HarfBuzz 10.3.0版本发布:文本渲染引擎的重大性能优化
项目简介
HarfBuzz是一个开源的文本渲染引擎,主要用于复杂文本布局和OpenType字体处理。作为现代排版系统的核心组件,它被广泛应用于各种操作系统、浏览器和应用程序中,负责将Unicode文本转换为正确的字形序列,并处理字体特性如连字、字距调整等。
性能优化亮点
最新发布的HarfBuzz 10.3.0版本带来了多项显著的性能改进:
-
AAT字体处理性能提升:对Apple Advanced Typography(AAT)字体的处理速度有了显著提升。以LucidaGrande字体为例,基准测试显示处理时间从14.6毫秒降低到了5.9毫秒,性能提升约60%。
-
OpenType处理优化:改进了OpenType字体的字距调整和连字处理性能,虽然增加了约1KB的缓存内存占用,但带来了明显的速度提升。Roboto-Regular字体的基准测试显示处理时间从10.3毫秒降低到了9.4毫秒。
-
COLRv1彩色字体渲染加速:对COLRv1格式的彩色字体渲染性能进行了优化,基准测试显示渲染时间从7.85毫秒降低到了4.85毫秒,效率提升约38%。
重要功能改进
-
字形替换处理修复:修复了特定字体(AALMAGHRIBI.ttf)中morx表的错误处理问题,避免了对已知损坏的morx表应用字形替换。
-
语言注册表更新:更新了IANA和OpenType语言注册表,确保对最新语言标准的支持。
-
trak表处理改进:改进了trak(跟踪)表的处理逻辑,使其更接近Core Text的行为。现在能够正确插值表中未明确设置的尺寸的跟踪值,并将跟踪应用于ot-font函数返回的字形前进值,而不是在整形过程中应用。
-
非BMP字符支持:Core Text字体函数现在支持非基本多文种平面(BMP)的代码点,扩展了对Unicode字符集的支持范围。
-
字形绘制算法统一:hb-draw对glyf表的绘制算法现在与FreeType和Core Text保持一致,提高了跨平台渲染的一致性。
API增强与新功能
-
DirectWrite集成:新增了从DirectWrite字体创建HarfBuzz字体的API,并支持复制字体变体:
- hb_directwrite_font_create()
- hb_directwrite_font_get_dw_font()
-
特征标签查询:新增了获取形状计划中启用的特征标签的API,帮助应用程序在UI中显示默认应用的特征:
- hb_ot_shape_plan_get_feature_tags()
-
CoreText改进:hb_coretext_font_create() API现在会从Core Text字体复制字体变体到创建的HarfBuzz字体中。
-
blob引用增强:hb_face_reference_blob() API现在支持通过hb_face_create_for_tables()创建的面,前提是该面设置了get_table_tags回调。
构建与文档改进
- 构建系统进行了多项改进,提高了构建效率。
- 测试速度得到提升,加快了开发周期。
- 文档进行了全面更新,提供了更准确和详细的使用说明。
总结
HarfBuzz 10.3.0版本通过多项性能优化和功能增强,进一步巩固了其作为现代文本渲染引擎的地位。特别是对AAT、OpenType和COLRv1处理的性能提升,以及对trak表处理的改进,使得文本渲染更加高效和准确。新增的DirectWrite集成和特征标签查询API为开发者提供了更多灵活性和控制能力。这些改进将直接受益于依赖HarfBuzz的各种应用程序和操作系统,提升用户的文本阅读体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
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
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00