RustAudio/cpal 在 Android 上的 libc++_shared.so 加载问题解决方案
问题背景
在 Android 平台上使用 RustAudio/cpal 音频处理库时,开发者可能会遇到一个常见的动态库加载错误。当尝试运行包含 cpal 的 Flutter 应用程序时,系统会报告无法找到 libc++_shared.so 库的错误信息。这个问题主要出现在 Android 平台上,特别是当通过 Flutter 的 Rust 桥接使用 cpal 时。
错误表现
典型的错误信息如下:
Failed to load dynamic library 'librust_lib_flutter_rust_test.so':
dlopen failed: library "libc++_shared.so" not found:
needed by /data/app/~~zyZDDuG_hSM2uJQAOeqDBQ==/com.example.flutter_rust_test-sBfBRTor8WZZGQJgZMG0PA==/lib/arm64/librust_lib_flutter_rust_test.so in namespace clns-4
这个错误表明 Android 系统无法找到 C++标准库的动态链接版本,而这是 cpal 依赖的 Oboe 音频库所必需的。
根本原因
cpal 在 Android 平台上底层使用了 Oboe 音频库,而 Oboe 依赖于 Android 的 C++运行时库。当使用 Rust 编译的共享库时,需要确保 Android 设备上能够找到正确版本的 libc++_shared.so 文件。
解决方案
方法一:手动添加 libc++_shared.so
-
定位正确的库文件:在 Android NDK 安装目录中可以找到不同架构的
libc++_shared.so文件,通常位于类似以下路径:$ANDROID_NDK_HOME/toolchains/llvm/prebuilt/darwin-x86_64/sysroot/usr/lib/ -
创建 jniLibs 目录结构:
- 在 Android 项目的
app/src/main/目录下创建jniLibs文件夹 - 为每个支持的 ABI 创建子目录:
jniLibs/ ├── arm64-v8a/ ├── armeabi-v7a/ ├── x86/ └── x86_64/
- 在 Android 项目的
-
复制库文件:
- 将
aarch64-linux-android/libc++_shared.so复制到arm64-v8a目录 - 将
arm-linux-androideabi/libc++_shared.so复制到armeabi-v7a目录 - 将
i686-linux-android/libc++_shared.so复制到x86目录 - 将
x86_64-linux-android/libc++_shared.so复制到x86_64目录
- 将
-
配置 Gradle: 在
app/build.gradle中添加以下配置:android { sourceSets { main { jni.srcDirs = [] jniLibs.srcDirs = ['src/main/jniLibs'] } } }
方法二:通过 Cargo 特性解决
另一种方法是通过启用 Oboe 的 shared-stdcxx 特性来自动处理依赖:
[dependencies]
oboe = { version = "0.4", features = ["java-interface", "shared-stdcxx"] }
这种方法理论上可以自动处理 C++标准库的依赖关系,但在某些构建环境下可能会遇到交叉编译问题,特别是当同时为 iOS 和 Android 构建时。
注意事项
-
架构匹配:确保为应用程序支持的所有 ABI 提供对应的库文件。如果只支持 arm64 设备,可以只提供
arm64-v8a版本的库。 -
NDK 版本:使用与项目兼容的 NDK 版本提供的
libc++_shared.so,不同版本可能有兼容性问题。 -
构建环境:当使用 Flutter Rust Bridge 等工具时,构建环境可能会自动为多个平台编译,需要特别注意 Android 特定的配置。
-
性能考虑:
libc++_shared.so是动态链接的 C++运行时,相比静态链接会增加一些体积,但可以减小最终 APK 的大小(当多个库都使用 C++时)。
结论
在 Android 平台上使用 RustAudio/cpal 时,正确处理 C++运行时依赖是关键。通过手动添加 libc++_shared.so 或正确配置 Oboe 的特性,可以解决这个常见的动态库加载问题。对于 Flutter 集成项目,推荐使用手动添加库文件的方法,因为它提供了更好的可控性和兼容性。
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