FFmpeg Batch AV Converter 3.2.3版本发布:支持H.266编码与日志查看增强
FFmpeg Batch AV Converter是一款基于FFmpeg的批量音视频转换工具,它通过图形化界面简化了FFmpeg复杂命令行参数的使用流程,让普通用户也能轻松实现专业的音视频处理操作。最新发布的3.2.3版本带来了多项重要更新,特别是对新一代视频编码标准VVC/H.266的支持,以及编码过程中日志查看功能的增强。
H.266/VVC视频编码支持
3.2.3版本最重要的更新是增加了对Versatile Video Coding(VVC,即H.266)编码格式的支持。VVC是继H.265/HEVC之后的最新视频编码标准,由MPEG和ITU-T联合开发,相比H.265能在相同画质下减少约50%的码率,或者在相同码率下提供更高质量的视频。
该版本已经测试了与2025年5月Git主分支的FFmpeg完整版本的兼容性。用户现在可以在"Main"向导和"Two pass/Target size"向导中选择VVC/H.266作为输出格式。需要注意的是,要使用这一功能,用户需要自行编译或获取支持VVC编码的FFmpeg版本。
实时编码日志查看功能
新版本增加了编码过程中查看FFmpeg日志的功能,用户可以通过"Display log"按钮实时监控编码进度和详细信息。这一改进特别有助于:
- 在顺序/多文件编码时跟踪每个文件的处理状态
- 视频剪辑(trim)操作时了解精确的时间点处理情况
- 视频拼接(concatenate)时监控合并过程
- 双通道(two-pass)编码时观察每一遍的编码详情
日志查看功能的加入大大提升了用户对编码过程的掌控能力,使得问题排查和进度监控变得更加直观。
其他改进与优化
3.2.3版本还包含了一些细节改进:
-
更新了MediaInfo组件,优化了对VVC/H.266编码视频的元数据显示,能够更准确地识别和展示这类文件的编码参数和特性。
-
当用户禁用自动更新功能时,程序将不再检查youtube-dl的版本更新,这一改动减少了不必要的网络请求,提升了用户体验。
-
修复了一些小错误,并更新了多语言翻译,使非英语用户能获得更好的使用体验。
技术建议与使用注意事项
对于希望尝试VVC/H.266编码的用户,建议注意以下几点:
-
确保使用最新版本的FFmpeg,并确认编译时包含了VVC编码支持。由于VVC专利授权较为复杂,大多数预编译的FFmpeg二进制文件可能不包含此功能。
-
VVC编码目前仍处于早期阶段,编码速度较慢,适合对压缩率有极高要求的场景。一般用途可能仍建议使用H.265/HEVC或AV1编码。
-
播放VVC编码视频需要支持该格式的解码器,目前硬件解码支持仍在逐步普及中,软件解码对性能要求较高。
FFmpeg Batch AV Converter 3.2.3通过持续的功能增强和优化,进一步巩固了其作为FFmpeg图形化前端工具的地位,特别是对最新编码标准的快速支持,展现了开发团队对技术趋势的敏锐把握。
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
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00