tsMuxer 2.7.0版本发布:多媒体容器处理工具的重大更新
tsMuxer是一款开源的多媒体容器处理工具,主要用于将视频、音频和字幕等多媒体流重新封装到不同的容器格式中。它支持多种输入和输出格式,包括TS、M2TS、MKV等,特别适合用于蓝光光盘制作和流媒体处理。本次2.7.0版本是该项目的最终版本,项目维护者宣布将停止开发工作。
核心功能改进
tsMuxer 2.7.0版本在视频处理方面进行了多项重要改进。该版本增强了对HEVC/H.265视频流的支持,包括修复了缓冲区问题,改进了帧率信息从VPS和SPS中的读取方式。对于蓝光格式支持,特别优化了UHD蓝光文件夹的处理行为,修正了CPI表,并实现了自动V3模式处理HEVC视频。
在音频处理方面,2.7.0版本修正了EAC3采样率和声道解析,移除了AV数据包大小的限制,并修复了WAV64文件的处理问题。新增了对纯TrueHD编解码器的支持,使音频处理能力更加全面。
容器格式支持增强
新版本在容器格式支持方面有显著提升。改进了对MP4文件的读取能力,包括对分片MP4的支持,并修复了MP4文件中的音频延迟检测问题。同时增强了对M4V文件的支持,使工具能够处理更多类型的媒体文件。
在蓝光格式支持方面,2.7.0版本修正了UHD视频在MPLS和CLPI文件中的格式表示,改进了Dolby Vision的集成,支持了多种Dolby Vision配置文件的处理,包括旧版的配置文件2、3和6。
字幕处理优化
字幕处理方面,2.7.0版本有多项改进。修复了字幕时间戳问题,改进了文本字幕渲染,并修正了Windows系统下字幕间距不正确的问题。对于PGS字幕,更新了4位帧率代码的处理方式,确保字幕同步更加准确。
在字幕PID处理上,修正了HDR内容下字幕PID应从0x12A0开始的逻辑,使蓝光兼容性更好。同时修复了连接M2TS文件时的字幕延迟问题。
系统兼容性与架构改进
2.7.0版本在系统兼容性方面做了大量工作。项目从C++11升级到C++17标准,采用了更现代的编程范式。移除了所有自定义浮点转换函数,改用标准库实现,提高了代码的可移植性。
对于不同操作系统,修复了Linux下字体文件无效导致的崩溃问题,改进了macOS下的字体处理,并确保Windows系统下正确处理非ASCII字符的ISO标签。新增了对ARM架构Linux系统的构建支持。
用户界面增强
GUI部分进行了多项改进,包括新增了调整PIP透明度的选项,改进了轨道顺序在元文件中的保存方式,修复了移除音轨/字幕轨时的崩溃问题。现在用户可以通过点击"添加"按钮一次选择多个文件,大大提升了操作效率。
界面国际化方面,新增了法语、德语、希伯来语和西班牙语翻译,使工具能够服务于更广泛的用户群体。同时修复了翻译字符串出现在元文件中的问题,确保元文件的兼容性。
性能与稳定性提升
2.7.0版本在性能和稳定性方面有显著改进。修复了多处内存管理问题,包括缓冲区问题、内存泄漏和无效删除操作。改进了文件读取逻辑,增加了数据检查,防止潜在的安全问题。
在时间戳处理方面,修正了到达时间戳(ATS)的计算方式,修复了音频轨道延迟问题,并改进了PTS错误处理。这些改进使得输出文件的同步更加精确。
项目现状与未来
2.7.0版本作为tsMuxer的最终版本,项目维护者宣布将停止开发工作。尽管如此,该版本已经实现了对现代多媒体格式的全面支持,包括HEVC、Dolby Vision和VVC等最新编解码器。项目代码完全开源,鼓励社区成员继续维护和发展这个有用的多媒体工具。
对于用户而言,2.7.0版本提供了稳定、功能丰富的多媒体容器处理解决方案,特别适合需要精确控制媒体流封装的专业用户。虽然项目停止开发,但现有功能已能满足大多数高级媒体处理需求。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00