Ant-Media-Server中HLS流广告插入的SCTE-35 Cue点实现方案
2025-06-13 04:52:47作者:秋阔奎Evelyn
背景与挑战
在现代视频流媒体应用中,广告插入是一个关键功能。Ant-Media-Server作为一款开源的流媒体服务器,需要支持在HLS(HTTP Live Streaming)流中准确插入广告标记。这涉及到SCTE-35标准的实现,该标准定义了如何在数字电视节目流中插入广告提示信息。
技术实现方案
SCTE-35 Cue点注入流程
-
原始流处理阶段
- 使用TSDuck工具包中的
tsp命令处理输入流 - 通过
-P spliceinject参数将广告提示信息注入到MPEG-TS流中 - 输出包含SCTE-35数据的TS流,这些数据被写入PID为0x0258的特定数据流中
- 使用TSDuck工具包中的
-
验证阶段
- 使用FFmpeg快速检查确认SCTE-35 PID的存在
- 通过TSDuck的
splicemonitor插件深入验证广告提示信息的完整性,包括:- 事件ID(splice_event_id)
- 时间戳(PTS)
- 持续时间
- 各种标志位
现有工具评估
经过实际测试发现:
- TSDuck的注入功能稳定可靠,能够正确生成并时间戳标记广告提示表
- GPAC的HLS插件存在可靠性问题,经常出现解析失败导致SCTE-35数据丢失的情况
- 目前没有现成的工具能完全满足从注入到HLS清单生成的全流程需求
完整解决方案设计
针对上述发现,我们设计了一个分阶段处理的解决方案:
-
广告提示信息提取与解析
- 从TS流中解复用并提取每个
splice_insert信息 - 解析其中的关键参数,包括广告时段开始时间、持续时长等
- 从TS流中解复用并提取每个
-
HLS清单标记生成
- 根据广告提示信息的时间点,计算其在HLS分段中的位置
- 在对应的分段后插入HLS标准广告标记:
#EXT-X-CUE-OUT:DURATION=30.000 #EXT-OATCLS-SCTE35:BASE64=FCFA… - 广告时段结束后插入
#EXT-X-CUE-IN标记
-
质量保证
- 实现自动化测试验证广告标记的准确性和时序正确性
- 确保在各种流媒体场景下的稳定性
技术细节与最佳实践
在实际实现中,需要注意以下几个关键点:
-
时间同步处理
- 需要精确计算广告提示PTS与HLS分段边界的关系
- 处理可能的时钟漂移和同步问题
-
错误恢复机制
- 设计健壮的错误处理流程,应对可能的解析失败
- 实现数据校验确保广告提示信息的完整性
-
性能优化
- 对于高并发场景,优化处理流程减少延迟
- 考虑内存和CPU使用效率
总结
通过这套方案,Ant-Media-Server能够可靠地在HLS流中插入广告提示标记,为下游播放器提供准确的广告时段信息。这种实现既遵循了行业标准,又针对实际应用场景做了优化,为开发者提供了一个稳定可靠的广告插入解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
764
4.98 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
683
1.33 K
Ascend Extension for PyTorch
Python
719
880
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
457
439
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++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
305
118
昇腾LLM分布式训练框架
Python
178
221