Advanced Scene Switcher 1.29.0版本发布:新增游戏捕获与截图条件检测功能
Advanced Scene Switcher是OBS Studio的一款功能强大的插件,它通过自动化场景切换、源控制和各种媒体操作,极大地提升了直播和视频制作的效率。该插件支持基于多种条件触发预设动作,如时间、音频、视频分析等,是专业内容创作者不可或缺的工具。
核心功能更新
新增截图条件检测
1.29.0版本引入了全新的"Screenshot"条件类型,这是一个极具实用性的功能升级。当用户在OBS中执行截图操作时,该条件会自动触发为true状态。更重要的是,它还会将最后保存的截图路径作为宏属性暴露出来,这意味着用户可以在后续操作中直接引用这个路径值。
这项功能特别适合需要自动化处理截图的场景,比如:
- 自动将截图上传到指定服务器
- 在截图后触发特定场景切换
- 对截图进行后续处理和分析
游戏捕获状态检测(仅Windows)
针对游戏直播用户,新版本增加了"Game Capture"条件类型。该功能能够检测指定源是否成功"挂钩"了目标应用程序(即是否正在捕获内容)。当捕获状态发生变化时,条件会相应地返回true或false。
该条件还提供了三个关键的游戏窗口信息作为宏属性:
- 窗口标题
- 窗口类名
- 可执行文件路径
这些信息对于创建复杂的游戏直播自动化流程非常有用,例如:
- 当特定游戏启动时自动切换到游戏场景
- 根据运行中的游戏调整直播布局
- 为不同游戏应用不同的滤镜设置
Twitch功能增强
Twitch集成功能在此版本中得到了显著增强。现在用户可以查询更多关于用户和频道点数奖励的详细信息,这些数据都可以作为宏属性使用。具体包括:
- 用户订阅信息
- 用户徽章数据
- 频道点数奖励详情
- 奖励兑换记录
这使得直播主能够创建更复杂的Twitch互动系统,例如:
- 根据用户订阅等级提供不同奖励
- 自动响应特定频道点数兑换
- 创建基于观众互动的动态场景切换
实用功能改进
随机数生成简化
虽然之前版本已经可以通过"Mathematical expression"选项生成随机数,但1.29.0版本新增了专门的"随机数"选项,使这一功能更加直观易用。用户现在可以:
- 指定随机数范围
- 选择生成整数或浮点数
- 将结果保存到变量供后续使用
脚本功能增强
对于高级用户,新版本改进了脚本支持,特别是对Python和LUA脚本的支持。现在脚本可以:
- 注册和注销临时变量
- 设置宏属性
- 在条件和动作中访问这些变量
这使得脚本与其他插件功能的集成更加紧密,为自动化流程提供了更大的灵活性。
性能与稳定性优化
1.29.0版本修复了多个可能导致崩溃的问题,包括:
- 设置导入时的崩溃
- 包含无效条件的宏导致的崩溃
- Twitch条件类型变更时的崩溃
- 动作复制到动作队列时的崩溃
此外,还解决了多个UI相关问题:
- 文本字段修改时的界面冻结
- 各种设置对话框的显示问题
- 主题相关的视觉问题
技术底层更新
在底层实现上,1.29.0版本将ExprTk数学表达式库升级到了0.0.3版本,显著提升了"Mathematical expression"选项的计算能力。同时,对Twitch API的节流处理机制进行了改进,增强了在API限制情况下的恢复能力。
使用建议
对于升级用户,建议:
- 在升级前备份当前设置
- 检查现有宏与新功能的兼容性
- 逐步测试新功能,特别是Twitch相关功能
- 对于游戏直播用户,可以尝试利用新的游戏捕获条件优化直播流程
对于新用户,可以从基础功能开始熟悉,逐步探索高级自动化功能,特别是结合新的截图和游戏捕获条件创建个性化的直播工作流。
Advanced Scene Switcher 1.29.0通过这些新功能和改进,进一步巩固了其作为OBS生态中最强大的自动化工具的地位,为内容创作者提供了更多可能性来优化他们的工作流程。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00