Loopback 避坑实录:为什么你的 MacBook 录屏没声音?7 个常见配置错误排查

MacBook M1用户必看:OBS+B站直播保姆级配置指南(含Loopback替代方案) 本文为MacBook M1芯片用户提供详细的OBS+B站直播配置指南,涵盖权限设置、音频路由优化和画质调整等核心问题。特别推荐Loopback作为Soundflower的替代方案,解决M1设备上的音频延迟问题,帮助用户实现高清稳定的B站直播体验。 阅读详情

Loopback 避坑实录:为什么你的 MacBook 录屏没声音?7 个常见配置错误排查

当你兴奋地录制完一段 MacBook 屏幕操作视频,准备分享给同事或上传教程时,却发现视频里完全没有声音——这种挫败感我太熟悉了。作为一位长期使用 Loopback 进行专业音频录制的用户,我经历过所有你能想到的配置问题。本文将分享七个最常见但容易被忽视的配置错误,以及如何系统性地排查这些问题。

1. 系统声音输入输出设置的典型误区

很多用户第一个错误就是在系统偏好设置中盲目更改声音设备。实际上,Mac 的声音输入输出设置与 Loopback 的配合需要非常精确的配置。

1.1 输入设备配置冲突

在"系统偏好设置 > 声音 > 输入"中,如果你将 Loopback Audio 设为默认输入设备,会导致一个严重问题:所有依赖系统默认输入的应用(如微信、Zoom)将无法获取麦克风输入。这是因为:

  • Loopback Audio 本身不包含麦克风输入源
  • 系统会将所有音频输入请求路由到 Loopback
  • 但 Loopback 没有配置有效输入源时,相当于"静音"

正确做法:保持系统输入设备为你的实际麦克风(内置或外接),仅在需要录制的应用程序中单独选择 Loopback 作为音源。

1.2 输出设备选择不当

同样在声音设置的输出部分,常见错误有:

错误配置 导致问题 正确配置
选择 Loopback 作为输出 系统声音无法正常播放 保持常规输出设备(如内置扬声器或耳机)
输出设备与 Loopback 音源冲突 产生音频反馈循环 确保 Loopback 只捕
Mac版OBS捕获系统声音难题:从原理到实战解决方案 在macOS上进行音频捕获,尤其是实现系统全局音频录制,是许多内容创作者和开发者面临的常见挑战。这主要源于macOS的Core Audio架构及其沙盒安全机制,其设计初衷是保障系统稳定与音频隐私,但这也限制了第三方应用直接访问系统音频输出流。理解虚拟音频设备的工作原理是解决此类问题的关键,它能在系统内部创建一个合法的音频通路,将输出信号重定向为输入信号。这项技术的核心价值在于,它使得在macOS上进行高质量的屏幕录制、直播推流和音视频内容创作成为可能,广泛应用于在线教学、游戏直播、软件演示和会议记录等场景。 阅读详情

相关推荐

MacBook 使用 Loopback 录屏和录音频(MacBook 录屏教程/录视频教程/Loopback 教程)

下载Loopback Loopback界面介绍 电脑的偏好设置中找到「声音」 按快捷键shift+comm+5,打开录制模式 打开录制模式后,不要点击录制,而是先进行如图的设置 可以开始录制了,记住如果不希望你自己说话的声音也录制进去,在Lookback Audio中把耳麦关闭即可 ...

liaowenxiong的博客 1万+

Loopback 录屏和录音频(Mac录屏教程/录视频教程/Loopback 教程)

我实操过,这里把LA设置为声音输入设备根本没有用,因为在实际录制时,还必须在录制程序的『选项』中选择录制时的声音输入设备,所以在系统的『声音』这里设置根本无效,反而会因为你选择了其它的声音输入设备,导致使用社交软件语音通话时,无法正常输入麦克风的声音。如果这里选择LA作为声音的输入设备,那么你会发现,使用微信语音聊天时,你对这麦克风讲话,电脑是无法采集到你的声音的,所以对方根本无法听到你的声音。电脑的偏好设置中找到『声音』,点击“输入”标签,选择LoopbackAudio作为声音输入设备。...

macruanjian9527的博客 4267

用Mac+FaceTime+LoopBack打造Apple Watch语音AI助理

Apple Watch缺乏原生语音AI支持,本质是WatchOS系统级音频权限与大模型Web语音接口的兼容性问题。其底层原理涉及Core Audio虚拟设备路由、FaceTime低延迟音视频隧道机制,以及Safari Web API对getUserMedia等语音能力的沙箱限制。该方案的技术价值在于绕过生态短板,以零越狱、纯官方API的方式构建可落地的端侧语音交互链路,显著提升户外无手机场景下的信息获取效率。典型应用场景包括通勤问答、即时备忘、环境数据查询等轻量语音交互任务,核心依赖macOS音频虚拟化与自

weixin_30326741的博客 346

跨平台摄像头套件Webcamoid:一站式解决视频会议、录制与虚拟摄像头需求

虚拟摄像头技术通过软件模拟物理摄像头设备,将处理后的视频流提供给其他应用程序调用。其核心原理是利用视频捕获接口(如V4L2、DirectShow)和虚拟设备驱动(如v4l2loopback),在操作系统层面创建一个新的视频源。这项技术的价值在于打破了硬件限制,实现了视频源的灵活处理与复用,广泛应用于视频会议美化、在线教学、直播推流和内容创作等场景。例如,通过叠加滤镜、虚拟背景或画面合成,可以显著提升视频沟通的专业性与趣味性。本文聚焦的Webcamoid,正是一款集成了虚拟摄像头、丰富特效滤镜和录制功能的开源

aizexi2652的博客 478

开源方案:用手机作为电脑无线麦克风,解决Mac Mini等设备无内置麦克风问题

音频输入设备是计算机系统进行语音交互、在线会议和录音的基础硬件。其工作原理是通过麦克风将声波转换为电信号,再经编码处理为数字音频流。在技术价值上,高质量的音频输入能提升语音识别准确度和远程协作体验。常见的应用场景包括视频会议、语音输入和内容创作。针对Mac Mini、NUC等无内置麦克风的设备,传统外接方案存在成本高、桌面杂乱等问题。本文介绍的开源方案利用**局域网传输**和**虚拟音频设备**技术,将手机的麦克风通过Wi-Fi网络共享给电脑使用,实现了硬件功能的软件化共享。该方案支持**跨平台**操作,无

weixin_30652491的博客 393

GPT-4o统一隐空间架构:多模态实时交互的技术原理与落地实践

多模态大模型正从‘多API拼接’走向‘端到端联合推理’,其核心在于统一隐空间(unified latent space)——将语音、图像、文本映射至同一语义向量空间,实现毫秒级跨模态对齐与联合理解。这一范式突破了传统流水线架构的信息衰减与延迟瓶颈,使AI首次具备自然交互所需的临场感与上下文感知力。技术价值体现在三方面:降低系统集成复杂度、提升多模态意图识别鲁棒性、支持边缘设备轻量化部署。典型应用场景包括实时会议纪要生成、工业视觉质检、教育思维教练等。本文聚焦GPT-4o的统一隐空间设计原理与可复用的工程实践

weixin_34355559的博客 320

汽车OTA自动化测试解决方案

目前OTA远程升级技术已成为众多汽车制造商的标配。由于OTA升级可能会带来潜在的风险(特别是包含ECU固件更新的FOTA升级),针对OTA系统的测试过程就尤为重要。

东舟技术的博客 7761

【工具使用】Keil常用的调试操作整理介绍

2、当选择了非0级优化时,调试可能会变得困难,具体表现在断点调试。该按钮是在进入了函数单步调试的时候,有时候你可能不必再执行该函数的剩余部分了,通过该按钮就直接一步执行完函数余下的部分,并跳出函数,回到函数被调用的置。:如果是在C语言窗口中,则是按单条语句执行,与单步调试不同的是,遇到函数不会进入函数内部,而是直接全速运行函数,并跳到下一条语句。但我的Keil软件中无法显示这个视图,并且通过修改系统试图,调试时,点击打开系统视图发生了闪退的现象,目前能想到的原因是:重新安装Keil,安装最新版本。

MEYOU_Cc 不吃香菜! 1万+

从Protocol到硬件控制:揭秘高通UEFI中ABL与XBL的协作机制

本文深入解析了高通UEFI架构中ABL与XBL的协作机制,重点探讨了Protocol通信在硬件控制中的关键作用。通过对比传统GPIO控制方式,揭示了Protocol架构在安全性、可维护性和灵活性方面的优势,并提供了关机充电场景的实战案例分析及调试技巧。

weixin_29185199的博客 431

智能检查点优化:动态频率与差异化存储的断点续训实践(模型训练丨容错机制丨人工智能)

本文深入探讨了大规模模型训练中智能检查点优化的核心实践。针对传统固定频率保存导致的存储浪费与恢复缓慢问题,提出了基于损失变化率的动态频率算法与分层差异化存储策略。通过PyTorch代码示例,详细展示了如何实现动态调度与增量保存,有效降低存储成本,并确保训练中断后能快速、可靠地恢复,显著提升训练任务的容错能力与经济效益。

weixin_29072299的博客 335

《R 语言卡方检验全解析:手写代码实现与详细步骤》卡方检验

卡方检验(Chi-Square Test)是一种常用的统计方法,主要用于检验分类变量之间的独立性或拟合优度。在医学、社会科学等领域中,卡方检验常用于分析两个或多个分类变量之间的关系。以下是卡方检验的全面解析,包括实现代码和手写公式。χ2∑Ei​Oi​−Ei​2​Oi​Ei​dfr−1c−1rcdfk−1k如果卡方统计量大于临界值,或 p 值小于显著性水平(如 0.05),则拒绝原假设。

Mrrunsen的博客 685

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

Robot_PLC_HMI_Automation 4226

全栈拆解华为乾崑 ADS 5:WEWA2.0智能体架构与安全风险场技术、实现多传感器全融合感知与主动安全预判、助力城市NOA/高速领航/全场景无人通行极致落地

华为乾崑ADS 5的核心颠覆性,不在于单一功能的小幅升级,而在于实现了自动驾驶从“工具式辅助驾驶”到“拟人化智能体驾驶”的全栈范式革命。通过WEWA 2.0端云协同AI智能体架构,解决了传统智驾决策僵硬、博弈能力弱、学习效率低的行业痛点;通过行业首发安全风险场技术,将自动驾驶安全体系从被动避险升级为主动预判,直接减半行车风险;通过乾崑OS专属车规系统底座,保障高阶智驾的低时延、高稳定、高可靠运行;通过多传感器超融合感知体系,实现全场景、全天候、无盲区的精细化环境理解。

getusushu的博客 295

word多级列表为什么会变成黑块解决思路

今天在写文档时,发现WORD5级的标题都变黑块了,找了度娘的资料,终于解决了。 第一种 1、光标bai放在黑快的右边,按向左的箭头,然后ctrl+shift+s,点击重新应用。 2、点击“定义新的多级列表”(不知道从哪儿找这个按钮的百度下),直接点确定。 3、这里很重要!!!不要直接保存,而是直接关掉word,会提示保存还是不保存,这个地方再点击保存。 第二种 Word2016 使用宏代码修复方法 1.找到视图-宏,打开 查看宏 2.创建宏 3.贴...

霍力强的专栏 8585

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

上一篇: 贝尔曼期望方程图解指南:5张流程图搞定价值函数计算逻辑
下一篇: 从DataWorks到DataXP:开源数据同步系统改造指南(支持8种数据库)
java5
博客等级 码龄22年 85粉丝 2103原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值