SRS流媒体服务器中长视频循环推流失败问题分析与解决方案
2025-05-06 09:55:41作者:魏献源Searcher
问题背景
在使用SRS(Simple-RTMP-Server)流媒体服务器时,开发者遇到了一个典型的长视频循环推流问题。当使用FFmpeg将一段13分钟的视频循环推流到SRS服务器,并通过SRS转发到其他RTMP服务器时,会出现"conversion failed"错误。而同样的操作对3分钟的短视频则能正常工作。
现象分析
从技术日志中可以看到几个关键现象:
- 长视频推流约13分钟后,在循环时出现错误:"Error muxing a packet"和"Broken pipe"
- 错误发生时FFmpeg返回错误码-32(管道破裂)
- 短视频(1分钟左右)循环推流则完全正常
- 直接推流(不转发)时,长视频虽然能循环但会出现卡顿
根本原因
经过深入分析,发现问题根源在于视频文件的音视频流时长不同步。具体表现为:
- 视频文件中音频流和视频流的持续时间存在显著差异(超过30秒)
- 这种不同步在长视频中会被放大,导致循环时时间戳混乱
- SRS在转发流媒体时对时间戳连续性有严格要求
- 转发过程中的缓冲机制会加剧这种不同步问题
解决方案
针对这一问题,我们推荐以下几种解决方案:
1. 统一音视频时长
使用FFmpeg重新处理视频文件,确保音视频流时长一致:
ffmpeg -i input.mp4 -c copy -shortest output.mp4
-shortest参数会以最短的流(音频或视频)为基准截断其他流。
2. 重新编码处理
对于严重不同步的视频,建议完全重新编码:
ffmpeg -i input.mp4 -c:v libx264 -c:a aac -strict experimental output.mp4
3. 分段推送策略
对于超长视频,可考虑分段推送:
ffmpeg -i input.mp4 -c copy -f segment -segment_time 600 -reset_timestamps 1 output%03d.mp4
然后将分段后的视频循环推送。
预防措施
为避免类似问题,建议:
- 在上传视频前使用
ffprobe检查音视频流信息 - 建立视频预处理流程,确保时长同步
- 对长视频实施分段处理策略
- 监控SRS日志中的时间戳警告信息
总结
音视频同步是流媒体处理中的基础问题,在长视频循环推流场景下尤为关键。通过规范视频预处理流程、合理配置编码参数,以及实施有效的监控策略,可以有效避免这类问题的发生。SRS作为高性能流媒体服务器,对输入流的质量有一定要求,开发者应确保输入源的规范性以获得最佳性能。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.2 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
661