Airtime 项目技术文档
1. 安装指南
基本安装步骤
Airtime 的安装过程分为两个主要步骤:
1.1 运行安装脚本
首先,进入 Airtime 项目的根目录,运行安装脚本。
-
交互式安装: 运行以下命令以启动交互式安装:
sudo ./install如果你的终端不是运行 Bash,则需要使用以下命令:
sudo /bin/bash ./install你可能需要先安装 Bash。
-
非交互式全安装: 如果你是从零开始安装 Airtime,并且没有自定义配置,可以使用以下命令进行非交互式全安装:
sudo ./install -fiap其中:
-f:强制,非交互式(无提示)-i:安装默认的 Icecast 2 设置-a:安装默认的 Apache 设置-p:创建默认的 Airtime PostgreSQL 用户
这将安装 Airtime 所需的所有组件,并将
/usr/share/airtime设置为 Apache 的 Web 根目录。 -
查看所有安装选项: 要查看所有安装选项,可以运行:
sudo ./install --help
1.2 完成安装
运行安装脚本后,打开浏览器并访问 http://localhost 以完成交互式设置。如果你有自定义的 Apache 配置,请导航到你的 Airtime Web 主机。
完成设置后,你将看到一个配置检查清单,以确保 Airtime 安装正确。如果有任何配置错误,检查清单将提供一些有用的提示来解决问题。
如果检查清单全部为绿色,说明你已准备好开始使用 Airtime!
2. 项目使用说明
主要功能
Airtime 是一个开源的广播电台自动化管理应用程序,具有以下主要功能:
- 基于 Web 的远程管理:授权人员可以通过 Web 界面添加节目素材、创建播放列表或智能块,并进行实时流媒体播放。
- 自动化调度:Airtime 提供了一个调度功能,允许用户创建带有内容的节目,并在指定的时间和日期播放。播放列表、智能块和远程流 URL 可以多次使用。
- 可靠的播放输出:Airtime 使用开源的 Liquidsoap 流媒体语言,确保精确到亚秒级的可靠播放。
- 开放的可扩展架构:电台可以自由扩展和修改程序代码的所有部分,基于 GNU AGPLv3 许可证。
使用流程
- 登录管理界面:通过浏览器访问 Airtime 的管理界面。
- 添加节目素材:在管理界面中上传音频文件,并为其添加元数据。
- 创建播放列表:使用上传的音频文件创建播放列表或智能块。
- 调度节目:在调度日历中安排节目播放时间。
- 实时流媒体播放:通过 Web 界面进行实时流媒体播放。
3. 项目 API 使用文档
Airtime 提供了 API 接口,允许开发者通过编程方式与 Airtime 进行交互。以下是 API 的基本使用方法:
API 认证
在使用 Airtime API 之前,需要进行认证。通常使用 API 密钥或用户凭证进行认证。
API 调用示例
以下是一个简单的 API 调用示例,用于获取当前播放的节目信息:
curl -X GET http://localhost/api/now-playing -H "Authorization: Bearer YOUR_API_KEY"
常用 API 端点
- 获取当前播放的节目:
GET /api/now-playing - 获取播放列表:
GET /api/playlists - 创建播放列表:
POST /api/playlists - 获取调度日历:
GET /api/schedule
4. 项目安装方式
Airtime 的安装方式主要有两种:
4.1 交互式安装
通过运行 sudo ./install 命令,系统会提示你进行交互式安装,选择安装选项并完成配置。
4.2 非交互式全安装
通过运行 sudo ./install -fiap 命令,系统会自动完成所有组件的安装,并设置默认的 Icecast、Apache 和 PostgreSQL 配置。
4.3 自定义安装
如果你有特定的配置需求,可以通过运行 sudo ./install --help 查看所有安装选项,并根据需要进行自定义安装。
通过以上文档,你应该能够顺利安装、使用 Airtime 项目,并了解如何通过 API 进行交互。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00