Ampcast 音乐播放器使用教程
1. 项目介绍
Ampcast 是一个受 Winamp 启发的音乐播放器。它支持多种流媒体服务,如 Plex、Jellyfin、Emby、Navidrome 和 Subsonic 等,并且还提供了对 Apple Music、Spotify 和 YouTube 的额外支持。Ampcast 拥有内置的视觉特效,如 Milkdrop (Butterchurn),支持 last.fm 和 ListenBrainz 的 Scrobbling 功能,并且可以从这些服务中播放音乐。Ampcast 可以作为 Web 应用程序或渐进式网络应用程序(PWA)使用,并且提供了桌面应用程序版本,支持 Windows、Mac 和 Linux 系统。
2. 项目快速启动
环境准备
确保你的系统安装了 Node.js,版本要求大于等于 20。
克隆项目
git clone https://github.com/rekkyrosso/ampcast.git
cd ampcast
安装依赖
npm i
构建开发环境
npm run build:dev
启动 Web 服务器
npm run start:dev
在浏览器中访问 http://localhost:8000,即可运行应用程序。
使用不同的主机/端口启动服务器
npm run start:dev -- --host 0.0.0.0 --port 8001
请注意,使用除 localhost 以外的地址可能会遇到 CORS 错误。
配置选项
你可以创建一个 .env 文件来存储 API 密钥和其他配置选项。
3. 应用案例和最佳实践
桌面应用程序
Ampcast 提供了桌面应用程序版本,可以在 Windows、Mac 和 Linux 上运行。从以下链接下载对应系统的版本:
https://github.com/rekkyrosso/ampcast/releases/latest
自托管
如果你希望自托管 Ampcast,可以使用 Docker。Docker 镜像托管在 ghcr.io 上,可以通过以下命令运行容器:
docker run --name ampcast -p 8000:8000 ghcr.io/rekkyrosso/ampcast:latest
或者使用 docker-compose:
docker-compose up -d
使用提供的 docker-compose.yml 文件作为模板。
4. 典型生态项目
目前,Ampcast 作为一个开源项目,其生态系统仍在不断发展中。你可以通过以下途径参与项目,比如:
- 提交问题报告或功能请求;
- 在 GitHub 的讨论区域或 Reddit 上的通用讨论论坛中交流;
- 贡献代码或文档。
Ampcast 使用 TypeScript、GLSL、SCSS、JavaScript、HTML 和 Dockerfile 等技术栈构建。欢迎更多的开发者参与到这个项目中来,共同打造一个优秀的音乐播放器。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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