AndroidX Media 1.8.0-alpha01 版本技术解析
AndroidX Media 是一个由 Google 维护的多媒体框架库,它为 Android 开发者提供了强大的音视频播放、转码、下载等功能。最新发布的 1.8.0-alpha01 版本带来了多项重要改进和新特性,本文将对这些技术更新进行详细解析。
核心播放器(ExoPlayer)增强
本次更新中,ExoPlayer 引入了"scrubbing mode"(擦洗模式)这一重要功能。当用户频繁拖动进度条时,播放器可以进入这种特殊模式进行优化。开发者可以通过setScrubbingModeEnabled()方法启用此功能,并通过setScrubbingModeParameters()进行自定义配置。
在音频处理方面,新版本改进了DefaultAudioMixer,支持恒定功率的上混/下混处理,并公开了多个音频处理器类,包括ChannelMappingAudioProcessor、TrimmingAudioProcessor和ToFloatPcmAudioProcessor,为开发者提供了更多音频处理能力。
视频解码方面新增了实验性API,通过设置MediaCodec.BUFFER_FLAG_DECODE_ONLY标志来跳过仅解码缓冲区,从而加快搜索速度。同时改进了对软件视频编解码器的性能检查机制。
媒体转码(Transformer)改进
Transformer模块进行了多项架构调整和功能增强。其中最重要的是将Muxer接口从media3-transformer迁移到了media3-muxer模块,实现了更好的模块化设计。
对于图像处理,现在要求必须通过MediaItem.Builder().setImageDuration(long)显式设置图像持续时间才能导入媒体项作为图像。新增的实验性功能experimentalSetMp4EditListTrimEnabled()可以在修剪时包含MP4编辑列表,指示播放器忽略修剪开始点之前的样本。
字幕处理优化
字幕支持方面有多项改进:修复了SSA和SubRip字幕在启用字幕时显示进行中提示的问题;解决了从包含字幕错误的流切换到实时流时播放卡住的问题;修正了H.262流中包含B帧时CEA-608字幕显示乱码的问题。
特别值得注意的是新增了对Matroska文件中CodecId = S_TEXT/SSA格式的SSA字幕支持,以及对SSA字幕文件中layer属性的支持,该属性用于定义多个字幕同时显示时的z轴顺序。
下载功能增强
下载模块现在支持渐进式流的部分下载。开发者可以使用DownloadHelper准备渐进式流,并通过指定时间范围来请求下载内容。类似地,自适应流也新增了部分下载支持。
架构方面引入了DownloadHelper.Factory和SegmentDownloader的工厂模式,取代了原有的静态方法,提供了更灵活的扩展方式。
其他重要改进
音频同步方面修复了蓝牙设备恢复播放后前10秒音视频不同步的问题;视频播放修复了某些设备上VP9 Widevine播放错误;RTSP扩展增加了对包含尾部空格字符的会话描述的支持;Cast扩展新增了设备音量控制相关API。
在测试工具方面,移除了旧的音频编解码器测试配置方法,统一使用MediaCodecConfig进行配置,并将编解码器名称前缀从"exotest"改为"media3"。
总结
AndroidX Media 1.8.0-alpha01版本带来了多项实质性改进,特别是在播放优化、转码能力和下载功能方面。这些更新不仅提升了框架的性能和稳定性,也为开发者提供了更多灵活的控制选项。虽然目前是alpha版本,但这些改进预示着正式版将带来更强大的多媒体处理能力。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00