Ampache 6.6.7版本发布:音乐管理系统的搜索功能全面升级
Ampache是一款开源的Web音乐管理系统,它允许用户通过浏览器访问和管理自己的音乐收藏。作为一个功能强大的媒体服务器,Ampache支持多种音频格式,提供流媒体播放、用户权限管理、智能播放列表等功能。最新发布的6.6.7版本在搜索功能方面进行了重大改进,同时修复了多个已知问题。
搜索功能全面增强
6.6.7版本为Ampache带来了大量新的搜索选项,显著提升了系统的检索能力。这些改进主要来源于即将发布的Ampache 7版本的功能移植。
在波形数据方面,新增了song搜索类型中的waveform选项,用户可以基于音频波形数据进行搜索。需要注意的是,要使用此功能,必须确保未启用album_art_store_disk配置选项。
对于流派(Genre)搜索,新增了album_count、artist_count、song_count和video_count等统计字段,用户可以更精确地筛选包含特定数量作品的流派。
专辑(Album)和专辑磁盘(AlbumDisk)搜索增加了disk_count参数,方便用户查找包含特定数量磁盘的专辑。同时修复了release_type、release_status、barcode和catalog_number等参数在Album和AlbumDisk搜索中未被包含的问题。
播放统计相关搜索改进
新版本丰富了与播放统计相关的搜索选项。在Album、AlbumDisk、Artist、PodcastEpisode、Podcast和Song搜索中,新增了以下功能:
skipped_times和played_or_skipped_times:基于跳过次数和播放/跳过总次数的搜索myplayed_times:基于当前用户播放次数的个性化搜索myskipped_times:基于当前用户跳过次数的个性化搜索myplayed_or_skipped_times:结合播放和跳过次数的个性化搜索
这些改进使得用户能够创建更加智能和个性化的播放列表。
评分系统优化
6.6.7版本修复了AlbumDisk对象评分搜索的问题,并改进了平均rating搜索对空值的处理。现在用户可以更准确地基于评分筛选内容。
其他重要改进
在Podcast功能方面,修复了PodcastEpisode加载错误,特别是针对尚未下载的新文件处理更加稳定。
Web播放器方面,修复了特殊字符转义不正确的问题,提升了播放列表的兼容性和稳定性。
API更新
Ampache API在6.6.7版本中也进行了调整。在统计功能中,现在允许使用limit参数值为-1表示无限制(之前值为0时会回退到popular_threshold设置的值),这为开发者提供了更大的灵活性。
兼容性说明
6.6.7版本继续支持PHP 8.0至8.3版本,同时仍提供PHP 7.4的构建包,但官方已明确表示PHP 7.4将不再获得支持,仅会维持构建直到无法继续为止。
对于开发者,版本还提供了仅包含代码的发布包,需要自行通过composer安装依赖。
总的来说,Ampache 6.6.7版本通过移植Ampache 7的搜索功能,显著提升了系统的检索能力,同时修复了多个影响用户体验的问题,为音乐爱好者提供了更加强大和稳定的媒体管理体验。
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 StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
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
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
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