音视频技术基础知识

一、音视频基本原理

1、音视频的主要处理过程：

[1]. 采集。比如从客户端的摄像头、麦克风和本地原始文件等，获得基础的音视频数据；

[2]. 预处理。在这个阶段其实就是对音视频进行修剪操作，毕竟收集到的原始数据，不一定是想要在最后呈现的效果，因此在这里可能会进行美颜、裁剪、AI识别处理、声音A3处理等；

[3]. 编码。在经过预处理或者没处理过的原始文件，一般都会比较大，不适合进行传输，这个时候就需要进行压缩、转码之类的操作，减 少文件提交，然后再进行传输，执行编码的工具叫编码器，压缩数据的算法叫做编码格式；

[4]. 解码。压缩数据传输完之后，就需要解码成原始文件一样的数据才能使用，用来解码的工具就是解码器了，不过通常编码器和解码器 是一块的，统称为编解码器codec；

[5]. 渲染与展示。接收到原始数据文件之后，就可以通过硬件或者软件进行渲染与展示了，硬件例如显示器、音响等，软件有 SurfaceView；

[6]. 文件封装/解封装。其实从采集开始，音频和视频都是分开进行处理的，但是在进行传输的时候，我们需要同一套音频文件是在一块 的，所以需要进行一次文件封装。存放音视频的容器叫封装容器，文件类型叫封装格式；

[7]. 网络协议打包/解包。音视频文件在网络中传输的时候，一般都会有一个特定的协议，也就是流媒体协议。网络协议会将音视频数据文 件打包成协议包，通过网络协议端口发送出去，接收方接收到网络包之后，要通过网络协议解开协议包，才能获得音视频数据文件；

[8].抖动缓冲区（JitterBuffer）。网络抖动就是实际发（收）的数据没有发（收），判断是否抖动就是看丢包率是否增加、 往返时延 （RTT）是否增加、发送速率是否降低。 JitterBuffer就是为了减少网络抖动给音视频传输带来的影响而产生的，JitterBuffer是传输过程中的一个缓冲区，连接着解码器和网络协议栈。JitterBuffer会有意地延迟音视频传输时间，将数据先缓存在缓冲区中，并且也会将之前缓存的数据发送到接收端，可以理解成我们在网上 看电视的时候的视频缓存，这样的话，即使出现了偶尔的网络抖动，也不会影响到用户的体验。

2、音视频主要参数及格式

视频参数：

1. 分辨率：视频面积大小（像素px）

2. 帧率：每秒的帧数量fps

3. 码率：每秒的数据量bps（b = bit）

音频参数：

1. 采样率：每秒采集的音频点数量Hz

2. 声道数：同时采集声音的通道数量，常见有单声道和立体声道

3. 位宽：也叫采样位宽，指保存单个声音样本点的比特位数，通常是16bit

4. 比特率：也称位率, 指每秒传送的比特 (bit) 数, 单位为 bps

5. 计算公式为: 比特率 = 采样频率 * 采样位数 * 声道数

原始数据格式：

视频：YUV、RGB

音频：PCM

编码格式：

视频：H.264（也叫AVG）、H.265

音频：AAC、HE-AAC、Opus

封装格式：

MP4，MOV，FLV，RM，RMVB，AVI

更多编码与格式相关的可看这篇：音视频编码格式与封装格式_橘啊橘啊的博客-CSDN博客

3、流媒体协议

通常音视频数据体积比较大，所以在网络传输过程中都是连续不断的多媒体流量，在网络中传输音视频数据的技术叫流媒体技术，传输使 用的协议就是流媒体协议。

通常使用的流媒体协议有以下几种：

[1]. RTMP：基于TCP七层协议，性价比高，是目前直播推流的标准使用协议；

[2]. HTTP-FLV：基于TCP，使用HTTP传输FLV流，分发性能强，适用于CDN分发；

[3]. HLS：基于TCP，被HTML5写入标准支持，延时大，但是兼容H5；

[4]. RTP：基于UDP四层协议，定义简单且性能好，但是需要额外的信令协议。

除了以上四种之外，有些厂商还会有自己的协议已达到特定的传输目的。

四种流媒体协议对比：

二、音视频视频质量标准

        直播功能的测试，不仅要保障基本的业务功能需求，关注音视频质量也是必不可少的。通过对流畅度、清晰度、音质、稳定性和流量消耗等进行专项测试，不断优化各项质量指标，从而提高音视频通话质量。

1.视频质量标准评估（此处只列出常规的几个）：

1、首屏耗时

第一次点击播放后，肉眼看到画面所等待的时间。技术上指播放器解码第一帧渲染显示画面所花的耗时。

通常说的 “秒开”，指点击播放后，一秒内即可看到播放画面。首屏打开越快，说明用户体验越好。

2、清晰度

清晰度受视频分辨率和码率影响较大，发送码率越大且分辨率越高，则视频清晰度越好。

需要注意的是：分辨率码率太高，会导致运营成本太高，用户端加载的速度也比较慢。分辨率码率偏低，则容易出现不清晰的问题，影响用户体验。

3、帧率

由于人类眼睛的特殊生理结构，如果所看画面帧率高于16的时候，就会认为是连贯的，因此帧率建议不低于16帧。而帧率低于5帧时，人眼能明显感觉到画面不连贯，产生卡的感觉。帧率对视频质量的影响远远大于分辨率和QP。QP：量化参数，反映了空间细节压缩情况。值越小，量化越精细，图像质量越高，产生的码流也越长。

4、卡顿（流畅度）

指视频播放过程中出现画面滞帧，让人们明显感觉到“卡”。单位时间内的播放卡顿次数统计称之为卡顿率。

流畅度一般以卡顿率来反映，卡顿的信息主要包含卡顿次数与卡顿时间；直播场景业界通常的卡顿定义是帧渲染间隔大于1s则为卡顿发生；但通过主观实验，一般这个值达到200ms，观众即可感受到卡顿。

5、稳定性

在各种损伤变化场景下，连续长时间直播未出现花屏、黑屏、自动中断等现象。

6、延迟

延迟是数据从信息源发送到目的地所需的时间。延迟越低，则用户体验越好。

2.音频质量标准评估

1、采样率

直播场景和连麦场景下，音频采样率大于16k。

根据采样定律，最小采样率是最高可采样频率的2倍，也就是说16kHz可以采样的声音频率范围是8kHz以下。根据频率表人声频率基本都在8kHz以下，特别是语音频率基本都是1kHz以下。因此16kHz的采样率完全足够。

2、音质客观评分

此处介绍一种质量评估算法。POLQA (感知客观语音质量评估)，是一种全参考（FR）算法，可对与原始信号相关的降级或处理过的语音

信号进行评级。它将参考信号（讲话者侧）的每个样本与劣化信号（收听者侧）的每个相应样本进行比较。两个信号之间的感知差异被评为差异。

POLQA 结果主要是模型平均意见得分（MOS），涵盖从 1（差）到 5（优秀）的范围。

3、音画同步

由于播放器在处理音视频的时候是分开进行解码渲染的，要做到音画同步则要给音画添加上时间戳(PTS)的概念，时间相近的音频帧和视频帧，我们就认定为是同步的两个帧。

一般音视频同步的做法有三种：视频同步到音频、音频同步到视频、音视频同步的外部时钟。

4、连麦-噪声抑制

噪声抑制技术用于消除背景噪声，改善语音信号的信噪比和可懂度，让人和机器听得更清楚。

5、连麦-回声抵消

主播和观众连麦模式下，单讲和双讲时，说话方听到的回声较小，不会影响交流。

单讲：观众端开启扬声器，主播端说话，主观听是否有自己的回声；反过来观众端说话，听是否有回声。

双讲：双方都开启扬声器，并同时说话，主观听是否有回声，或声音断续有剪切。