音视频工程师（初步）（一）音视频的基本概念

1. 前言

本文是音视频工程师系列的第一篇文章。

学习音视频的过程中发现，网络上高质量的音视频技术博客不是很多。具有代表性的是

雷神的雷霄骅的CSDN博客

因为笔者是一名普通的软件开发人员，一向不喜欢高高在上或者晦涩难懂的理论，我们向来喜欢通俗易懂的东西。我认为知识的本身也应该是通俗易懂的东西。知识用晦涩难懂的东西描述出来，是对人类进步的阻碍，是知识垄断。

音视频的很多标准都是国外制定的，而且很多音视频开发基础库也是国外的，国内外技术差距是存在的。

笔者希望此系列教程能够以工程实现为出发点和落脚点，简化理论知识，化繁为简地解析音视频技术，为音视频技术的发展，为各位读者成长为音视频工程师贡献一点微不足道的力量。

2. 音视频数据内容信息分类

音视频数据内容从本质上讲，分为两种：

音视频数据：存储音视频本身想要传达的信息，即声音和图像。
音视频参数：存储音视频的控制参数。例如采样率，帧率等信息，是处理音视频数据时必不可少的信息。

3. 格式

封装格式（容器）

音视频内容包含了音视频数据和音视频参数两种信息，这两种信息打包放在一个文件中采用的格式，就叫做封装格式，也叫容器。个人觉得叫封装格式更容易理解。

目前，人们已经发明了很多种视频文件格式。当然发明这些格式并不是一拍大腿想起来的，而是在特定的使用场景下，对应的视频格式，可以更高效地存储和处理音视频数据。

由于封装格式在开发中基本上都是由库来处理，不需要我们自己封装和解析，所以可以先不做细致了解。在初学阶段的首要任务是把握音视频的整体工作框架，某些技术细节可以先放一放，后面再研究。这也是笔者建议的学习方法：学习精力分配要遵循二八定律，大部分领域中，只有大约20%的知识最重要，在这20%上面我们要花80%的时间，剩下80%不是那么重要的，只需要花20%的时间即可。

编码格式（压缩）

不经过压缩的音视频数据是很大的。例如：

1920x1080的RGB24图像，1秒25帧，不压缩，1小时的视频总大小约为 1920 * 1080 * 3 * 25 * 60 * 60 = 521G。
这种情况下，500G的电脑硬盘，最多只能存1个小时的电影；刷小视频会变得很卡；百度网盘128KB/s的速度下载一部电影需要一两个月…

所以，音视频 必须被压缩后存储或者传输。

采用某种编码格式（即压缩格式）对音视频数据进行压缩，压缩后的音视频数据和音视频参数一起按照某种封装格式，被打包放入到音视频文件中，这样就生成了视频文件。

4. 音视频数据基本单位

4.1 采样/抽样

首先要明白采样/抽样的概念。
视频采样是指：以某一速度对物体连续拍照，不断记录物体在某一瞬间的画面。
音频采样是指：以某一速度连续记录声音在某一瞬间的震动幅度。
采样是对原事物的一种反映手段。对于采样后的音视频数据，计算机可以进行播放和加工处理。

4.2 视频帧

每一个时刻拍的那张照片，就叫视频帧，它是视频的基本数据单位。

4.3 PCM音频采样点

每一个时刻获取到的声音振幅，就叫PCM采样点，它是音频的基本数据单位。

了解这些基本够用了，不需要深入地去研究过多的细节。最主要的是要了解，通过采样可以将现实世界的事物反映到计算机中，变成可处理的数据。

5. 音视频参数

既然音视频数据是经过采样得到的，那么我们想要播放音视频数据，就必须用到采样过程中使用到的一些参数，这样音视频数据才能正确的反应原事物的状态。

5.1 音频参数

5.1.1 基本参数

音频有三个基本参数：

采样位数：表示每个采样使用多少个比特位来保存，一般为4、8、16、32位（bit）。采样位数为8 bit时，每个采样点可以表示256个不同的采样值，而采样位数为16 bit时，每个采样点可以表示65536个不同的采样值。采样位数的大小影响声音的质量，采样位数越多，量化后的波形越接近原始声音，声音的质量越高，但是需要的存储空间也越多；位数越少，声音的质量越低，需要的存储空间越少。通常，CD音质的采样位数是16 bit，移动通信是8 bit。
采样频率（Sampling Rate）：表示一秒钟采样多少次，常用的采样频率有44100=44.1k，以及44800=44.8k。采样频率必须至少是人可以听到的频率的2倍，这是由奈奎斯特采样定理得到的，采样频率再低的话，原声音中的频率就会丢失。奈奎斯特采样定理是信号与系统这门课中的，不懂的话没关系，不需要做过多了解。
声道数：声道数是指有多少个录音麦克风放在音源的周围录音。声道间是独立、同时进行采样的。大部分音乐是双声道的，播放时用耳机听，会有一定的立体感。

上面三个是最基本的三个参数，只要知道了这三个参数，就可以将声音记录下来，而且可以播放出来。

这三个参数怎么记忆呢？按照从小到大、从少到多的逻辑记忆即可：

先从单个采样点开始，存储一个点所用位数叫采样位数；
一秒钟采样得到的采样点的个数叫采样频率；
同时进行的采样任务的个数叫声道数。

5.1.2 网络参数

为什么要说网络参数呢，由于互联网的发展，音视频成为一种服务，逐渐出现在互联网上。在线看电影，刷短视频，上网课等等都已经成为了一种新的生活方式。把音视频搬到网络上，必然会有一些和网络相关的技术参数，来实现对音视频服务的控制。有如下几种：

码率：单位是比特每秒，英文是bps（bit per second）。此参数表示播放某音频需要占用多少网络带宽。因为码率是网络环境下的参数，所以要结合网络来理解。网络带宽就是网络速度，单位是bps。咱们家里办的宽带，一般都是百兆千兆的带宽，听着似乎很快，但是由于它的单位是bps，实际上转换成字节（Byte），要除以8，百兆不过12.5MB/s，千兆不过125MB/s每秒。因为文件是以字节为单位衡量的，所以这个速度实际上并不是像听起来那么快。所以，码率是衡量音频在网络上传输时，对网络带宽占用量的一个参数。当网络带宽比较小时，可以选择降低音视频码率，这可以通过降低音频质量来实现；当网络带宽比较大时，可以选择提高音频码率，传输更高质量的音视频。

5.2 视频参数

5.2.1 基本参数

视频有三个基本参数：

像素格式：像素用来保存某一点的颜色，这个颜色可以采用不同的格式存储。常见的有RGB、YUV、HSV等。学习这些格式需要一定的数学运算，我们后面将单独写一篇文章讲解，并计划写一个工具来实现他们之间的转换。
画面分辨率：分辨率是指一帧画面的长宽各有多少像素，一般的写法是宽 * 高，如1920 * 1080。分辨率越高，画面越细腻。
帧率：帧率是指1秒钟播放的帧的个数，帧率越高，画面越流畅，帧率越低，画面越卡顿。

对视频基本参数，也可以采用从小到大的逻辑记忆：