ZLPhotoBrowser视频预览尺寸计算问题解析
问题背景
在使用ZLPhotoBrowser进行视频预览时,开发者可能会遇到视频有声音但没有图像显示的问题。经过分析,这通常是由于视频帧尺寸计算错误导致的,特别是在处理带有旋转或特殊变换的视频时。
问题根源
问题的核心在于视频轨道(AVAssetTrack)的自然尺寸(naturalSize)和变换矩阵(preferredTransform)的处理不当。当视频包含旋转信息时,直接使用naturalSize可能会导致计算出的宽度或高度为负数,进而导致视频帧无法正确显示。
解决方案演进
初始方案的问题
最初的实现直接使用了视频轨道的naturalSize,并通过变换矩阵计算出尺寸:
let size = videoTrack.naturalSize.applying(videoTrack.preferredTransform)
这种方法的问题在于,当视频包含旋转时,计算出的尺寸可能包含负值,导致后续的布局计算出现错误。
改进方案
最新版本的ZLPhotoBrowser采用了更稳健的处理方式:
- 首先获取视频轨道的自然尺寸和变换矩阵
- 通过变换矩阵计算出视频的实际旋转角度
- 根据旋转角度决定是否需要交换宽高值
- 确保最终尺寸为正值
具体实现如下:
private func correctVideoSize(for track: AVAssetTrack) -> CGSize {
let size = track.naturalSize
let transform = track.preferredTransform
// 获取视频的旋转角度
let angle = atan2(transform.b, transform.a) * (180 / .pi)
if angle == 90 || angle == -90 {
// 竖屏视频(宽高需要对调)
return CGSize(width: abs(size.height), height: abs(size.width))
} else {
// 横屏视频(宽高不变)
return CGSize(width: abs(size.width), height: abs(size.height))
}
}
技术要点解析
-
视频旋转处理:iOS设备录制的视频可能包含旋转信息,需要通过变换矩阵来判断视频的实际方向。
-
尺寸计算:对于竖屏视频(旋转90度或-90度),需要交换宽高值;对于横屏视频,保持宽高不变。
-
绝对值处理:无论何种情况,最终返回的尺寸都使用绝对值,确保不会出现负值导致布局问题。
-
性能考虑:该方法在视频轨道加载完成后执行,确保获取到正确的视频信息。
最佳实践建议
-
及时更新依赖:使用最新版本的ZLPhotoBrowser可以避免这类已知问题。
-
自定义处理:如果需要自定义视频预览布局,可以参考correctVideoSize方法的实现逻辑。
-
错误处理:在实际应用中,还应该考虑视频轨道加载失败的情况,提供适当的回退方案。
-
测试覆盖:特别测试不同方向(横屏、竖屏)的视频预览,确保在各种情况下都能正确显示。
总结
视频预览显示问题在多媒体应用中很常见,正确处理视频的元数据(特别是旋转信息)是关键。ZLPhotoBrowser的解决方案提供了一个稳健的参考实现,开发者可以借鉴这种处理方式来解决类似问题。理解视频轨道的变换矩阵和尺寸计算原理,有助于开发更健壮的多媒体应用。
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