ffmpeg实战-音视频基础概念

转发自白狼栈：查看原文

关于音视频，相信大家都看过电影（视频），听过音乐（音频），至少应该都知道mp4是视频文件，mp3是音频文件。

对于一个音视频文件，都有哪些属性呢？以视频为例，我们可以通过 ffmpeg -i 命令查看媒体文件的信息。

» ffmpeg -i r1ori.mp4                                                                                                                       
ffmpeg version 4.1 Copyright (c) 2000-2018 the FFmpeg developers
  built with Apple LLVM version 10.0.0 (clang-1000.10.44.4)
  configuration: --prefix=/usr/local/Cellar/ffmpeg/4.1 --enable-shared --enable-pthreads --enable-version3 --enable-hardcoded-tables --enable-avresample --cc=clang --host-cflags='-I/Library/Java/JavaVirtualMachines/jdk1.8.0_251.jdk/Contents/Home/include -I/Library/Java/JavaVirtualMachines/jdk1.8.0_251.jdk/Contents/Home/include/darwin' --host-ldflags= --enable-ffplay --enable-gpl --enable-libmp3lame --enable-libopus --enable-libsnappy --enable-libtheora --enable-libvorbis --enable-libvpx --enable-libx264 --enable-libx265 --enable-libxvid --enable-lzma --enable-chromaprint --enable-frei0r --enable-libass --enable-libbluray --enable-libbs2b --enable-libcaca --enable-libfdk-aac --enable-libfontconfig --enable-libfreetype --enable-libgme --enable-libgsm --enable-libmodplug --enable-libopencore-amrnb --enable-libopencore-amrwb --enable-libopenh264 --enable-librsvg --enable-librtmp --enable-librubberband --enable-libsoxr --enable-libspeex --enable-libssh --enable-libtesseract --enable-libtwolame --enable-libvidstab --enable-libwavpack --enable-libwebp --enable-libzmq --enable-opencl --enable-openssl --enable-videotoolbox --enable-libopenjpeg --disable-decoder=jpeg2000 --extra-cflags=-I/usr/local/Cellar/openjpeg/2.3.0/include/openjpeg-2.3 --enable-nonfree
  libavutil      56\. 22.100 / 56\. 22.100
  libavcodec     58\. 35.100 / 58\. 35.100
  libavformat    58\. 20.100 / 58\. 20.100
  libavdevice    58\.  5.100 / 58\.  5.100
  libavfilter     7\. 40.101 /  7\. 40.101
  libavresample   4\.  0\.  0 /  4\.  0\.  0
  libswscale      5\.  3.100 /  5\.  3.100
  libswresample   3\.  3.100 /  3\.  3.100
  libpostproc    55\.  3.100 / 55\.  3.100
Input #0, mov,mp4,m4a,3gp,3g2,mj2, from 'r1ori.mp4':
  Metadata:
    major_brand     : isom
    minor_version   : 512
    compatible_brands: isomiso2avc1mp41
    encoder         : Lavf58.20.100
  Duration: 00:00:58.53, start: 0.000000, bitrate: 1870 kb/s
    Stream #0:0(und): Video: h264 (High) (avc1 / 0x31637661), yuv420p, 544x960, 1732 kb/s, 29.83 fps, 29.83 tbr, 11456 tbn, 59.67 tbc (default)
    Metadata:
      handler_name    : VideoHandler
    Stream #0:1(und): Audio: aac (LC) (mp4a / 0x6134706D), 44100 Hz, stereo, fltp, 129 kb/s (default)
    Metadata:
      handler_name    : SoundHandler

除了视频的元信息，还包括了更多我们当初编译的配置，你可以选择 -hide_banner 参数来隐藏这些信息，完整的命令如下

»ffmpeg -i r1ori.mp4 -hide_banner   
Input #0, mov,mp4,m4a,3gp,3g2,mj2, from 'r1ori.mp4':
  Metadata:
    major_brand     : isom
    minor_version   : 512
    compatible_brands: isomiso2avc1mp41
    encoder         : Lavf58.20.100
  Duration: 00:00:58.53, start: 0.000000, bitrate: 1870 kb/s
    Stream #0:0(und): Video: h264 (High) (avc1 / 0x31637661), yuv420p, 544x960, 1732 kb/s, 29.83 fps, 29.83 tbr, 11456 tbn, 59.67 tbc (default)
    Metadata:
      handler_name    : VideoHandler
    Stream #0:1(und): Audio: aac (LC) (mp4a / 0x6134706D), 44100 Hz, stereo, fltp, 129 kb/s (default)
    Metadata:
      handler_name    : SoundHandler
At least one output file must be specified

我们主要看几个数据

1. Input #0, mov,mp4,m4a,3gp,3g2,mj2, from 'r1ori.mp4': # Input #0 表示我们通过ffmpeg -i 参数输入的第一个文件，下标从0开始，也就是说我们可以输入多个文件，实际上ffmpeg还支持输出多个文件
2. Metadata 表示视频元信息
3. Duration 这行包含了视频的播放时长是58.53秒，开始播放时间是0，整个文件的比特率是1870kbit/s
4. Stream #0:0(und): Video: h264，这行表示该文件的第一个流是视频流，编码格式是H264格式（封装格式为AVC1），每一帧的数据表示为yuv420p，分辨率为544x960，视频流的比特率是1732kbit/s，帧率为每秒钟29.83帧。
5. Stream #0:1(und): Audio: aac，这行表示该文件的第二个流是音频流，编码格式为ACC（封装格式为MP4A），并且采用的Profile是LC规格，采样率是44.1KHz，声道是立体声（stereo），码率是129kbit/s

开始出现了一些陌生的名词，我们依次介绍下。

容器

像上面这个视频文件一样，把不同的数据流（视频流、音频流，有的还有字幕流等）封装在一个文件中，我们称之为容器。像我们熟悉的mp4、avi、rmvb等等都是多媒体容器格式，一般情况下，多媒体文件的后缀就是它的容器格式。

我们可以把容器理解为一个瓶子、罐子之类的东西。

编码和解码（codec）

编码：将视频、音频用某种格式或规范记录下来并存储，称为编码（codec）。编码可以理解成是对容器内的东西的加工处理。

常见的视频编码格式有 h264、h265等，常见的音频编码格式有 mp3、aac等。

解码：就是将视频、音频压缩的编码数据，解码成为非压缩的视频、音频原始数据。比如我们要对一段音频增加回声，就需要先对音频文件先解码再编码。

软解：即软件解码，通过软件让CPU对视频文件进行解码操作。

硬解：即硬件解码，为了减轻CPU的压力，采用GPU来处理原来全部让CPU处理的部分视频数据。

软解需要对大量的视频信息进行处理，所以软解非常吃CPU，一条FFmpeg的命令都有可能把CPU干趴下了。

相比而言，硬解的效率非常高，但是硬解的缺点也显而易见，它不能像软解那样，对字幕、画质等的处理效果都不是很好。如果我没记错的话，七牛云平台（一个相对专业的音视频平台）现在还不支持硬解。

ffmpeg是最常见的软解码开源库，它实际是通过比如 H264、H265、MPEG-4等编解码算法进行软解。

在现如今的音视频领域，ffmpeg 几乎支持所有音视频的编解码，非常强大。

转码：即编码转换，是将视频从一种格式转换为另一种格式。比如将一个flv文件转换为mp4文件。

ffmpeg -i input.flv output.mp4

比特率

比特率又称码率，表示编码器每秒输出的字节数，单位是 Kbps，b 为 比特（bit） 这个就是电脑文件大小的计量单位，1KB=8Kb，区分大小写，s 为 秒（second） p 为 每（per） 。

比如

在相同的压缩算法下（后面我们会介绍若干不同的压缩算法），码率越高，视频的质量也就越高。

对于压缩文件，按照上面的理解，码率的粗略计算方式=文件大小/时长。

比如 r1ori.mp4 的大小是 13.7兆，时长约59秒，那么它的码率大约等于 (13.7 x 1024 x 8) / 59 = 1900 kb/s

公式：1MB=8Mb=1024KB=8192Kb

因为还有一些参数的影响，所以这个码率我们也只能得到一个大约的数值。

固定码率和可变码率

早些年的时候，音频编码的时候选择的都是固定码率（Constant Bitrate, CBR），后面出现了可变码率(Variable Bitrate, VBR)，固定码率指的是编码器输出的码率固定，这样就很难均衡“平静的画面”和“剧烈的画面”，相对而言，可变码率就可以很好的控制编码器，在细节比较多，画面相对剧烈的时候使用更多的比特位，对于相对平静的画面，使用更低的比特位。如此一来，在输出质量一定的情况下，VBR更具优势，存储的话我们也会优先选择可变码率。

帧和帧率

帧指的是一个画面。

帧率（frames per second, fps），即每秒输出多少帧，你也可以理解画面每秒输出多少次。

大家在玩游戏的时候一定深有体验，游戏卡顿的时候，画面都是帧与帧之间跳动的，非常的不顺畅。

帧率影响画面的流畅度，帧率越高，画面也就越流畅。

由于视觉暂留现象（即当物体在快速运动时, 人眼所看到的影像消失后，人眼仍能继续保留其影像1/24秒左右的图像）的存在，所以对于一般的电影视频，要求最低帧率是24，也就是每帧曝光1/24 = 0.042秒。

分辨率

分辨率大家应该都不陌生，比如某视频网站常见的蓝光1080P，超清720P，高清540P。

分辨率可以理解为视频画面的大小，即视频的宽度和高度。720P指的就是高度是720像素。

了解过码率和帧率我们发现，不能绝对的说分辨率越高视频越清晰，更重要的是如何平衡好码率、帧率以及分辨率三者的关系。

总的来说，我们更愿意接受视频体积越小，清晰度越高的视频，一来是存储方便，二来是看起来爽。

有损和无损

首先我们说一下什么是音视频的原始数据？原始数据指的是通过音视频设备采集的、没有经过任何加工的数据。音频的原始数据是pcm格式，视频的原始数据是yuv格式。

有损和无损，即有没有损失，这里针对的是多媒体数据压缩的一种说法。有损压缩又称之为破坏性压缩，当然并不是说压缩之后无法解压的那种破坏。比如我们常见的mp3、mp4文件都是有损压缩。

以音频编码为例，音频里面的声音来源于自然界，我们通过技术方案捕获到声音，然后根据一定的算法进行存储。

在现阶段，我们存储下来的声音不能完全还原为自然界的声音，任何音频编码都是有损的。

有同学可能要提出疑问了，我看有文章介绍，音频的原始数据不是pcm格式的吗？

其实pcm编码也只是无限接近于无损，它能够达到信号的最高保真，因此，pcm编码才被约定为无损压缩。

好好的音频，我想听最真实的从自然界采集的声音，为什么要压缩呢？

原始数据太大，不方便存储

即使存储下来了，也不方便传输，需要极大的带宽

现在视频的压缩比很高，比如现如今大家耳熟能详的4k 8k，看起来完全能满足需要

复用器和解复用器

对于容器而言，注意这里针对的是容器，我们经常会有两种频繁的操作。

取出容器内的音视频数据，我们称之为解封装，由demuxer解封装器（又称之为解复用器）完成。

把处理好的音视频数据装进容器内称之为封装，由muxer封装器（又称之为复用器）完成。

我们会在这边文章下面持续更新音视频相关的概念，如果你觉得有什么概念不好理解，可以给我留言，我会再收集并作补充。