升级Mac Catalina后OBS录屏软件麦克风和内置声音输出没有声音的问题[通俗易懂]

升级Mac Catalina后OBS录屏软件麦克风和内置声音输出没有声音的问题[通俗易懂]升级MacCatalina后,OBS录屏软件录制的视频,电脑内置声音输出,以及麦克风输入声音都没有。使用网上搜到的soundflower工具也不行。后来找到如下命令临时解决。在终端输入如下命令:open/Applications/OBS.app/Contents/MacOS/OBS–args-picture每次使用OBS,都需要用上述方法。直接打开OBS的不行,需要等OBS…

大家好,又见面了,我是你们的朋友全栈君。

升级Mac Catalina后,OBS录屏软件录制的视频,电脑内置声音输出,以及麦克风输入声音都没有。使用网上搜到的soundflower工具也不行。后来找到如下命令临时解决。

在终端输入如下命令:

open /Applications/OBS.app/Contents/MacOS/OBS --args -picture

每次使用OBS,都需要用上述方法。直接打开OBS的不行,需要等OBS后续的升级最终解决,目前是一个可行的临时方案。

 

参考:https://obsproject.com/forum/threads/macos-10-15-catalina-support-status.111343/

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/146223.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • GBDT算法详解_gbdt算法

    GBDT算法详解_gbdt算法基本思想GBDT的基本结构是决策树组成的森林,学习方式是梯度提升。具体的讲,GBDT作为集成模型,预测的方式是把所有子树的结果加起来。GBDT通过逐一生成决策子树的方式生成整个森林,生成新子树的过程是利用样本标签值与当前树林预测值之间的残差,构建新的子树。例如,当前已经生成了3课子树了,则当前的预测值为D(x)=d1(x)+d2()x+d3(x),此时我们得到的当前的预测值为D(x)效果并不好,与真正的拟合函数f(x)还有一定的差距。GBDT希望的是构建第四棵子树,使当前树林的预测结果D(x)与第四棵

    2022年10月12日
    2
  • 树莓派4B CPU 挖矿 比特币(树莓派4b cpu)

    在使用空闲的服务器(VPS)来进行挖矿(门罗币XMR)中,我们用服务器来挖矿,如果你没有服务器,那么用手头的树莓派也可以来挖矿。我用树莓派搭了一个DNS服务器,CPU利用率很小,因此我决定在树莓派上再搭建一个挖矿软件进行挖矿。原因有两个,一是树莓派功耗低,可以长期开机,二是用来学习,虽然以树莓派的算力,肯定挖不了什么,但也算用来学习数字货币了。以下是用树莓派来挖莱特币LTC的教程。首先注册莱特币L…

    2022年4月12日
    106
  • java nextline next_java中的nextLine函数

    java nextline next_java中的nextLine函数今天在学习java异常处理的时候,下面这段程序中的nextLine()的用法怎么也看不明白。初学者看到这段代码会误以为程序中的input.nextLine()这句是多余的。其实,不使用这句的话,如果输入不是整数,程序会陷入死循环。当你不加input.nextLine()时,你输入小数,try块中给input.nextInt()就无法执行,因为小数无法被读取,我猜是小数一直留在键盘缓冲区。这时con…

    2022年5月6日
    60
  • Dijkstra算法时间复杂度分析[通俗易懂]

    Dijkstra算法时间复杂度分析[通俗易懂]文章目录Dijkstra算法的思路与关键点Dijkstra算法的时间复杂度之前一直默认Dijkstra算法时间复杂度为o(n2)o(n^{2})o(n2),没有思考过具体的时间复杂度,今天把这个弄清楚。Dijkstra算法的思路与关键点思路:广度优先+松弛所有点分为两个集合SSS和TTT,SSS最开始只包括源点sss,剩余点都位于TTT。SSS集合表示已经计算出最短路径的点集合,TTT表示尚未计算出最短路径的点集合。每次从集合TTT中选出一个与集合SSS距离最短的点vvv,将点vvv加

    2022年5月15日
    39
  • K均值聚类的理解和实现

    K均值聚类的理解和实现目录 1 距离的测度 1 1 欧式距离 1 2 马氏距离 1 2 1 利用马氏距离对数据进行归一化 1 2 2 利用马氏距离进行分类 2 K 均值的基本理论 2 1K 均值的原理和实现 2 2K 均值的缺点 2 3K 均值改进 3 算法实现 3 1 获取样本 3 2 协方差逆阵方根的计算方法 3 3 聚类实验 3 3 1 一般的 K 均值聚类 3 3 2 基于马氏距离

    2025年7月23日
    4
  • 中小型酒店管理系统[通俗易懂]

    中小型酒店管理系统[通俗易懂][摘要]计算机网络如果结合使用信息管理系统,能够提高管理员管理的效率,改善服务质量。优秀的中小型酒店管理系统能够更有效管理用户预订酒店业务规范,帮助管理者更加有效管理用户预订酒店,可以帮助提高克服人工管理带来的错误等不利因素。所以一个优秀的中小型酒店管理系统能够带来很大的作用。本中小型酒店管理系统使用了计算机语言Java和存放数据的仓库MySQl,采用了MVC设计模式来实现。本系统使用了框架SpringBoot实现了中小型酒店管理系统应有的功能,系统主要角色包括管理员、第三方管理员和酒店管理员。[关键词]

    2022年9月25日
    3

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号