本文包含兩部分內容：介紹AAC編碼格式，以及如何解決ffmpeg獲取aac文件時長不準的問題。
寫在前面：想要自己詳細學習AAC編碼格式細節的朋友們當然更推薦直接去看標準文檔《MPEG-4 Audio: ISO/IEC 14496-3:2009》
AAC格式介紹
首先需要了解的是AAC文件格式有ADIF和ADTS兩種，其中ADIF（Audio Data Interchange Format 音頻數據交換格式）的特徵是解碼必須在明確定義的開始處進行，不能從數據流中間開始；而ADTS（Audio Data Transport Stream 音頻數據傳輸流）則相反，這種格式的特徵是有同步字，解碼可以在這個流中任何位置開始，正如它的名字一樣，這是一種和TS流類似的格式。
ADTS格式中每一幀都有頭信息，具備流特徵，適合於網絡傳輸與處理，而ADIF只有一個統一的頭，並且這兩種格式的header格式也是不同的。目前主流使用的都是ADTS格式，本文也將以ADTS爲重點進行介紹。
ADTS AAC文件格式如下
| ADTS_header | AAC ES | ADTS_header | AAC ES | … | ADTS_header | AAC ES |
可以看到每一幀都有頭信息，即ADTS_header，其中包含採樣率、聲道數、幀長度等信息。一般ADTS頭信息都是7字節，如果有CRC則爲9字節。
ADTS幀首部結構如下
| 序號 | 域 | 長度（bits） | 說明 |
|---|---|---|---|
| 1 | Syncword | 12 | all bits must be 1 |
| 2 | MPEG version | 1 | 0 for MPEG-4, 1 for MPEG-2 |
| 3 | Layer | 2 | always 0 |
| 4 | Protection Absent | 1 | set to 1 if there is no CRC and 0 if there is CRC |
| 5 | Profile | 2 | the MPEG-4 Audio Object Type minus 1 |
| 6 | MPEG-4 Sampling Frequency Index | 4 | MPEG-4 Sampling Frequency Index (15 is forbidden) |
| 7 | Private Stream | 1 | set to 0 when encoding, ignore when decoding |
| 8 | MPEG-4 Channel Configuration | 3 | MPEG-4 Channel Configuration (in the case of 0, the channel configuration is sent via an inband PCE) |
| 9 | Originality | 1 | set to 0 when encoding, ignore when decoding |
| 10 | Home | 1 | set to 0 when encoding, ignore when decoding |
| 11 | Copyrighted Stream | 1 | set to 0 when encoding, ignore when decoding |
| 12 | Copyrighted Start | 1 | set to 0 when encoding, ignore when decoding |
| 13 | Frame Length | 13 | this value must include 7 or 9 bytes of header length: FrameLength = (ProtectionAbsent == 1 ? 7 : 9) + size(AACFrame) |
| 14 | Buffer Fullness | 11 | buffer fullness |
| 15 | Number of AAC Frames | 2 | number of AAC frames (RDBs) in ADTS frame minus 1, for maximum compatibility always use 1 AAC frame per ADTS frame |
| 16 | CRC | 16 | CRC if protection absent is 0 |
下面來說一下幾個關鍵字段的含義
profile
很多文章都說一個aac幀包含1024個sample，其實這是錯誤的。正確的說法是不同profile決定了每個aac幀含有多少個sample，具體來說，對應關係如下
| PROFILE | SAMPLES |
|---|---|
| HE-AAC v1/v2 | 2048 |
| AAC-LC | 1024 |
| AAC-LD/AAC-ELD | 480/512 |
所謂LC即Low Complexity，HE即High Efficiency。
那麼profile的取值含義又如何呢？其實在ffmpeg源碼中已經有了詳細的對應關係，在libavcodec/avcodec.h中，如下
#define FF_PROFILE_AAC_MAIN 0
#define FF_PROFILE_AAC_LOW 1
#define FF_PROFILE_AAC_SSR 2
#define FF_PROFILE_AAC_LTP 3
#define FF_PROFILE_AAC_HE 4
#define FF_PROFILE_AAC_HE_V2 28
#define FF_PROFILE_AAC_LD 22
#define FF_PROFILE_AAC_ELD 38
#define FF_PROFILE_MPEG2_AAC_LOW 128
#define FF_PROFILE_MPEG2_AAC_HE 131
所以當我們讀到profile爲28時，就知道這是一個he-aac v2的aac文件了，其每幀sample數目爲2048.
Sampling Frequency Index
表示使用的採樣率下標，通過這個下標在 Sampling Frequencies[ ]數組中查找得知採樣率的值，對應關係如下：
| 0 | 96000 Hz |
| 1 | 88200 Hz |
| 2 | 64000 Hz |
| 3 | 48000 Hz |
| 4 | 44100 Hz |
| 5 | 32000 Hz |
| 6 | 24000 Hz |
| 7 | 22050 Hz |
| 8 | 16000 Hz |
| 9 | 12000 Hz |
| 10 | 11025 Hz |
| 11 | 8000 Hz |
| 12 | 7350 Hz |
| 13 | Reserved |
| 14 | Reserved |
| 15 | frequency is written explictly |
Channel Configuration
這個就簡單了，就是聲道數，對應關係如下
0: Defined in AOT Specifc Config
1: 1 channel: front-center
2: 2 channels: front-left, front-right
3: 3 channels: front-center, front-left, front-right
4: 4 channels: front-center, front-left, front-right, back-center
5: 5 channels: front-center, front-left, front-right, back-left, back-right
6: 6 channels: front-center, front-left, front-right, back-left, back-right, LFE-channel
7: 8 channels: front-center, front-left, front-right, side-left, side-right, back-left, back-right, LFE-channel
8-15: Reserved
解決ffmpeg解析aac文件時長不準確的問題
當我們想要利用ffmpeg去獲取一個aac文件時長的時候，會發現ffmpeg輸出了這麼一行warning信息：
[aac @ 000000529d929ec0] Estimating duration from bitrate, this may be inaccurate
在前面的小節中我們看到，aac文件格式中並沒有明確的duration信息，因此ffmpeg選擇通過filesize / bitrate來估算時長。
我們閉着眼睛想也知道這種估算方法是不準確的，事實也是如此，而且特別有意思的是，ffmpeg 3.0之前和之後的版本估算出來的結果還不一樣，所以開發人員也很貼心的給我們輸出了這麼一行warning信息。
估算時長這一部分邏輯的代碼位於libavformat/utils.c#estimate_timings中
if ((!strcmp(ic->iformat->name, "mpeg") ||
!strcmp(ic->iformat->name, "mpegts")) &&
file_size && (ic->pb->seekable & AVIO_SEEKABLE_NORMAL)) {
/* get accurate estimate from the PTSes */
estimate_timings_from_pts(ic, old_offset);
ic->duration_estimation_method = AVFMT_DURATION_FROM_PTS;
} else if (has_duration(ic)) {
/* at least one component has timings - we use them for all
* the components */
fill_all_stream_timings(ic);
/* nut demuxer estimate the duration from PTS */
if(!strcmp(ic->iformat->name, "nut"))
ic->duration_estimation_method = AVFMT_DURATION_FROM_PTS;
else
ic->duration_estimation_method = AVFMT_DURATION_FROM_STREAM;
} else {
//aac文件解析時長的時候就會走到這裏
/* less precise: use bitrate info */
estimate_timings_from_bit_rate(ic);
ic->duration_estimation_method = AVFMT_DURATION_FROM_BITRATE;
}
那麼如何才能獲取準確的時長呢？通過上一節的介紹，相信大家都能想到，應該是通過adts frame header取總幀數*每幀時長的值作爲duration。
具體來說，獲取總幀數就是把整個文件“過”一遍，僞代碼如下
while (offset < total_size) {
frame_length = get_adts_frame_length(offset)
offset += frame_length;
num_frames++;
}
而獲取每幀時長就更簡單了：ffmpeg能正確讀到每幀的nb_samples和總體的sample_rate，那麼兩者相除就是每幀的時長了。
完整的解析時長代碼可以關注我的公衆號灰度五十，回覆“解析aac時長”獲取~
refs
https://wiki.multimedia.cx/index.php?title=MPEG-4_Audio