Discord.py音乐Bot长音频快进/跳转卡顿问题排查与优化

问题背景 #

基于discord.py开发的音乐Bot核心代码如下：

import os

import discord
from discord.ext import commands
from discord import player as p

import yt_dlp as youtube_dl

intents = discord.Intents.default()
intents.members = True

bot = commands.Bot(command_prefix=';')

class Music(commands.Cog):
    def __init__(self, bot):
        self.bot = bot
        self.ytdl_opts = {
            'format': 'bestaudio/best',
            'outtmpl': '%(extractor)s-%(id)s-%(title)s.%(ext)s',
            'restrictfilenames': True,
            'noplaylist': True,
            'playlistend': 1,
            'nocheckcertificate': True,
            'ignoreerrors': False,
            'logtostderr': False,
            'quiet': True,
            'no_warnings': True,
            'default_search': 'auto',
            'source_address': '0.0.0.0', # bind to ipv4 since ipv6 addresses cause issues sometimes
        }
        self.ffmpeg_opts = {
            'options': '-vn',
            "before_options": "-reconnect 1 -reconnect_streamed 1 -reconnect_delay_max 5",
        }
        self.cur_stream = None
        self.cur_link = None

    @commands.command(aliases=["p"])
    async def play(self, ctx, url):
        ytdl = youtube_dl.YoutubeDL(self.ytdl_opts)
        data = ytdl.extract_info(url, download=False)
        filename = data['url']  # So far only works with links
        print(filename)
        audio = p.FFmpegPCMAudio(filename, **self.ffmpeg_opts)
        self.cur_stream = audio
        self.cur_link = filename

        await ctx.author.voice.channel.connect()
        ctx.voice_client.play(audio)
        await ctx.send(f"now playing")

    @commands.command(aliases=["ff"])
    async def seek(self, ctx):
        """
        Fast forwards 10 seconds
        """
        ctx.voice_client.pause()
        for _ in range(500):
            self.cur_stream.read()  # 500*20ms of audio = 10000ms = 10s
        ctx.voice_client.resume()

        await ctx.send(f"fast forwarded 10 seconds")

    @commands.command(aliases=["j"])
    async def jump(self, ctx, time):
        """
        Jumps to a time in the song, input in the format of HH:MM:SS
        """
        ctx.voice_client.stop()
        temp_ffmpeg = {
            'options': '-vn',
            "before_options": f"-ss {time} -reconnect 1 -reconnect_streamed 1 -reconnect_delay_max 5",
        }
        new_audio = p.FFmpegPCMAudio(self.cur_link, **temp_ffmpeg)
        self.cur_stream = new_audio
        ctx.voice_client.play(new_audio)
        await ctx.send(f"skipped to {time}")


bot.add_cog(Music(bot))
bot.run(os.environ["BOT_TOKEN"])

依赖版本（requirements.txt）：

discord.py[voice]==1.7.3
yt-dlp==2021.9.2

现象 #

• 短音频（10分钟内）：seek()（快进10秒）和jump()（跳转到指定时间）响应迅速；
• 长音频（15分钟以上甚至10小时）：
  1. seek()连续执行会卡顿，间隔执行则恢复正常；
  2. jump()跳转到长音频的前3分钟和后9小时耗时几乎相同。

问题1：为何使用discord.player.FFmpegPCMAudio.read()实现的seek()在长音频时变慢？ #

FFmpegPCMAudio.read()本质是从FFmpeg的输出缓冲区读取原始PCM数据。当前的实现是通过循环调用read()"丢弃"已解码的帧来模拟快进，并非真正让FFmpeg跳转到目标时间点。

对于长音频，连续执行seek()会强制FFmpeg实时解码大量未缓冲的音频帧，叠加流媒体带宽限制、FFmpeg解码队列阻塞、Discord语音客户端的音频推送机制，导致操作堆积产生卡顿。间隔执行时，FFmpeg有足够时间完成解码并填充缓冲区，因此不会卡顿。

问题2：长YouTube视频的输入式seek（FFmpeg -ss参数）为何跳转耗时与目标位置无关？ #

YouTube对长视频采用HLS/DASH分段传输协议，视频被切割为固定时长的分片（通常10秒左右）。使用-ss跳转时，FFmpeg需要完成以下步骤：

1. 请求并解析YouTube的媒体清单，定位目标时间对应的分片；
2. 建立到对应分片CDN节点的连接；
3. 下载分片起始部分数据并解码到第一个关键帧。

这些步骤的耗时差异远小于分片加载的网络延迟，加上旧版本yt-dlp（2021.9.2）处理长视频时需重新拉取完整媒体清单，进一步抹平了不同跳转位置的耗时差异，因此看起来跳转耗时与目标位置无关。

问题3：yt-dlp与FFmpeg处理长音频流媒体的底层机制，是否存在长度阈值导致行为差异？ #

不存在明确的"长度阈值"，但行为差异源于流媒体协议切换和处理逻辑变化：

• YouTube会根据视频长度自动切换协议：短视频可能使用HTTP Progressive下载，长视频强制使用HLS/DASH分段传输。前者可通过-ss直接跳转字节位置，后者必须通过分片定位；
• yt-dlp处理长视频时，默认返回HLS/DASH播放列表链接而非直接媒体文件链接，FFmpeg处理播放列表需先解析清单，比处理单一文件多了清单解析步骤；
• FFmpeg对长流媒体的缓冲策略更保守：为避免内存溢出，会限制预缓冲大小，导致每次跳转都需重新建立缓冲，无法复用已有缓冲。

问题4：如何优化长音频场景下seek()和jump()的响应速度？ #

优化seek()：替换伪快进为FFmpeg原生跳转 #

放弃read()丢弃帧的方式，利用FFmpeg的-ss参数实现真正的时间跳转，示例修改：

@commands.command(aliases=["ff"])
async def seek(self, ctx):
    # 需提前在play()中缓存音频总时长duration
    if not hasattr(self, 'cur_duration'):
        await ctx.send("当前无播放音频")
        return
        
    ctx.voice_client.pause()
    # 获取当前播放位置（discord.py无直接API，需自行计算）
    current_pos = ctx.voice_client._player.position
    target_pos = current_pos + 10
    if target_pos > self.cur_duration:
        target_pos = self.cur_duration
        
    ctx.voice_client.stop()
    temp_ffmpeg = self.ffmpeg_opts.copy()
    temp_ffmpeg["before_options"] += f" -ss {target_pos}"
    new_audio = p.FFmpegPCMAudio(self.cur_link, **temp_ffmpeg)
    self.cur_stream = new_audio
    ctx.voice_client.play(new_audio)
    await ctx.send(f"快进10秒")

优化jump()：升级依赖+优化参数 #

1. 升级yt-dlp：新版本（>=2023.x）优化了YouTube长视频的分片定位逻辑，可直接获取目标时间对应的分片链接，跳过完整清单解析；
2. 优化FFmpeg参数：添加-avoid_negative_ts make_zero修复HLS分片时间戳问题，同时传递YouTube的Cookie和User-Agent避免CDN限制：

   temp_ffmpeg["before_options"] = f"-ss {time} -reconnect 1 -reconnect_streamed 1 -reconnect_delay_max 5 -avoid_negative_ts make_zero -headers 'Cookie: YOUR_COOKIE; User-Agent: YOUR_USER_AGENT'"
   

3. 缓存媒体信息：在play()方法中缓存yt-dlp返回的duration和formats，避免每次跳转重新调用extract_info。

其他优化建议 #

• 添加命令冷却机制，避免连续多次调用跳转命令；
• 为长音频实现预缓冲：提前下载目标分片的部分数据，减少跳转等待时间；
• 确保语音客户端暂停/恢复时，FFmpeg进程的缓冲状态同步更新。

内容的提问来源于stack exchange，提问作者Bobluge