in_stream光标

最新推荐文章于 2025-04-18 15:16:39 发布
原创 最新推荐文章于 2025-04-18 15:16:39 发布 · 195 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

目前还没有发现有什么方法能够使得我们移动instream光标，但是我们可以通过一些手段来达到与光标移动类似的效果


1.  跳过固定的字节数去读取后面的内容 

     在某些状态的判断中，我们不只是需要当前字符满足什么条件，更要判断后面的某些字符满足什么条件，综合在一起供我们判断，我们暂时无法让instream的光标移动，那应该怎么做呢？

     以下一字符信息为例，假设我们已经取得了当前字节这个信息，想要再利用下一个字符的信息，但是我们不是真的需要，我们只是想利用这个内容来加以判断就够了，那我们可以再取一次字符，我们就获得了下一个字符点的信息，用于判断以后，我们将它放回去instream.putback(ch)； 这样一来光标又回到了原来的位置，等于什么都没发生


2. 跳过变字节数去读取后面的内容

     假设我们需要的信息距离我们很远，甚至是在文章末尾，现在也没有办法能够直接到达文章末尾，我们可以这么做，我们首先需要知道第一次取的信息离我们多远，然后重复循环取字符ch，由于每一次取ch都会将上次取的ch替代掉，因此执行完毕以后我们实际上取得的就是距离当前n个字节的字符信息了

Xiaohan.Liang
关注
【OpenHarmony4.1 之 U-Boot 2024.07源码深度解析】018 - init_sequence_r ：重定位后的函数列表
|~~~热爱生活、努力学习的小伙汁~~~|
08-11 663
【OpenHarmony4.1 之 U-Boot 2024.07源码深度解析】018 - init_sequence_r ：重定位后的函数列表
C++ Stream类
多弗朗强哥的博客
07-23 729
输入输出语义是将程序与文件和设备进行关联，并使用缓存区（一款共享的内存）在程序与文件/设备之间传输数据。标准输入关联的是键盘设备，标准输出关联的是显示器设备。标准的意思是规定了0、1、2这三个文件描述符用来关联基本输入输出设备。more。
Linux centos stream9 parted
qq_36142959的博客
01-13 1196
另外，GPT突破了MBR只有4个主分区的限制，最多可以有128个主分区，每个分区的容量也可以超过2TB。PS: parted的操作都是实时的，也就是说执⾏了一个分区的命令，就实实在在地分区了，⽽不是像fdisk那样，需要执⾏w命令写⼊所做的修改，所以进⾏parted的测试千万注意不能在⽣产环境中！parted命令是GNU开发的一款功能强大的磁盘管理工具，既可以管理MBR分区，也可以管理GPT分区，但通常用来管理GPT分区。因为MBR分区，只能有四个主分区，或者三个主分区，一个扩展分区（再分为多个逻辑分区）
stream测试软件如何修改,如何将自己的生成工具、测试工具和部署工具与 vRealize Automation Code Stream 集成...
weixin_42282482的博客
07-22 422
创建自定义集成。单击自定义集成>新建，然后输入相关的名称。选择首选运行时环境。单击创建。脚本将打开并显示代码，该脚本包含所需的运行时环境。例如，runtime: "nodejs"。脚本必须包含运行时，因为生成器映像使用该运行时来确保添加到管道中的自定义任务在管道运行时将成功。否则，自定义任务将失败。自定义集成 YAML 的主要区域包括运行时、代码、输入属性和输出属性。此过程介绍了各种类型和语...
Linux中光标定位不准,OpenCV中cvSetCaptureProperty定位不准的原因及解决
weixin_39890652的博客
05-16 203
以前在opencv2.0里面用到cvSetCaptureProperty函数的时候总是发生定位不准确的问题，明明是让其跳到100帧，结果却总不是100帧，定位一段连续的视频，总是出现跳跃的现象。同样的代码在opencv1.0里面完全没错。可是这是为什么？这个问题一直困扰了我半年，终于在今天知道原因了。经过差不多一晚上的探究，得出粗略的结论。原因在于opencv2.0以后，采用ffmpeg采集视频，...
U-boot主循环main_loop分析
生命在于折腾
02-26 7164
最近在写cortex-M3的一个裸机程序，写的过程中突然想到，虽然这个程序很简单 但是我并没有关心cortex-M3的启动代码，很多时候，我只关心主循环在干什么 甚至连初始化CPU部分也不需要很细致，这些代码在启动时只执行一遍，之后就再也没有执行了， 更多时候，需要关心的是一遍又一遍执行的主循环 于是，我觉得，u-boot程序如果不关心初始化，只关注主循环会怎么样呢？ 想到就做，于是就有
(新)VMware虚拟机安装CentOS Stream 10教程(超详细)
我这孩子从小记性就不好，什么东西都要写下来才放心
04-18 4059
全网最新最详细的VMware安装CentOS Stream 10的教程。
ROS中的日志log消息与ROS终端的不同颜色输出
非晚非晚的博客
04-30 4793
ROS自带了大量的能够输出调试信息的函数和宏，包括错误，警告等．它提供了如信息级别，条件触发消息和STL的流接口等方式。1. 日志消息1.1 rosout的日志1.2 日志文件2. 日志等级2.1 基础介绍2.2 举例2.3 设置日志级别3. ROS日志其它说明3.1 单次输出3.2 设置输出频率4. ROS终端颜色输出
python win32gui教程获取鼠标位置_在Python中获取光标位置
weixin_39964869的博客
03-01 1731
#!/usr/bin/env python """Get the current mouse position.""" import logging import sys logging.basicConfig(format='%(asctime)s %(levelname)s %(message)s', level=logging.DEBUG, stream=sys.stdout) def ge...
liunx常用命令 适用了centos stream9
入佛门六根不净，入商场狼性不足
12-14 2002
最近刚好需要重新再学习一下Linux然后开始学习大数据，就重新再温习一下Linux，然后需要把个人所有的编程环境和数据库变成linux版本，虽然一直以来都是用win系统做数据，但是liunx系统的安全和快速最近试了一下确实令我着迷。
一个集成微软语音识别技术与语音朗读的类，基于Microsoft SpeechAPI5.1的开发
热门推荐
尹成的技术博客
12-13 1万+
 //////////////////////////////////////////////////////////1，生成动态连接库时，要#define USE_SPEECH_DLL,//     并且#define LANE_SPEECH_EXPORTS//2，使用动态连接库时，要#define USE_SPEECH_DLL//3，声称和使用静态连接库时，什么都不需要//4，另外主程序中
#!/usr/bin/env python3 import os import requests import json # 配置参数（建议通过环境变量设置 API_KEY） API_KEY = "sk-f4e5e260d48f4d22b71dd991de75d31b" MODEL = "deepseek-chat" # 可选 deepseek-reasoner API_URL = "https://api.deepseek.com/v1/chat/completions" HISTORY_FILE = os.path.expanduser("~/.deepseek_history.json") def main(): # 检查 API 密钥 if API_KEY == "your_api_key_here": print(" 请先设置 API 密钥：") print("方法1: 在脚本中修改 API_KEY") print("方法2: 执行命令: export DEEPSEEK_API_KEY='your_key'") return # 加载对话历史 messages = load_history() print("\n DeepSeek 终端助手已启动 (输入 'exit' 退出)") while True: try: user_input = input("\n 你: ").strip() if not user_input: continue if user_input.lower() in ["exit", "quit"]: save_history(messages) print("对话历史已保存至", HISTORY_FILE) break # 添加用户消息并请求流式响应 messages.append({"role": "user", "content": user_input}) print("\n AI: ", end="", flush=True) full_response = "" for chunk in stream_response(messages): # 实时打印流式结果 if chunk: print(chunk, end="", flush=True) full_response += chunk # 保存上下文（保留最近3轮） messages.append({"role": "assistant", "content": full_response}) if len(messages) > 6: # 3轮对话(user+assistant) messages = messages[-6:] except KeyboardInterrupt: print("\n 已中断") save_history(messages) break except Exception as e: print(f"\n 错误: {str(e)}") def stream_response(messages): """ 流式请求核心逻辑 """ headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" } data = { "model": MODEL, "messages": messages, "stream": True, "temperature": 0.7 } try: with requests.post(API_URL, headers=headers, json=data, stream=True, timeout=30) as res: res.raise_for_status() for line in res.iter_lines(): if line: decoded = line.decode('utf-8') if decoded.startswith("data:"): try: chunk = json.loads(decoded[5:]) if content := chunk.get("choices", [{}])[0].get("delta", {}).get("content"): yield content except json.JSONDecodeError: continue except requests.exceptions.RequestException as e: raise ConnectionError(f"API 请求失败: {str(e)}") def load_history(): """ 加载历史对话 """ if os.path.exists(HISTORY_FILE): try: with open(HISTORY_FILE, 'r') as f: return json.load(f) except: return [] return [] def save_history(messages): """ 保存对话历史 """ with open(HISTORY_FILE, 'w') as f: json.dump(messages, f, ensure_ascii=False, indent=2) if __name__ == "__main__": main() 这个在linux终端 我想改成发送大量带回车的内容 有什么办法发送特定字符发送而不是回车发送
08-29
- 我们使用一个变量current_line_length来记录当前行已经输入了多少字符（用于退格时回退光标位置），但更简单的方法：我们只存储整个输入字符串，在显示时按字符打印，退格时我们只删除缓冲区最后一个字符，并回退...
# 请对程序作如下修改：1.大文本框中的内容比较多时，自动滚动到最后；大文本框中的字号加大 import sys import os import time import base64 import threading import cv2 import numpy as np from PIL import Image import speech_recognition as sr import pyttsx3 from PyQt5.QtWidgets import (QApplication, QMainWindow, QTabWidget, QWidget, QVBoxLayout, QHBoxLayout, QTextEdit, QPushButton, QLineEdit, QLabel, QSlider, QProgressBar, QFileDialog, QComboBox, QGroupBox, QCheckBox) from PyQt5.QtGui import QPixmap, QImage, QFont from PyQt5.QtCore import Qt, QTimer, QThread, pyqtSignal import ollama from io import BytesIO # 定义默认模型常量 DEFAULT_MODEL = "llama3.2-vision" class ModelWorker(QThread): responseSignal = pyqtSignal(str) progressSignal = pyqtSignal(int) completed = pyqtSignal() def __init__(self, prompt, model, images=None, max_tokens=4096, temperature=0.7): super().__init__() self.prompt = prompt self.model = model self.images = images self.max_tokens = max_tokens self.temperature = temperature self._is_running = True def run(self): try: options = { 'num_predict': self.max_tokens, 'temperature': self.temperature } if self.images: images_base64 = [self.image_to_base64(img) for img in self.images] response = ollama.chat( model=self.model, messages=[{ 'role': 'user', 'content': self.prompt, 'images': images_base64 }], stream=True, options=options ) else: response = ollama.chat( model=self.model, messages=[{'role': 'user', 'content': self.prompt}], stream=True, options=options ) full_response = "" for chunk in response: if not self._is_running: break content = chunk.get('message', {}).get('content', '') if content: full_response += content self.responseSignal.emit(full_response) self.progressSignal.emit(25) self.completed.emit() except Exception as e: self.responseSignal.emit(f"错误: {str(e)}") self.completed.emit() def image_to_base64(self, image_path): with Image.open(image_path) as img: img = img.convert('RGB') buffered = BytesIO() img.save(buffered, format="JPEG") return base64.b64encode(buffered.getvalue()).decode('utf-8') def stop(self): self._is_running = False class SpeechWorker(QThread): finished = pyqtSignal(str) def run(self): r = sr.Recognizer() with sr.Microphone() as source: audio = r.listen(source) try: text = r.recognize_google(audio, language='zh-CN') self.finished.emit(text) except Exception as e: self.finished.emit(f"语音识别错误: {str(e)}") class MultiModalApp(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("多模态智能助手 - Gemma3:27b") self.setGeometry(100, 100, 1200, 800) self.setFont(QFont("Microsoft YaHei", 10)) # 主布局 self.tabs = QTabWidget() self.setCentralWidget(self.tabs) # 初始化默认模型 self.default_model = DEFAULT_MODEL # 初始化模型列表 self.model_list = self.get_ollama_models() # 创建功能页 self.create_chat_tab() self.create_image_tab() self.create_voice_tab() self.create_video_tab() self.create_settings_tab() # 状态变量 self.current_images = [] self.model_worker = None self.speech_worker = None self.video_capture = None self.video_timer = QTimer() self.video_timer.timeout.connect(self.update_video_frame) # 初始化语音引擎 self.engine = pyttsx3.init() self.engine.setProperty('rate', 150) self.engine.setProperty('volume', 0.9) self.engine.setProperty('voice', 'zh') # 设置中文语音 # 检查Ollama连接 self.check_ollama_connection() def get_ollama_models(self): """从Ollama服务器获取可用模型列表""" try: client = ollama.Client() models = client.list() # 确保我们正确处理API返回的数据结构 if 'models' in models: model_names = [model['model'] for model in models['models']] return model_names else: print(f"警告: Ollama返回的数据不包含模型列表: {models}") return self.get_fallback_models() except Exception as e: print(f"获取模型列表失败: {e}") return self.get_fallback_models() def get_fallback_models(self): """获取后备模型列表""" return [self.default_model, "llama3", "mistral", "gemma:2b"] def create_chat_tab(self): tab = QWidget() layout = QVBoxLayout() # 聊天历史 self.chat_history = QTextEdit() self.chat_history.setReadOnly(True) self.chat_history.setStyleSheet("background-color: #f0f8ff;") # 参数控制 param_group = QGroupBox("模型参数") param_layout = QHBoxLayout() self.max_tokens = QSlider(Qt.Horizontal) self.max_tokens.setRange(128, 8192) self.max_tokens.setValue(2048) self.max_tokens_label = QLabel("最大Token数: 2048") self.temperature = QSlider(Qt.Horizontal) self.temperature.setRange(0, 100) self.temperature.setValue(70) self.temperature_label = QLabel("温度: 0.7") param_layout.addWidget(QLabel("最大Token:")) param_layout.addWidget(self.max_tokens) param_layout.addWidget(self.max_tokens_label) param_layout.addWidget(QLabel("温度:")) param_layout.addWidget(self.temperature) param_layout.addWidget(self.temperature_label) param_group.setLayout(param_layout) # 输入区域 input_layout = QHBoxLayout() self.input_field = QLineEdit() self.input_field.setPlaceholderText("输入您的问题...") self.send_button = QPushButton("发送") self.clear_button = QPushButton("清空对话") input_layout.addWidget(self.input_field, 4) input_layout.addWidget(self.send_button, 1) input_layout.addWidget(self.clear_button, 1) # 进度条 self.progress_bar = QProgressBar() self.progress_bar.setVisible(False) # 组装布局 layout.addWidget(self.chat_history, 6) layout.addWidget(param_group) layout.addLayout(input_layout) layout.addWidget(self.progress_bar) tab.setLayout(layout) self.tabs.addTab(tab, "文本对话") # 信号连接 self.send_button.clicked.connect(self.send_chat) self.clear_button.clicked.connect(self.clear_chat) self.input_field.returnPressed.connect(self.send_chat) self.max_tokens.valueChanged.connect(self.update_max_tokens_label) self.temperature.valueChanged.connect(self.update_temperature_label) def create_image_tab(self): tab = QWidget() layout = QVBoxLayout() # 图像显示 image_layout = QHBoxLayout() self.image_label = QLabel() self.image_label.setAlignment(Qt.AlignCenter) self.image_label.setStyleSheet("border: 2px solid gray; min-height: 300px;") self.image_label.setText("图片预览区域") image_layout.addWidget(self.image_label) # 图像处理按钮 btn_layout = QHBoxLayout() self.load_image_btn = QPushButton("加载图片") self.analyze_image_btn = QPushButton("分析图片") self.generate_image_btn = QPushButton("生成图片描述") btn_layout.addWidget(self.load_image_btn) btn_layout.addWidget(self.analyze_image_btn) btn_layout.addWidget(self.generate_image_btn) # 结果区域 self.image_result = QTextEdit() self.image_result.setReadOnly(True) self.image_result.setStyleSheet("background-color: #fffaf0;") # 组装布局 layout.addLayout(image_layout, 3) layout.addLayout(btn_layout) layout.addWidget(self.image_result, 2) tab.setLayout(layout) self.tabs.addTab(tab, "图像分析") # 信号连接 self.load_image_btn.clicked.connect(self.load_image) self.analyze_image_btn.clicked.connect(self.analyze_image) self.generate_image_btn.clicked.connect(self.generate_image_description) def create_voice_tab(self): tab = QWidget() layout = QVBoxLayout() # 语音控制 voice_layout = QHBoxLayout() self.record_btn = QPushButton("开始录音") self.play_btn = QPushButton("播放回复") self.stop_btn = QPushButton("停止") voice_layout.addWidget(self.record_btn) voice_layout.addWidget(self.play_btn) voice_layout.addWidget(self.stop_btn) # 语音识别结果 self.voice_input = QTextEdit() self.voice_input.setPlaceholderText("语音识别结果将显示在这里...") # 语音合成设置 tts_group = QGroupBox("语音设置") tts_layout = QHBoxLayout() self.voice_speed = QSlider(Qt.Horizontal) self.voice_speed.setRange(100, 300) self.voice_speed.setValue(150) self.voice_speed_label = QLabel("语速: 150") self.voice_volume = QSlider(Qt.Horizontal) self.voice_volume.setRange(0, 100) self.voice_volume.setValue(90) self.voice_volume_label = QLabel("音量: 90%") tts_layout.addWidget(QLabel("语速:")) tts_layout.addWidget(self.voice_speed) tts_layout.addWidget(self.voice_speed_label) tts_layout.addWidget(QLabel("音量:")) tts_layout.addWidget(self.voice_volume) tts_layout.addWidget(self.voice_volume_label) tts_group.setLayout(tts_layout) # 组装布局 layout.addLayout(voice_layout) layout.addWidget(self.voice_input, 2) layout.addWidget(tts_group) tab.setLayout(layout) self.tabs.addTab(tab, "语音交互") # 信号连接 self.record_btn.clicked.connect(self.start_recording) self.play_btn.clicked.connect(self.play_response) self.stop_btn.clicked.connect(self.stop_audio) self.voice_speed.valueChanged.connect(self.update_voice_speed) self.voice_volume.valueChanged.connect(self.update_voice_volume) def create_video_tab(self): tab = QWidget() layout = QVBoxLayout() # 视频控制 video_control = QHBoxLayout() self.load_video_btn = QPushButton("加载视频") self.play_video_btn = QPushButton("播放") self.pause_video_btn = QPushButton("暂停") self.analyze_video_btn = QPushButton("分析视频") video_control.addWidget(self.load_video_btn) video_control.addWidget(self.play_video_btn) video_control.addWidget(self.pause_video_btn) video_control.addWidget(self.analyze_video_btn) # 视频显示 video_layout = QHBoxLayout() self.video_label = QLabel() self.video_label.setAlignment(Qt.AlignCenter) self.video_label.setStyleSheet("border: 2px solid gray; min-height: 300px;") self.video_label.setText("视频预览区域") video_layout.addWidget(self.video_label) # 分析结果 self.video_result = QTextEdit() self.video_result.setReadOnly(True) self.video_result.setStyleSheet("background-color: #f5f5f5;") # 组装布局 layout.addLayout(video_control) layout.addLayout(video_layout, 3) layout.addWidget(self.video_result, 2) tab.setLayout(layout) self.tabs.addTab(tab, "视频分析") # 信号连接 self.load_video_btn.clicked.connect(self.load_video) self.play_video_btn.clicked.connect(self.play_video) self.pause_video_btn.clicked.connect(self.pause_video) self.analyze_video_btn.clicked.connect(self.analyze_video) def create_settings_tab(self): tab = QWidget() layout = QVBoxLayout() # Ollama设置 ollama_group = QGroupBox("Ollama设置") ollama_layout = QVBoxLayout() self.ollama_host = QLineEdit("http://localhost:11434") self.ollama_model = QComboBox() # 添加从Ollama获取的模型列表 self.ollama_model.addItems(self.model_list) # 设置默认模型 if self.default_model in self.model_list: index = self.model_list.index(self.default_model) self.ollama_model.setCurrentIndex(index) elif self.model_list: # 如果模型列表不为空 self.default_model = self.model_list[0] self.ollama_model.setCurrentIndex(0) else: # 如果模型列表为空 self.ollama_model.addItem(self.default_model) self.ollama_model.setCurrentIndex(0) ollama_layout.addWidget(QLabel("服务器地址:")) ollama_layout.addWidget(self.ollama_host) ollama_layout.addWidget(QLabel("模型选择:")) ollama_layout.addWidget(self.ollama_model) ollama_group.setLayout(ollama_layout) # 系统设置 system_group = QGroupBox("系统设置") system_layout = QVBoxLayout() self.auto_play = QCheckBox("自动播放语音回复") self.stream_output = QCheckBox("启用流式输出") self.stream_output.setChecked(True) self.save_logs = QCheckBox("保存对话日志") system_layout.addWidget(self.auto_play) system_layout.addWidget(self.stream_output) system_layout.addWidget(self.save_logs) system_group.setLayout(system_layout) # 组装布局 layout.addWidget(ollama_group) layout.addWidget(system_group) layout.addStretch() tab.setLayout(layout) self.tabs.addTab(tab, "系统设置") # 信号连接 self.ollama_host.textChanged.connect(self.update_ollama_host) self.ollama_model.currentIndexChanged.connect(self.update_ollama_model) # 实现之前省略的方法 def update_max_tokens_label(self, value): self.max_tokens_label.setText(f"最大Token数: {value}") def update_temperature_label(self, value): self.temperature_label.setText(f"温度: {value / 100:.1f}") def update_voice_speed(self, value): self.voice_speed_label.setText(f"语速: {value}") self.engine.setProperty('rate', value) def update_voice_volume(self, value): self.voice_volume_label.setText(f"音量: {value}%") self.engine.setProperty('volume', value / 100) def send_chat(self): prompt = self.input_field.text().strip() if not prompt: return self.progress_bar.setVisible(True) self.progress_bar.setRange(0, 0) # 不确定进度 self.chat_history.append(f"<b>用户:</b> {prompt}") self.input_field.clear() # 创建模型工作线程 self.model_worker = ModelWorker( prompt=prompt, model=self.ollama_model.currentText(), max_tokens=self.max_tokens.value(), temperature=self.temperature.value() / 100 ) self.model_worker.responseSignal.connect(self.update_chat_response) self.model_worker.completed.connect(self.on_chat_completed) self.model_worker.start() def update_chat_response(self, response): # 获取当前文本并移除旧的助手回复 current_text = self.chat_history.toPlainText() if "助手:" in current_text: current_text = current_text[:current_text.rfind("助手:")] # 添加新回复 self.chat_history.setPlainText(f"{current_text}<b>助手:</b> {response}") self.chat_history.moveCursor(self.chat_history.textCursor().End) def on_chat_completed(self): self.progress_bar.setVisible(False) if self.auto_play.isChecked(): self.play_response() def clear_chat(self): self.chat_history.clear() def load_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.png *.jpg *.jpeg *.bmp)" ) if file_path: self.current_images = [file_path] pixmap = QPixmap(file_path) pixmap = pixmap.scaled(600, 400, Qt.KeepAspectRatio) self.image_label.setPixmap(pixmap) def analyze_image(self): if not self.current_images: self.image_result.setText("请先加载图片") return self.progress_bar.setVisible(True) self.progress_bar.setRange(0, 0) prompt = "详细分析这张图片的内容，包括场景、对象、颜色和可能的含义" self.model_worker = ModelWorker( prompt=prompt, model=self.ollama_model.currentText(), images=self.current_images, max_tokens=self.max_tokens.value(), temperature=self.temperature.value() / 100 ) self.model_worker.responseSignal.connect(self.update_image_result) self.model_worker.completed.connect(lambda: self.progress_bar.setVisible(False)) self.model_worker.start() def update_image_result(self, response): self.image_result.setText(response) def generate_image_description(self): if not self.current_images: self.image_result.setText("请先加载图片") return self.progress_bar.setVisible(True) self.progress_bar.setRange(0, 0) prompt = "为这张图片生成一个简洁的描述，适合用于社交媒体分享" self.model_worker = ModelWorker( prompt=prompt, model=self.ollama_model.currentText(), images=self.current_images, max_tokens=self.max_tokens.value(), temperature=self.temperature.value() / 100 ) self.model_worker.responseSignal.connect(self.update_image_result) self.model_worker.completed.connect(lambda: self.progress_bar.setVisible(False)) self.model_worker.start() def start_recording(self): self.record_btn.setEnabled(False) self.voice_input.setText("正在录音...") self.speech_worker = SpeechWorker() self.speech_worker.finished.connect(self.on_speech_recognition_complete) self.speech_worker.start() def on_speech_recognition_complete(self, text): self.record_btn.setEnabled(True) self.voice_input.setText(text) # 如果设置了自动播放，直接发送到聊天 if self.auto_play.isChecked(): self.input_field.setText(text) self.send_chat() def play_response(self): if not self.chat_history.toPlainText(): return # 获取最后一条助手的回复 full_text = self.chat_history.toPlainText() last_response = full_text.split("助手:")[-1].strip() # 播放语音 self.engine.say(last_response) self.engine.runAndWait() def stop_audio(self): self.engine.stop() def load_video(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)" ) if file_path: self.video_path = file_path self.video_capture = cv2.VideoCapture(file_path) self.play_video() def play_video(self): if not hasattr(self, 'video_capture') or not self.video_capture.isOpened(): return self.video_timer.start(30) # 约30fps def pause_video(self): self.video_timer.stop() def update_video_frame(self): ret, frame = self.video_capture.read() if not ret: self.video_timer.stop() return # 转换OpenCV BGR图像为Qt RGB图像 frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch = frame.shape bytes_per_line = ch * w q_img = QImage(frame.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap = QPixmap.fromImage(q_img) pixmap = pixmap.scaled(800, 450, Qt.KeepAspectRatio) self.video_label.setPixmap(pixmap) def analyze_video(self): if not hasattr(self, 'video_path'): self.video_result.setText("请先加载视频") return self.progress_bar.setVisible(True) self.progress_bar.setRange(0, 0) prompt = "分析这段视频的主要内容，包括场景、关键动作和可能的主题" self.model_worker = ModelWorker( prompt=prompt, model=self.ollama_model.currentText(), max_tokens=self.max_tokens.value(), temperature=self.temperature.value() / 100 ) self.model_worker.responseSignal.connect(self.update_video_result) self.model_worker.completed.connect(lambda: self.progress_bar.setVisible(False)) self.model_worker.start() def update_video_result(self, response): self.video_result.setText(response) def update_ollama_host(self, host): os.environ["OLLAMA_HOST"] = host self.check_ollama_connection() def update_ollama_model(self, index): # 模型切换逻辑 pass def check_ollama_connection(self): try: client = ollama.Client(host=self.ollama_host.text()) models = client.list() self.statusBar().showMessage("Ollama连接成功", 3000) return True except: self.statusBar().showMessage("无法连接Ollama服务器，请检查设置", 5000) return False if __name__ == "__main__": app = QApplication(sys.argv) window = MultiModalApp() window.show() sys.exit(app.exec_())
08-10
for i in range(100): self.text_edit.appendText(f"第{i}行: 这是自动滚动到底部的测试文本") ``` #### 注意事项 1. 使用`append()`会自动添加换行符，若需精确控制请改用`insertPlainText()` 2. 需要频繁更新时...
基于shell的文件复制系统，北京理工大学 计算机学院大三 操作系统 课程实验。.zip
最新发布
09-07
基于shell的文件复制系统，北京理工大学 计算机学院大三 操作系统 课程实验。.zip
【微信小程序源码】天天快拍.zip
09-06
资源说明： 1：本资料仅用作交流学习参考，请切勿用于商业用途。 2：一套精品实用微信小程序源码资源，无论是入门练手还是项目复用都超实用，省去重复开发时间，让开发少走弯路！ 更多精品资源请访问 https://blog.youkuaiyun.com/ashyyyy/article/details/146464041
nuke id通道提取测试文件
09-06
nuke id通道提取测试文件
【微信小程序源码】云笔记.zip
09-06
资源说明： 1：本资料仅用作交流学习参考，请切勿用于商业用途。 2：一套精品实用微信小程序源码资源，无论是入门练手还是项目复用都超实用，省去重复开发时间，让开发少走弯路！ 更多精品资源请访问 https://blog.youkuaiyun.com/ashyyyy/article/details/146464041
基于Word2vec语义理解与个性化搜索增强的智能搜索引擎系统_使用Scrapy230框架高效爬取知乎问答数据并通过ElasticSearch791分布式存储与索引构建_结.zip
09-06
基于Word2vec语义理解与个性化搜索增强的智能搜索引擎系统_使用Scrapy230框架高效爬取知乎问答数据并通过ElasticSearch791分布式存储与索引构建_结.zip
proto-google-common-protos-2.37.1.jar中文-英文对照文档.zip
09-06
1、压缩文件中包含： 中文-英文对照文档、jar包下载地址、Maven依赖、Gradle依赖、源代码下载地址。 2、使用方法： 解压最外层zip，再解压其中的zip包，双击 【index.html】 文件，即可用浏览器打开、进行查看。 3、特殊说明： （1）本文档为人性化翻译，精心制作，请放心使用； （2）只翻译了该翻译的内容，如：注释、说明、描述、用法讲解 等； （3）不该翻译的内容保持原样，如：类名、方法名、包名、类型、关键字、代码 等。 4、温馨提示： （1）为了防止解压后路径太长导致浏览器无法打开，推荐在解压时选择“解压到当前文件夹”（放心，自带文件夹，文件不会散落一地）； （2）有时，一套Java组件会有多个jar，所以在下载前，请仔细阅读本篇描述，以确保这就是你需要的文件。 5、本文件关键字： jar中文-英文对照文档.zip,java,jar包,Maven,第三方jar包,组件,开源组件,第三方组件,Gradle,中文API文档,手册,开发手册,使用手册,参考手册。
评论
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