B站直播录制、自动切片、自动渲染弹幕以及字幕并投稿至B站的开源工具

共计 7611 个字符，预计需要花费 20 分钟才能阅读完成。

如果您觉得项目不错，欢迎 ⭐ 也欢迎 PR 合作，如果有任何疑问，欢迎提 issue 交流。

敬告：本项目仅供学习交流使用，请在征得对方许可的情况下录制，请勿未经授权私自将内容用于商业用途，请勿用于大规模录制，违者会被官方封禁，法律后果自负。

自动监听并录制 B 站直播和弹幕（含付费留言、礼物等），根据分辨率转换弹幕、语音识别字幕并渲染进视频，根据弹幕密度切分精彩片段并通过视频理解大模型生成有趣的标题，根据图像生成模型自动生成视频封面，自动投稿视频和切片至 B 站，兼容无 GPU 版本，兼容超低配置服务器与主机。

• 速度快 ：采用 pipeline 流水线处理视频，理想情况下录播与直播相差半小时以内，没下播就能上线录播， 目前已知 b 站录播最快版本！
• (🎉 NEW)多架构：适配 amd64 及 arm64 架构！
• 多房间：同时录制多个直播间内容视频以及弹幕文件（包含普通弹幕，付费弹幕以及礼物上舰等信息）。
• 占用小：自动删除本地已上传的视频，极致节省空间。
• 模版化：无需复杂配置，开箱即用，通过 b 站搜索建议接口自动抓取相关热门标签。
• 检测片段并合并：对于网络问题或者直播连线导致的视频流分段，能够自动检测合并成为完整视频。
• 自动渲染弹幕 ：自动转换 xml 为 ass 弹幕文件，该转换工具库已经开源 DanmakuConvert 并且渲染到视频中形成 有弹幕版视频 并自动上传。
• 硬件要求极低：无需 GPU，只需最基础的单核 CPU 搭配最低的运存即可完成录制，弹幕渲染，上传等等全部过程，无最低配置要求，10 年前的电脑或服务器依然可以使用！
• (🎉 NEW)自动渲染字幕：采用 OpenAI 的开源模型 whisper，自动识别视频内语音并转换为字幕渲染至视频中。
• (🎉 NEW)自动切片上传：根据弹幕密度计算寻找高能片段并切片，该自动切片工具库已开源 auto-slice-video，结合多模态视频理解大模型自动生成有意思的切片标题及内容，并且自动上传，目前已经支持的模型有：
  • GLM-4V-PLUS
  • Gemini-2.0-flash
  • Qwen-2.5-72B-Instruct
  • SenseNova V6 Pro
• (🎉 NEW)持久化登录 / 下载 / 上传视频(支持多 p 投稿)：bilitool 已经开源，实现持久化登录，下载视频及弹幕(含多 p)/ 上传视频(可分 p 投稿)，查询投稿状态，查询详细信息等功能，一键 pip 安装，可以使用命令行 cli 操作，也可以作为 api 调用。
• (🎉 NEW)自动多平台循环直播推流 ：该工具已经开源 looplive 是一个 7 x 24 小时全自动 循环多平台同时推流 直播工具。
• (🎉 NEW)自动生成风格变换的视频封面：采用图生图多模态模型，自动获取视频截图并上传风格变换后的视频封面。
  • Minimax image-01
  • Kwai Kolors
  • Tencent Hunyuan
  • Baidu ERNIE irag-1.0
  • Stable Diffusion 3.5 large turbo
  • Luma Photon
  • Ideogram V_2
  • Recraft
  • Amazon Titan Image Generator V2
  • Hidream I1

项目架构流程如下：

Note

首先介绍本项目三种不同的处理模式：(以下特指 asr_method=”deploy” 的情况，如填 ”none” 或者 ”api” 则不涉及 GPU, 可以忽略对 GPU 的描述)

1. pipeline 模式(默认): 目前最快的模式，需要 GPU 支持，最好在 blrec 设置片段为半小时以内，asr 识别和渲染并行执行，分 p 上传视频片段。
2. append 模式: 基本同上，但 asr 识别与渲染过程串行执行，比 pipeline 慢预计 25% 左右，对 GPU 显存要求较低，兼顾硬件性能与处理上传效率。
3. merge 模式: 等待所有录制完成，再进行识别渲染合并过程，上传均为完整版录播（非分 P 投稿），等待时间较长，效率较慢，适合需要上传完整录播的场景。

由于项目引入了我写的 submodule DanmakuConvert，bilitool 和 auto-slice-video，因此推荐 clone 项目时就更新 submodules。

git clone --recurse-submodules https://github.com/timerring/bilive.git

如果你没有采用上述方式 clone 项目，请更新 submodules：

git submodule update --init --recursive

cd bilive
pip install -r requirements.txt

此外请根据各自的系统类型安装对应的 ffmpeg，例如 ubuntu 安装 ffmpeg。

将 bilive.toml 文件中的 asr_method 参数设置为 api，然后填写 WHISPER_API_KEY 参数为你的 API Key。

本项目采用 groq 提供 free tier 的 whisper-large-v3-turbo 模型，上传限制为 40 MB（约半小时），因此如需采用 api 识别的方式，请将视频录制分段调整为 30 分钟（默认即 30 分钟）。此外，free tier 请求限制为 7200 秒 /20 次 / 小时，28800 秒 /2000 次 / 天。如果有更多需求，也欢迎升级到 dev tier。

将 bilive.toml 文件中的 asr_method 参数设置为 deploy，然后下载所需模型文件，并放置在 src/subtitle/models 文件夹中。

项目默认采用 small 模型，请点击下载所需文件，并放置在 src/subtitle/models 文件夹中。

MLLM 模型主要用于自动切片后的切片标题生成，此功能默认关闭，如果需要打开请将 auto_slice 参数设置为 true，并且写下你自己的 slice_prompt(可以包含 {artist} 关键词会自动替换)，其他配置分别有：

• slice_duration 以秒为单位设置切片时长（不建议超过 180 秒）。
• slice_num 设置切片数量。
• slice_overlap 设置切片重叠时长。切片采用滑动窗口法处理，细节内容请见 auto-slice-video
• slice_step 设置切片步长。
• min_video_size 设置最小被切片视频大小，防止对一些连线或者网络波动原因造成的短片段再切片。

接下来配置模型有关的 mllm_model 参数即对应的 api-key，请自行根据链接注册账号并且申请对应 api key，填写在对应的参数中，请注意以下模型只有你在 mllm_model 参数中设置的那个模型会生效。

采用图生图多模态模型，自动获取视频截图并上传风格变换后的视频封面，如需使用本功能，请将 generate_cover 参数设置为 true，并且写下你自己的 prompt，注意部分模型只支持英文，接下来需要配置的参数有 image_gen_model 和对应的 api key，请自行根据链接注册账号并且申请对应 api key，填写在对应的参数中，请注意以下模型只有你在 image_gen_model 参数中设置的那个模型会生效。

在 bilive.toml 中自定义相关配置，映射关键词为 {artist}、{date}、{title}、{source_link}，请自行组合删减定制模板：

• title 标题模板。
• description 简介模板。
• tid 视频分区，请参考 bilitool tid 文档。
• gift_price_filter = 1 表示过滤价格低于 1 元的礼物。
• reserve_for_fixing = false 表示如果视频出现错误，重试失败后不保留视频用于修复，推荐硬盘空间有限的用户设置 false。
• upload_line = "auto" 表示自动探测上传线路并上传，如果需要指定固定的线路，可以设置为 bldsa、ws、tx、qn、bda2。

录制模块采用第三方 package blrec，参数配置在 settings.toml 文件，也可以直接在录制启动后在对应的端口可视化页面配置。Quick start 只介绍关键配置，其他配置可自行在页面中对照配置项理解，支持热修改。

• 房间的添加按照文件中 [[tasks]] 对应的格式即可。
• 录制模块不登录状态下默认的录制质量为超清。如果需要登录，请将 cookie.json 文件（获取方式见步骤 5）中的 SESSDATA 参数值填写到 [header] 的 cookie 部分，形式cookie = "SESSDATA=XXXXXXXXXXX"，登录后即可录制更高质量画质。(推荐不登录)
• duration_limit 表示录制时长，如果采用 whisper api 识别语音，请将分段控制在 1800 秒以内，其他情况没有限制。

对于 docker 部署，可以忽略这一步，因为 docker logs 在控制台中可以打印出二维码，直接扫码即可登录，以下内容针对源码部署。

一般日志文件打印不出二维码效果，所以这步需要提前在机器上安装 bilitool:

pip install bilitool
bilitool login --export
# 然后使用 app 端扫码登录，会自动导出 cookie.json 文件

将登录的 cookie.json 文件留在本项目根目录下，./upload.sh 启动后即可删除该文件。

或者在 submodule 中登录也可以，方式如下：

cd src/upload/bilitool
python -m bilitool.cli login
# 然后使用 app 端扫码即可登录

启动前请先设置录制前端页面的密码，并保存在 RECORD_KEY 环境变量中, your_password 由字母数字组成，最少 8 位，最多 80 位。

• 临时设置密码 export RECORD_KEY=your_password。(推荐)
• 持久化设置密码 echo "export RECORD_KEY=your_password" >> ~/.bashrc && source ~/.bashrc，其中 ~/.bashrc 根据你所用的 shell 自行修改即可。

./record.sh

如果你使用 deploy 的方式本地部署 whisper，请先确保你已经正确下载并放置了对应的模型文件，并确保 CUDA 可用。

./upload.sh

相应的执行日志请在 logs 文件夹中查看，如果有问题欢迎在 issue 中提出，有异常请优先提供 [debug] 级别的日志。

logs # 日志文件夹
├── record # blrec 录制日志
│   └── ...
├── scan # scan 处理日志 [debug]级别
│   └── ...
├── upload # upload 上传日志 [debug]级别
│   └── ...
└── runtime # 每次执行的日志 [info]级别
    └── ...

Docker 版本的配置参考同上，登录方式更加简洁，启动后直接 docker logs bilive_docker 在日志中会打印登录二维码，扫码登录即可。

已构建 amd64 及 arm64 版本，会自动根据架构选择。

your_record_password 为录制页面的密码，请自行设置，最短 8 最长 80。

docker run -itd \
    -v your/path/to/bilive.toml:/app/bilive.toml \
    -v your/path/to/settings.toml:/app/settings.toml \
    -v your/path/to/Videos:/app/Videos \
    -v your/path/to/logs:/app/logs \
    --name bilive_docker \
    -e RECORD_KEY=your_record_password \
    -p 22333:2233 \
    ghcr.io/timerring/bilive:0.3.0

如果你能看到这行字，说明 0.3.0 版本还没有发布，会在两天内测试完发布，请耐心等待。可以尝试源码部署。注意：0.2.x 版本和 0.3.0 版本不兼容，如需采用 0.2.x 版本，请参考项目文档而不是本 README。

sudo docker run \
    -itd \
    --gpus 'all,"capabilities=compute,utility,video"' \
    --name bilive_docker_gpu \
    -p 22333:2233 \
    ghcr.io/timerring/bilive-gpu:0.3.0

compose.yml 调整方法见 Installation。

默认 CPU latest version，如需使用 GPU 版本，请自行在 compose.yml 中调整。

docker compose up -d

请先在 compose.yml 中调整相关配置，然后执行以下命令：

docker build
docker compose up -d