移动设备上用 Wwise 如何实现声音数据的热更新？

http://gad.qq.com/question/detail/23952

Wwise 在 iOS 和 Android 下有一个专门的 API: AddBasePath()，Unity 集成中为 AkSoundEngine.AddBasePath()。可以在 SetBasePath() API 指定的基本 SoundBank 文件夹基础上指定任意数目的附加 SoundBank 文件夹路径。

 

这样应该可以解决热更新问题。

 

但要注意，必须要先用 SetBasePath() API 指定一个基本的 SoundBank 文件夹，之后才能使用  AddBasePath()。

 

参考文档：

 

Making DLCs with Wwise and Unity

https://www.audiokinetic.com/library/edge/?source=Unity&id=pg__unity__dlc.html

Build for Android

https://www.audiokinetic.com/library/edge/?source=Unity&id=pg__builddeployandroid.html

 

 

 

Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

模型预测控制（MPC）十年演进（2015–2025）

摘要： 2015-2025年，模型预测控制（MPC）从传统线性优化（手工建模、秒级求解）演进至端到端VLA大模型时代（可微MPC、量子加速、社交博弈）。中国实现从跟随到领跑（小鹏XNGP、华为ADS等），实时性从秒级突破至20μs，预测时域扩展至100+步，鲁棒性升级为全场景自愈。MPC推动智驾/机器人从刚性轨迹优化迈向意图级社交预测控制，完成技术范式跃迁。

avatar DAMO开发者矩阵

Go比Python更适合做Agent应用开发的场景

Python的GIL限制多线程性能，尽管可通过异步（asyncio）或进程池缓解，但Go的轻量级协程在Agent需要高频交互或并行任务时更具优势。Go编译为单一二进制文件，依赖少，部署简单，适合资源受限的嵌入式或边缘计算场景。Python的动态类型虽开发快捷，但重构或扩展时易出现运行时错误，尤其在团队协作中。Go的垃圾回收机制优化较好，延迟可控，适合对响应时间敏感的Agent（如实时交易、机器人控

avatar DAMO开发者矩阵

智能驾驶决策控制十年演进（2015–2025）

摘要： 2015至2025年，智能驾驶决策控制技术经历了从规则状态机到端到端VLA大模型的跨越式发展。2015年以手工调参的PID/MPC为主，决策时延达秒级；2019年后引入博弈优化和强化学习，实现社交交互；2023年进入VLA大模型时代，时延降至50ms以下，控制精度达厘米级。中国厂商（如小鹏、华为、比亚迪）从跟随到全球领跑，推动技术从“被动执行”向“主动社交”跃迁，预计2030年全域社交级控

avatar DAMO开发者矩阵