GPAC实现RTMP直播流多分辨率转码与HLS输出
2025-06-27 21:44:27作者:宣海椒Queenly
概述
在视频直播场景中,为了适应不同终端设备和网络条件,通常需要对原始直播流进行多分辨率转码处理。GPAC作为一个功能强大的多媒体处理工具,能够高效地完成RTMP直播流的实时转码和HLS格式输出。
多分辨率转码技术方案
GPAC通过管道式处理架构,可以灵活地配置多个转码节点,每个节点针对不同的分辨率需求进行处理。典型的转码流程包括:
- 输入源处理:从RTMP服务器获取直播流
- 分辨率调整:使用ffsws滤镜进行分辨率缩放
- 码率控制:为每个分辨率配置不同的视频码率
- HLS封装:输出符合HTTP Live Streaming标准的播放列表和分片
优化后的转码命令
经过优化的GPAC转码命令如下:
gpac -i rtmp://localhost:1935/live \
@@ c=avc:b=5055k:FID=S5M \
@@ ffsws:osize=1280x720 @ c=avc:b=3405k:FID=S3M \
@@ ffsws:osize=960x540 @ c=avc:b=2305k:FID=S2M \
-o live/index.m3u8:segdur=2:dmode=dynamic:profile=live:muxtype=ts:SID=S2M,S3M,S5M
参数解析
-
输入参数:
-i rtmp://localhost:1935/live指定RTMP输入源
-
转码参数:
c=avc:b=5055k表示使用H.264编码,码率为5055kbpsFID=S5M为转码流分配唯一标识符ffsws:osize=1280x720使用FFmpeg的缩放滤镜调整分辨率到720p
-
输出参数:
segdur=2设置每个分片时长为2秒dmode=dynamic启用动态分片模式profile=live指定为直播配置muxtype=ts使用MPEG-TS容器格式SID=S2M,S3M,S5M指定包含在HLS播放列表中的流ID
技术要点
- 标识符使用:通过FID参数为每个转码流分配唯一标识,便于后续处理引用
- 分辨率阶梯:建立了从540p到1080p的多级分辨率阶梯
- 码率适配:为每个分辨率配置了相应的码率,确保画质与带宽的平衡
- 动态分片:dmode=dynamic参数确保分片边界对齐,避免播放时的卡顿
应用场景
这种多分辨率转码方案特别适用于:
- 需要自适应码率(ABR)的直播场景
- 多终端适配的OTT平台
- 网络条件差异大的用户群体
通过GPAC实现的转码方案,可以确保不同设备都能获得最适合的视频质量,同时优化带宽使用效率。
登录后查看全文
热门项目推荐
相关项目推荐
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1