音视频基础知识

Posted 2023-02-18 Chin_style

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了音视频基础知识相关的知识，希望对你有一定的参考价值。

音视频术语是了解音视频开发的基础内容，如一些专有名词，常见的口语化名词等，它们表述了音视频中客观存在的属性或特征。

1.1 视频编码

所谓视频编码就是指通过特定的压缩技术，将某个视频格式文件转换成另一种视频格式文件的方式。视频流传输中最重要的编解码标准有国际电联的H.26系列1/H.263/H.264及M-JPEG，MPEG系列标准。

1.2音频编码

压缩算法包括有损压缩和无损压缩。无损压缩是指解压后的数据可以完全复原。在常用的压缩格式中，用得较多的是有损压缩，有损压缩是指解压后的数据不能完全复原，会丢失一部分信息，压缩比越小，丢失的信息就越多，信号还原后的失真就会越大。根据不同的应用场景（包括存储设备、传输网络环境、播放设备等），可以选用不同的压缩编码算法，如PCM、WAV、AAC、MP3、AC3、 Ogg等。

压缩编码的原理实际上是压缩掉冗余信号，冗余信号是指不能被人耳感知到的信号，包含人耳听觉范围之外的音频信号以及被掩蔽掉的音频信号等。

MP3：一种音频压缩技术。它被设计用来大幅度降低音频数据量，抛弃人耳基本听不到的高频声音，只保留能听到的低频部分，从而将声音用1：10的压缩率压缩。

AAC：一种专为声音数据设计的文件压缩格式，与MP3不同，它采用了全新的算法进行编码，更加高效，更高性价比。利用AAC格式，在感觉声音质量没有明显降低的前提下，可使文件更小巧。AAC属于有损压缩格式，与时下流行的APE，FLAC等无损压缩格式相比音质存在本质上的差距。

AC3：Dolby实验室所发展的有损音频编码格式。AC3被广泛应用于5.1声道，其提供的环绕声系统由5个全频域声道和1个超低音声道组成，使一些场景（如爆炸，撞击等）的声音效果更好。

WAV：是微软公司开发的一种声音文件格式，“*.WAV”格式支持MSADPCM、CCITT A LAW 等多种压缩算法，支持多种音频位数、采样频率和声道，标准格式的 WAV 文件和 CD格式一样，也是 44.1K 的采样频率，速率 88K/秒，16 位量化位数，WAV 格式的声音文件质量和 CD 相差无几（音质出众），也是目前 PC 机上广为流行的声音文件格式。

Ogg：Ogg有着非常出色的算法，可以用更小的码率达到更好的音质，而且是完全免费的。可以用比MP3更小的码率实现比MP3更好的音质，高中低码率下均有良好的表现，但兼容性不够好，流媒体特性不支持。

WMA：由微软公司开发的一种数字音频压缩格式。音质要强于 MP3 格式，WMA 的压缩率一般都可以达到 1：18 左右。这是一种难以复制拷贝的音乐压缩技术，受到了音乐公司的欢迎。外 WMA 还支持音频流(Stream)技术，适合在网络上在线播放。WMA 作为微软力推的一种音频格式，几乎所有的音频格式都感受到了 WMA 格式的压力。

FLAC：自由无损音频压缩编码，其特点是可以对音频文件无损压缩并且是免费的。不同于其他有损压缩编码，压缩后不会有任何音质损失，现在已被很多软件及硬件音频产品所支持。

Opus：是一个有损声音编码的格式，取代Speex和Vorbis，且适用于网络上低延迟的即时声音传输。Opus格式是一个开放格式，使用上没有任何专利或限制。Opus具有非常低的算法延迟，非常适合用于低延迟语音通话的编码，像是网络上的即时声音流、即时同步声音旁白等等。

PCM介绍

对声音进行采样、量化过程被称为脉冲编码调制（Pulse Code Modulation），简称PCM。PCM数据是最原始的音频数据完全无损，所以PCM数据虽然音质优秀但体积庞大，为了解决这个问题先后诞生了一系列的音频格式，这些音频格式运用不同的方法对音频数据进行压缩，其中有无损压缩（ALAC、APE、FLAC）和有损压缩（MP3、AAC、OGG、WMA）两种。如WAV就是在PCM数据格式的前面加上44字节，分别用来描述PCM的采样率、声道数、数据格式等信息。

音频编码格式的比较：维基百科

PCM与WAV

pcm是一种数据编码格式，CD唱盘上刻录的就直接用pcm格式编码的数据文件；

wav是一种声音文件格式，wav里面包含的声音数据可以是采用pcm格式编码的声音数据，也可以是采用其它格式编码的声音数据。

pcm是一个通信上的概念，脉冲编码调制。

wav是媒体概念，体现的是封装。

wav文件可以封装pcm编码信息，也可以封装其他编码格式，例如mp3等。

WAV: 一种音频容器（注意：只是音频），大家常说的 WAV 就是没有压缩的 PCM 编码，其实 WAV 里面还可以包括 MP3 等其他 ACM 压缩编码。

1.3 常见的多媒体框架及解决方案

VLC：即Video LAN Client，是一款自由，开源的跨平台多媒体播放器及框架。

FFmpeg：多媒体解决方案，不是多媒体框架，广泛应用于音视频开发中。

GStreamer：一套构建流媒体应用的开源多媒体框架。

1.4 相关知识点

帧率：(FPS, 帧/秒), 就是视频画面刷新的速度，图形处理器每秒能够更新的次数，作为参考, 国内电视机一般是 25FPS, 电影标准为 24FPS. 手机芯片，以支持 30FPS为主。

分辨率：物理分辨率, 即手机屏幕能显示的像素数；视频文件的分辨率，这个是指视频画面的实际分辨率, 及视频成像产品所形成的图像大小或尺寸，如320x240, 480x272, 640x480 等等。

码率：也就是比特率，单位时间播放连续的媒体（如压缩后音频视频）的比特数量。比特率越高，带宽消耗得越多。一般用多少 kbps(千比特/秒)或者 mbps(兆比特/秒)来表示。

文件大小 = 码率(b/s) x 时长(s)

采样频率：即取样频率，指每秒钟取得声音样本的次数(8000/44100Hz)。采样频率越高，声音的质量也就越好，声音的还原也就越真实，但同时它占的资源比较多。由于人耳的分辨率很有限，太高的频率并不能分辨出来。在16位声卡中有22KHz、44KHz等几级，其中，22KHz相当于普通FM广播的音质，44KHz已相当于CD音质了，目前的常用采样频率都不超过48KHz。

声道数：

即声音的通道的数目。常见得声道有单声道，立体声道，4声道，5.1声道，7.1声道。

单声道：设置一个扬声器；
立体声道：把单声道一个扬声器扩展为左右对称的2个扬声器；
4声道：规定了4个发音点，前左，前右，后左，后右；
5.1声道：来源于4.1声道，将环绕声道一分为二，分为左环绕和右环绕，中央位置增加重低音效果；
7.1声道：在5.1声道的基础上又增加了中左和中右两个发音点。

5.1声道是一种的六声道环绕声系统，广泛用于电影院及家庭影院。它包含2个前置喇叭、2个后置喇叭、1个中央声道及1个重低音喇叭。

“5”是指五个3-20,000Hz的全局喇叭，“.1”是指3-120Hz的重低音喇叭。

Dolby Digital，SDDS，DTS及Pro Logic II都是常见的5.1声道音效系统。

编码格式：

编码的目的是压缩数据量，采用的编码算法压缩冗余数据。

通过 ffprobe -show_frames 命令可以查看视频文件中的帧信息，如：

ffprobe -show_streams new.wav  

[STREAM]
index=0
codec_name=dts （编码名）
codec_long_name=DCA (DTS Coherent Acoustics) （编码全名）
profile=DTS-ES （编码的profile）
codec_type=audio （编码类型）
codec_tag_string=[1][0][0][0]
codec_tag=0x0001
sample_fmt=fltp
sample_rate=44100
channels=7
channel_layout=6.1

里面输出的 codec_name=dts 就是该音频的编码格式。

封装格式：

将编码后的音视频数据以一定格式封装到一个容器。

通过 ffprobe -show_format 命令可以查看多媒体的封装格式，如

ffprobe -show_format new.wav 

[FORMAT]
filename=new.wav
nb_streams=1 （多媒体中包含的流的个数）
nb_programs=0 （节目数）
format_name=wav （使用的封装模块的名称）
format_long_name=WAV / WAVE (Waveform Audio) （封装的完整的名称）
start_time=N/A
duration=274.181224
size=48365612
bit_rate=1411201
probe_score=99

这里面输出的 format_name=wav 就是该音频文件的封装格式。

（ffprobe命令行使用，后续的ffmpeg文章会有详细介绍）

封装格式和编码格式的区别：

要区分开封装格式和编码格式的区别，封装格式就是媒体文件的格式：文件是既包括视频又包括音频、甚至还带有脚本的一个集合，封装格式也可以叫容器；

文件当中的视频和音频的压缩算法才是具体的编码格式。

1.5 协议

两大标准制定组织
这里的标准，主要指的是音视频压缩标准。两大组织分别是国际标准化组织（iso）和国际电信联盟（itu）。
在音视频压缩标准方面，mpeg 系列的协议是 iso 制定的标准，而 h 系列的协议则是 itu 制定的标准。

视频协议

目前主要的视频压缩协议有：h.261、h.263、h.264 和 mpeg-1、mpeg-2 和 mpeg-4。第一个视频压缩标准是 h.261，它的算法现在来看，非常简单，但是，它的很多视频压缩的思想，一直影响到现在最新的压缩标准 h.264。

h.264 是两大组织最新的算法成果，它在算法层面应该说是非常先进了，有人评价，h.264 是视频压缩技术的一个里程碑，在可预见的 5 到 10 年内，出现新的视频压缩协议可能性很小，除非压缩理论有重大突破。

音频协议

音频协议也分两大类，itu 组织的主要是用于视频会议的 g 系列协议，包括 g.711、g.722、g.723、g.726、g.728、g.729 等。这些协议主要有两大特点，第一是比较关注语音压缩，毕竟开会主要是要听人讲话；对音乐的压缩效果可能就不是太好了；第二是压缩率都比较大，码率都比较低，典型的 g.723 支持 5.9k/s 这样的码率，而且语音音质还很不错。iso 的音频可能更为人熟知一些，最流行的就是 mp3，它的全称是 mpeg-1 audio layer 3，意思是 mpeg-1的音频第三层；另外，最新的音频算法被称为 aac，它定义在 mpeg-2 或 mpeg-4 的音频部分。他们的特点是音质好，支持多声道，高采样精度和采样频率，尤其对音乐的压缩效果比 g 系列要好太多。当然，这也是因为它们的应用领域侧重点不同造成的。

1.6 软硬解

硬件解码：视频解码分为软解和硬解。
所谓“软解”就是通过软件让 CPU 进行视频解码处理；而“硬解”是指不依赖于 CPU，通过专用的设备（子卡）单独完成视频解码，比如曾经的 VCD/DVD 解压卡、视频压缩卡都被冠以“硬解”的称号。现在实现高清硬解不需要额外的子卡，也不需要额外的投入，因为硬解码模块被整合在了GPU 内部，而目前主流的显卡（包括整合显卡）都能支持硬解码。

“硬解”其实更需要软件的支持，只是基本不需要 CPU 参与运算，从而为系统节约了很多资源开销。通过降低 CPU占用率，可以给用户带来很多实惠。

GPU 硬解码高清视频的优势：

1. 不需要太好的 CPU，单核足矣，CPU 方面节约不少资金；
2. 硬解码基本相当于免费附送，不到 500 元的整合主板都能完美支持；
3. 硬解码让 CPU 占用率超低，系统有能力在看 HDTV 的同时进行多任务操作；
4. CPU 需要倾尽全力才能解码 HDTV，而 GPU 只需动用 0.1 亿晶体管的解码模块就能完成任务，功耗控制更好；

GPU 硬解码高清视频的劣势：

1. 起步较晚，软件支持度无法与软解相提并论；
2. 面对杂乱无章的视频编码、封装格式，硬解码无法做到全面兼容；
3. 软解拥有大量画面输出补偿及画质增强技术，而硬解这方面做得还远远不够；
4. 硬解码软件设置较为复杂，很多朋友根本不知道该如何正确使用 GPU 硬件解码。
虽然硬解码拥有种种缺点，但依然倍受广大用户追捧，因为低成本和节能环保这两大致命诱惑让人难以抗拒。随着时间的推移，现在硬解码的缺点基本被改进。