前提条件，需要有ffmpeg，最新版格式工厂安装后，会自动装上ffmpeg

新建一个记事本，取名enc.key（名字可以随便取），添加16个字节的秘钥，如

qwertyuiop123456

新建一个文件，enc.keyinfo，添加如下内容

http://localhost:8080/enc.key
enc.key

这里需要把enc.key和enc.keyinfo放在同一目录下

在当前目录运行cmd或者powershell

执行

ffmpeg -y -i video.mp4 -hls_time 12 -hls_key_info_file enc.keyinfo -hls_playlist_type vod -hls_segment_filename "file%5d.ts" video.m3u8

解释：

video.mp4    --需要处理的视频

-hls_time 12    --将分片时长设置为12秒

-hls_segment_filename "file%5d.ts"    --设置ts文件格式化名称

video.m3u8    --m3u8文件名

生成后，将所有文件移动到本地搭建的tomcat中，方便测试

同时，将enc.key也放到本地服务中，保证KeyUrl可以访问：http://localhost:8080/enc.key，这样一来，m3u8就可以在支持网络串流的播放器中播放了，这里推荐使用VLC media player，播放时，m3u8文件会自动寻找秘钥keyUrl

 

Logo
音视频领域的无限可能，等你我来创造！

音视频技术社区，一个全球开发者共同探讨、分享、学习音视频技术的平台，加入我们，与全球开发者一起创造更加优秀的音视频产品！

更多推荐

Generative Design AI 的现状与实战：如何利用AI辅助开发提升效率

近年来，Generative Design AI 在软件开发领域掀起了一场革命。从自动生成代码片段到优化算法设计，AI 正在逐步改变开发者的工作方式。然而，在实际应用中，开发者们仍然面临着诸多挑战。本文将从技术角度深入探讨 Generative Design AI 的现状、实战应用以及如何有效集成到开发流程中。 背景与痛点 Generative Design AI 的核心在于利用机器学习模型理解

avatar 音视频技术专区

Generative Design AI 实战指南：从原理到工业级应用落地

工业设计中的效率革命 传统工业设计流程中，工程师需要手动调整数十甚至上百个设计参数（如厚度、曲率、材料分布），通过有限元分析验证性能后反复修改。这种模式存在两大痛点： 参数空间探索不足：人工迭代通常只能覆盖设计空间的0.1%-1%（McComb et al., 2021）多目标权衡困难：重量/强度/成本等目标的Pareto前沿求解需要超线性计算量 技术路线选型 | 方法 | 计算效率 (eval

avatar 音视频技术专区

Generative Design AI 的现状与效率提升实战：从算法优化到工程实践

1. 背景痛点 当前主流生成式设计 AI（如 Stable Diffusion、DALL-E）面临三大核心瓶颈： 计算资源消耗：单张 512x512 图像生成平均需要 4-6GB GPU 显存，FLOPs 超过 1T响应延迟：在 RTX 3090 上单次推理耗时约 2.5-4 秒，无法满足实时交互需求迭代效率：设计师平均需要 5-8 次生成才能获得满意结果，传统串行流程严重拖慢创作速度 2. 技

avatar 音视频技术专区