NoTubeTV 的安装和配置教程
项目基础介绍
NoTubeTV 是一个开源项目,旨在为 Android TV 提供一个 YouTube Leanback 用户界面。它支持 4K 分辨率,并且集成了 Adblock、SponsorBlock 和 DeArrow 等功能,允许用户在观看视频时享受无广告和定制化体验。该项目基于 @reisxd/TizenTube 开发,并使用了 GPL-3.0 许可证。
主要编程语言
该项目主要使用 JavaScript(占比 95.6%)和 Kotlin(占比 4.4%)进行开发。
项目使用的关键技术和框架
NoTubeTV 利用了一些关键技术和框架来实现其功能:
- Leanback UI:Android TV 的用户界面框架,提供了一种适用于电视屏幕的界面设计。
- Adblock:广告拦截技术,提升用户体验。
- SponsorBlock:自动跳过视频中的赞助商片段。
- DeArrow:移除视频播放器中的箭头指示。
准备工作
在开始安装之前,请确保您已经满足了以下条件:
- 您需要拥有一台安装有 Android 操作系统的电视或电视盒。
- 确保您的设备已经连接到互联网。
- 安装一个支持侧载应用的文件管理器或应用安装器。
安装步骤
-
下载项目文件
首先,您需要从项目的 GitHub 仓库克隆或下载源代码。如果您熟悉 Git 命令,可以使用以下命令克隆仓库:
git clone https://github.com/ycngmn/NoTubeTV.git如果不熟悉 Git,也可以直接从 GitHub 下载 ZIP 文件。
-
安装 Android Studio
为了编译和侧载应用,您需要在计算机上安装 Android Studio。访问 Android 开发者官方网站下载并安装。
-
导入项目到 Android Studio
打开 Android Studio,选择 "Open an existing Android Studio project",然后找到下载或克隆的 NoTubeTV 项目文件夹。
-
连接 Android 设备
使用 USB 线将您的 Android 电视或电视盒连接到计算机。确保在设备上启用 USB 调试。
-
编译项目
在 Android Studio 中,点击 "Build" > "Build Bundle(s) / APK(s)" > "Build APK(s)" 来编译项目。
-
侧载应用
编译完成后,您可以在项目的
app文件夹中找到 APK 文件。使用文件管理器或应用安装器将 APK 文件传输到您的电视或电视盒上,并安装。 -
运行应用
安装完成后,您可以在电视或电视盒的应用菜单中找到 NoTubeTV,并打开它开始使用。
请注意,以上步骤为一般性指南,具体情况可能会因您的设备和配置不同而有所变化。如果在安装过程中遇到任何问题,请查阅项目的 README 文件或创建新 issue 寻求帮助。
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 StartedRust067- 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
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
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
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00