智能设备现今已成为人们生活中必不可缺少的一个元素,人们利用手中的设备打发坐车时的无聊时间,也用来在睡觉前当做一种娱乐的方式,更成为了占据碎片化时间的‘王者’。以往人们追求的是设备更高的配置,以满足日常的游戏和应用。当现今配置已经足够满足用户需求后,用户开始注重起体验效果(如画面、音效)。
在亚洲移动通信博览会上DTS为我们演示了他们最真实、最饱和的音效。DTS又被称为数字影院系统(Digital Theater Systems),由DTS公司开发,为多声道音频格式中的一种,广泛应用于DVD音效上。其最普遍的格式为5.1声道。而此次DTS公司与各大手机厂商的合作也正是为了满足用户日益提升的需求。
体验DTS新技术
DTS涵盖了高品质音频解码解决方案与音频后处理技术,深度部分还有DTS为移动领域量身打造的DTS Headphone:X技术,可谓带来了手机视听娱乐的全新体验。
DTS Headphone:X技术能够打造口袋中的家庭影院,能够还原真实的环绕声效果,在不打开DTS技术时听到的感觉很一般,而使用DTS技术后环绕声的效果立刻萦绕在耳边,感觉像是电影院享受到的身临其境的多声道效果。
这里就会产生出疑问,是否耳机的好坏直接影响到声音的质量,答案是肯定的,但DTS针对了各种品牌耳机进行了精准校准,并通过后级增强技术进一步提升了效果,就算普通的耳机也能感受到多声道体验。
DTS Sound:这一技术能够让听众在观看电影和音乐时,通过内置扬声器或耳机获得稳定的音量以及清晰语音体验,提高同等级扬声器的音乐回放表现力,自动剪辑掉音频中的噪点。实际体验时在开启DTS音效时明显能听到声音的一个增强效果,但音量并没调节。
DTS HD:作为一流的多声道编解码技术, DTS-HD 和DTS-HD Master Audio技术无疑是最好的选择。无论是传送低比特率码流还是多声道无损音频,都能确保对现在或是将来出现的各种带有DTS编码的音频媒体内容播放的完美兼容回放,这一兼容包括本地文件的回放以及源自云端媒体库的在线播放。
DTS Play-Fi:移动终端的HD高品质音频可通过Wi-Fi同时传输到多个音频装置上,不同于蓝牙传输过程中对文件的压缩,Play-Fi技术能够确保高品质声音从移动终端到喇叭的无损传输。并可以通过这一技术实现家中不同房间的不同音乐播放。
DTS国内发展趋势
在会场我们看到搭载了DTS技术的设备分别是vivo Xplay 3s;Wren V5PF;nubia X6;Huawei P7;Gionee E7/S5-5。从这些品牌中我们不难看出目前DTS正与国内几大手机厂商进行着密切的合作,在带动全球营收的同时也推广出了自己的技术。
在音频内容制造上,DTS与很多美国的音乐制作者,音乐制作人,以及歌手,歌星进行合作,同时提供给了一个App供用户来体验,当然在这个App 中下载音乐是需要花费部分费用的。这样的合作方式不仅让用户享受到了更好的听觉效果,更能提供给了提供歌手一个其它的渠道来售出自己的创作。目前,DTS也正在尝试与国内一些歌手进行合作,来共同打造一个完整的生态链。
在游戏方面DTS也有涉足,今年DTS也在与几家比较大型的游戏制造商在进行洽谈,预计到2015年或是2016年便能看到。
在采访中我们得知,目前DTS对汽车行业也在进行着观望。不过若是能在车上享受到多声道环绕效果的音乐将会是一种美妙的体验。
可以说DTS这一技术没有严格的界限,虽然现在主推在电影游戏和音乐方面,但我认为等这些都完善后,DTS将涉及到更多的领域。像是目前火热的懒人听书这一应用,若是使用DTS技术,我们能听到的像是在耳边倾诉一样的音效体验,若是搭配恐怖小说,相信一定能让故事更加写实。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。