成模型，这两个模型都支持基于几秒目标说话人的语音数据，进行高效说话人克隆的能力。一是基于微软Vall-E的扩展工作，相比Vall-E模型只需要1/10的参数量，取得了和Vall-E模型相当的模型性能；另一方面，通过VQ-diffusion模型来直接预测VQ特征，提出了uniCATS模型，在合成速度和性能上都达到了SOTA水平。

针对近年来元宇宙、AIGC、大模型等关键技术发展，分享科大讯飞在AIGC技术方上，围绕音频、视觉、认知三大领域的技术布局和探索研究，以及在相关行业的创新应用案例。期待与业界共同探讨，利用人工智能的力量建设美好数字世界。

区块链融合边缘计算和GPU算力已经成为元宇宙基础设施的核心需求，其关键是打破云、网络的边界，在基础架构、底层设施和资源调度等方面趋于一体化。基于这种全新形态，将模糊虚拟现实的边界，实现数字世界和现实世界的融合。

人类对美好体验的追求是永无止境的。在多媒体应用领域，特别是在AR/VR场景下，如何让人们获得更加沉浸的体验？仅仅在视觉和听觉两个方向努力是不够的，还需要触觉、嗅觉、味觉… 本次分享侧重于触觉的介绍，而行业内对触感的应用价值和触感品质的认知是不够的，相关标准的缺失也阻碍了技术的快速普及。

本次分享分三个部分：第一部分介绍触觉的生物学原理、应用价值以及触感设计和表达方法；第二部分介绍触感的软硬件生态现状，以及相关的应用开发技术，力求全平台覆盖；第三部分介绍触感相关国际标准的最新动向和进展。通过以上三个部分的内容，期望大家对触感开始有基本的认知，认可其价值，并且能够快速上手，共同促进应用端的繁荣。

元宇宙时代，大规模实时3D交互的需求越发重要，然而传统的3D实时交互引擎/游戏引擎在这一方面面临着巨大的挑战。如何实时地处理大规模的数据、交互与渲染是游戏引擎进入元宇宙的第一个课题。

本次分享将会介绍Unity针对元宇宙的需求提出的云原生分布式运行时解决方案。首先介绍Unity为解决大规模渲染而提出的云原生分布式渲染解决方案，以及为解决大规模数据计算而提出的云原生分布式计算解决方案；其次将介绍Unity分布式运行时在实际产品和开发中产品中的实际应用与效果展示；最后将介绍Unity云原生分布式运行时的产品路线和未来规划。