HLS.js 中 PlayReady DRM 密钥 URI 解析问题分析
背景介绍
HLS.js 是一个流行的 JavaScript 库,用于在浏览器中实现 HTTP Live Streaming (HLS) 播放功能。在处理 DRM 保护内容时,HLS.js 需要正确解析 HLS 清单中的 EXT-X-KEY 标签,特别是当使用 PlayReady DRM 系统时。
问题描述
在 HLS.js 1.5.13 版本中,存在一个关于 PlayReady DRM 密钥 URI 解析的问题。当播放使用 PlayReady DRM 保护的媒体内容时,如果 EXT-X-KEY 标签的 URI 值是一个符合规范的 base64 编码的 PlayReady 系统头(PSSH),解析过程会出现错误。
技术细节
问题的核心在于 HLS.js 对 PlayReady 密钥 URI 值的处理假设:
- HLS.js 假设 URI 值是一个 PlayReady 对象(PRO),但实际上可能是一个完整的 PSSH 盒子
- 当前实现会将整个解码后的数据 URI 直接传递给 mp4pssh 作为 PSSH 数据
- 这导致生成的 initData 实际上是一个 PSSH 包裹着另一个 PSSH,不符合 EME 规范
影响范围
这个问题会影响所有使用以下配置的播放场景:
- 使用 PlayReady DRM 保护的内容
- EXT-X-KEY 标签的 URI 值包含完整的 PSSH 数据
- 在支持 PlayReady 的浏览器中播放(如 Edge)
解决方案分析
根据技术讨论,正确的处理方式应该是:
-
对于 PlayReady KEY 标签,URI 格式应为:
data:text/plain;charset=UTF-16;base64,<base64 编码的 PlayReady 对象> -
需要区分 PlayReady 和 Widevine 的处理方式:
- Widevine 使用
data:text/plain;charset=UTF-16;base64,<base64 编码的 PSSH 盒子> - PlayReady 应使用 PlayReady 对象而非直接使用 PSSH
- Widevine 使用
-
改进建议:
- 在 getDecryptData 函数中添加检查逻辑
- 识别 URI 是否已经是 PSSH 盒子包装
- 正确处理 PlayReady 对象的提取
临时解决方案
在官方修复发布前,开发者可以使用以下临时解决方案:
通过配置 generateRequest 回调函数,在发起许可证请求前提取正确的 PSSH 数据。这种方法可以绕过当前 HLS.js 的错误处理逻辑,确保 DRM 系统获得正确的初始化数据。
总结
HLS.js 在处理 PlayReady DRM 内容时存在 URI 解析假设问题,这可能导致播放失败。正确的实现应该区分不同 DRM 系统的 URI 格式要求,并正确处理 PlayReady 对象的提取。开发者在使用 PlayReady DRM 时应注意这个问题,并根据需要实施临时解决方案,直到官方修复发布。
这个问题也提醒我们,在处理 DRM 内容时需要严格遵循各 DRM 系统的规范要求,不能简单套用一种处理模式到所有 DRM 系统上。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00