OvenMediaEngine v0.18.0 版本发布:SRT推流与WHIP Simulcast等多项功能升级
OvenMediaEngine 是一款开源的流媒体服务器,专注于提供低延迟、高性能的实时视频传输解决方案。它支持多种流媒体协议,包括 WebRTC、SRT、HLS 等,广泛应用于直播、视频会议、在线教育等场景。最新发布的 v0.18.0 版本带来了多项重要功能升级和性能优化。
核心功能升级
SRT 推流支持
v0.18.0 版本新增了对 SRT (Secure Reliable Transport) 协议作为推流输入的支持。SRT 是一种开源视频传输协议,具有低延迟、抗丢包和安全性高等特点,特别适合在不稳定的网络环境下传输高质量视频。这项功能的加入使得 OvenMediaEngine 能够更好地服务于专业直播、远程制作等场景。
WHIP Simulcast 实现
新版本实现了 WHIP (WebRTC-HTTP Ingestion Protocol) 协议的 Simulcast 功能。Simulcast 允许发送端同时发送多个不同质量的视频流,接收端可以根据网络状况自动选择最适合的流进行播放。这项技术显著提升了 WebRTC 在不同网络条件下的自适应能力。
WebRTC Provider 的 Simulcast 支持
除了 WHIP 协议外,WebRTC Provider 现在也全面支持 Simulcast 技术。这意味着开发者可以在更广泛的 WebRTC 应用场景中利用多分辨率自适应技术,为用户提供更流畅的观看体验。
媒体处理能力增强
WebP 缩略图支持
v0.18.0 新增了对 WebP 图像格式作为缩略图编码的支持。WebP 相比传统的 JPEG 格式具有更好的压缩效率,能够在不损失质量的情况下显著减小文件体积,特别适合移动端应用场景。
H.265/HEVC 的 MPEG-2 TS 容器支持
新版本扩展了对 H.265/HEVC 编码的支持,现在可以在 MPEG-2 TS 容器中封装 H.265 视频流。这一改进为需要高效视频压缩的场景提供了更多选择。
前瞻编码技术
新增了前瞻编码(lookahead encoding)选项。前瞻编码技术可以分析后续帧的内容来优化当前帧的编码,提高压缩效率和质量,特别适合运动场景的视频编码。
API 与系统功能改进
SendEvents API
新增的 SendEvents API 为开发者提供了更灵活的事件通知机制,可以更好地与外部系统集成,实现自定义的业务逻辑。
多音轨支持
ScheduleChannel 现在支持多音轨功能,使得节目编排更加灵活,能够满足多语言广播等复杂场景的需求。
HLS 改进
对 HLS 协议进行了多项改进,包括在 HLSv3 中添加了 #EXT-X-PROGRAM-DATE-TIME 标签,以及在 LLHLS 的 #EXT-X-MEDIA 标签中添加了 CHARACTERISTICS 属性,提升了 HLS 流的兼容性和功能性。
性能优化与问题修复
v0.18.0 版本包含了多项性能优化和问题修复:
- 改进了多帧音频数据包的解码能力,提升了音频处理的稳定性
- 优化了转码器对多音轨的无缝切换支持
- 修复了编码器在输入分辨率变化时可能崩溃的问题
- 解决了 HLS 时间戳不准确的问题
- 修复了计划频道使用直播频道时可能崩溃的问题
- 优化了日志系统,解决了日志记录可能导致的系统性能下降问题
总结
OvenMediaEngine v0.18.0 版本通过新增 SRT 推流、WHIP Simulcast 等核心功能,以及对现有功能的优化和改进,进一步提升了其在实时视频传输领域的竞争力。这些更新使得 OvenMediaEngine 能够更好地服务于专业直播、低延迟视频通信等场景,为开发者提供了更强大、更灵活的工具集。
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