本文引用自公衆號“開發的貓”，本次收錄時有改動，感謝原作者“開發的貓”的分享。
1、引言
隨着移動網絡速度越來越快、質量越來越來，實時音視頻技術已經在各種應用場景下全面開花，語音通話、視頻通話、視頻會議、遠程白板、遠程監控等等。
實時音視頻技術的開發也越來越受到重視，但是由於音視頻開發涉及知識面比較廣，入門門檻相對較高，讓許許多多開發者望而生畏。
雖然網上有很多的博文總結了實時音視頻技術的學習路線，但是相關的知識都相對獨立，有講“音視頻解碼相關”的、有講“OpenGL相關”的、也有講“FFmpeg相關的”、還有講“RTP/RTCP、RTMP、HLS、QUIC等通信相關的”，但是對於新手來說，把所有的知識銜接串聯起來，並很好的理解所有的知識，卻是非常困難的。
本人在學習音視頻開發的過程中，深刻體會到了由於知識的分散、過渡斷層帶來的種種困惑和痛苦，因此希望通過自己的理解，可以把音視頻開發相關的知識總結出來，並形成系列文章，循序漸進，剖析各個環節，一則對自己所學做一個總結和鞏固，二則希望可以幫助想入門音視頻開發的開發者小夥伴們。
本文是作者自已根據入門實時音視頻的親身經歷，對於基礎知識點的認知總結。雖然很淺顯，但相對小白來說，能稍微系統的瞭解這些概念就已經是很好的起點了。
本文已同步發佈於“即時通訊技術圈”公衆號。
2、相關文章
《零基礎，史上最通俗視頻編碼技術入門》（* 必讀）
3、視頻是什麼？
3.1 動畫書
不知道大家小時候是否玩過一種動畫小人書，連續翻動的時候，小人書的畫面就會變成一個動畫，類似現在的gif格式圖片。
本來是一本靜態的小人書，通過翻動以後，就會變成一個有趣的小動畫，如果畫面夠多，翻動速度夠快的話，這其實就是一個小視頻。
而視頻的原理正是如此，由於人類眼睛的特殊結構，畫面快速切換時，畫面會有殘留，感覺起來就是連貫的動作。所以，視頻就是由一系列圖片構成的。
3.2 視頻幀
幀，是視頻的一個基本概念，表示一張畫面，如上面的翻頁動畫書中的一頁，就是一幀。一個視頻就是由許許多多幀組成的。
3.3 幀率
幀率，即單位時間內幀的數量，單位爲：幀/秒 或fps（frames per second）。如動畫書中，一秒內包含多少張圖片，圖片越多，畫面越順滑，過渡越自然。
幀率的一般以下幾個典型值：
- 1）24/25 fps：1秒 24/25 幀，一般的電影幀率；
- 2）30/60 fps：1秒 30/60 幀，遊戲的幀率，30幀可以接受，60幀會感覺更加流暢逼真。
85 fps以上人眼基本無法察覺出來了，所以更高的幀率在視頻裏沒有太大意義。
3.4 色彩空間
這裏我們只講常用到的兩種色彩空間。
- 1）RGB：RGB的顏色模式應該是我們最熟悉的一種，在現在的電子設備中應用廣泛。通過R G B三種基礎色，可以混合出所有的顏色；
- 2）YUV：這裏着重講一下YUV，這種色彩空間並不是我們熟悉的。這是一種亮度與色度分離的色彩格式。
早期的電視都是黑白的，即只有亮度值，即Y。有了彩色電視以後，加入了UV兩種色度，形成現在的YUV，也叫YCbCr。
- 1）Y：亮度，就是灰度值。除了表示亮度信號外，還含有較多的綠色通道量；
- 2）U：藍色通道與亮度的差值；
- 3）V：紅色通道與亮度的差值。
如下圖，可以看到Y、V、U 3個分量的效果差值：
採用YUV有什麼優勢呢？
人眼對亮度敏感，對色度不敏感，因此減少部分UV的數據量，人眼卻無法感知出來，這樣可以通過壓縮UV的分辨率，在不影響觀感的前提下，減小視頻的體積。
RGB和YUV的換算：
Y = 0.299R ＋ 0.587G ＋ 0.114B
U = －0.147R － 0.289G ＋ 0.436B
V = 0.615R － 0.515G － 0.100B
——————————————————
R = Y ＋ 1.14V
G = Y － 0.39U － 0.58V
B = Y ＋ 2.03U
3.5 進一步學習
如果你認爲上面的文字還是有點專業，則強烈建議閱讀下文：《零基礎，史上最通俗視頻編碼技術入門》，絕對史上最通俗！
4、音頻是什麼？
4.1 基本知識
音頻數據的承載方式最常用的是脈衝編碼調製，即 PCM。
在自然界中，聲音是連續不斷的，是一種模擬信號，那怎樣才能把聲音保存下來呢？那就是把聲音數字化，即轉換爲數字信號。
我們知道聲音是一種波，有自己的振幅和頻率，那麼要保存聲音，就要保存聲音在各個時間點上的振幅。
而數字信號並不能連續保存所有時間點的振幅，事實上，並不需要保存連續的信號，就可以還原到人耳可接受的聲音。
根據奈奎斯特採樣定理：爲了不失真地恢復模擬信號，採樣頻率應該不小於模擬信號頻譜中最高頻率的2倍。
根據以上分析，PCM的採集步驟分爲以下步驟：
模擬信號 -> 採樣 -> 量化 -> 編碼 -> 數字信號
4.2 採樣率和採樣位數
採樣率，即採樣的頻率。
上面提到，採樣率要大於原聲波頻率的2倍，人耳能聽到的最高頻率爲20kHz，所以爲了滿足人耳的聽覺要求，採樣率至少爲40kHz，通常爲44.1kHz，更高的通常爲48kHz。
採樣位數，涉及到上面提到的振幅量化。波形振幅在模擬信號上也是連續的樣本值，而在數字信號中，信號一般是不連續的，所以模擬信號量化以後，只能取一個近似的整數值，爲了記錄這些振幅值，採樣器會採用一個固定的位數來記錄這些振幅值，通常有8位、16位、32位。
位數越多，記錄的值越準確，還原度越高。
4.3 編碼
最後就是編碼了。由於數字信號是由0，1組成的，因此，需要將幅度值轉換爲一系列0和1進行存儲，也就是編碼，最後得到的數據就是數字信號：一串0和1組成的數據。
整個過程如下：
4.4 聲道數
聲道數，是指支持能不同發聲（注意是不同聲音）的音響的個數。
單聲道：1個聲道
雙聲道：2個聲道
立體聲道：默認爲2個聲道
立體聲道（4聲道）：4個聲道
4.5 碼率
碼率，是指一個數據流中每秒鐘能通過的信息量，單位bps（bit per second）。
碼率 = 採樣率 * 採樣位數 * 聲道數
5、爲什麼要編碼
這裏的編碼和上面音頻中提到的編碼不是同個概念，而是指壓縮編碼。
我們知道，在計算機的世界中，一切都是0和1組成的，音頻和視頻數據也不例外。由於音視頻的數據量龐大，如果按照裸流數據存儲的話，那將需要耗費非常大的存儲空間，也不利於傳送。而音視頻中，其實包含了大量0和1的重複數據，因此可以通過一定的算法來壓縮這些0和1的數據。
特別在視頻中，由於畫面是逐漸過渡的，因此整個視頻中，包含了大量畫面/像素的重複，這正好提供了非常大的壓縮空間。
因此，編碼可以大大減小音視頻數據的大小，讓音視頻更容易存儲和傳送。
那麼，未經編碼的原始音視頻，數據量至底有多大？
以一個分辨率1920×1280，幀率30的視頻爲例：
共：1920×1280=2,073,600（Pixels 像素），每個像素點是24bit（前面算過的哦）；
也就是：每幅圖片2073600×24=49766400 bit，8 bit（位）=1 byte（字節）；
所以：49766400bit=6220800byte≈6.22MB。
這是一幅1920×1280圖片的原始大小，再乘以幀率30。
也就是說：每秒視頻的大小是186.6MB，每分鐘大約是11GB，一部90分鐘的電影，約是1000GB。。。
（以上舉例引用自：《零基礎，史上最通俗視頻編碼技術入門》）
6、視頻編碼
視頻編碼格式有很多，比如H26x系列和MPEG系列的編碼，這些編碼格式都是爲了適應時代發展而出現的。
其中，H26x（1/2/3/4/5）系列由ITU（International Telecommunication Union）國際電傳視訊聯盟主導
MPEG（1/2/3/4）系列由MPEG（Moving Picture Experts Group, ISO旗下的組織）主導。
當然，他們也有聯合制定的編碼標準，那就是現在主流的編碼格式H264，當然還有下一代更先進的壓縮編碼標準H265。
視頻編碼知識比較專業，限於篇幅，我就不在此展開討論了。
7、音頻編碼
原始的PCM音頻數據也是非常大的數據量，因此也需要對其進行壓縮編碼。
和視頻編碼一樣，音頻也有許多的編碼格式，如：WAV、MP3、WMA、APE、FLAC等等，音樂發燒友應該對這些格式非常熟悉，特別是後兩種無損壓縮格式。
但是，我們今天的主角不是他們，而是另外一個叫AAC的壓縮格式。本節以AAC格式爲例，直觀的瞭解音頻壓縮格式。
AAC是新一代的音頻有損壓縮技術，一種高壓縮比的音頻壓縮算法。在MP4視頻中的音頻數據，大多數時候都是採用AAC壓縮格式。
AAC格式主要分爲兩種：ADIF、ADTS。
1）ADIF：Audio Data Interchange Format。音頻數據交換格式。這種格式的特徵是可以確定的找到這個音頻數據的開始，不需進行在音頻數據流中間開始的解碼，即它的解碼必須在明確定義的開始處進行。這種格式常用在磁盤文件中。
2）ADTS：Audio Data Transport Stream。音頻數據傳輸流。這種格式的特徵是它是一個有同步字的比特流，解碼可以在這個流中任何位置開始。它的特徵類似於mp3數據流格式。
ADTS可以在任意幀解碼，它每一幀都有頭信息。ADIF只有一個統一的頭，所以必須得到所有的數據後解碼。且這兩種的header的格式也是不同的，目前一般編碼後的都是ADTS格式的音頻流。
ADIF數據格式：
header | raw_data
ADTS 一幀 數據格式（中間部分，左右省略號爲前後數據幀）：
AAC內部結構也不再贅述，如果有興趣，可以參考《AAC 文件解析及解碼流程》。
8、音視頻容器
細心的讀者可能已經發現，前面我們介紹的各種音視頻的編碼格式，沒有一種是我們平時使用到的視頻格式，比如：mp4、rmvb、avi、mkv、mov...
沒錯，這些我們熟悉的視頻格式，其實是包裹了音視頻編碼數據的容器，用來把以特定編碼標準編碼的視頻流和音頻流混在一起，成爲一個文件。
例如：mp4支持H264、H265等視頻編碼和AAC、MP3等音頻編碼。
mp4是目前最流行的視頻格式，在移動端，一般將視頻封裝爲mp4格式。
對於音視頻編碼格式和容器之間的關係，可以詳細讀《零基礎，史上最通俗視頻編碼技術入門》一文中的“6、視頻編碼的國際標準”一節。
9、硬解碼和軟解碼
我們在一些播放器中會看到，有硬解碼和軟解碼兩種播放形式給我們選擇，但是我們大部分時候並不能感覺出他們的區別，對於普通用戶來說，只要能播放就行了。
那麼他們內部究竟有什麼區別呢？
在手機或者PC上，都會有CPU、GPU或者解碼器等硬件。通常，我們的計算都是在CPU上進行的，也就是我們軟件的執行芯片，而GPU主要負責畫面的顯示（是一種硬件加速）。
所謂軟解碼：就是指利用CPU的計算能力來解碼，通常如果CPU的能力不是很強的時候，一則解碼速度會比較慢，二則手機可能出現發熱現象。但是，由於使用統一的算法，兼容性會很好。
所謂硬解碼：指的是利用手機上專門的解碼芯片來加速解碼。通常硬解碼的解碼速度會快很多，但是由於硬解碼由各個廠家實現，質量參差不齊，非常容易出現兼容性問題。
10、參考資料
[1] 音視頻開發基礎知識
[2] YUV顏色編碼解析
[3] YUV數據格式
[4] 音頻基礎知識
[5] AAC 文件解析及解碼流程
[6] 入門理解H264編碼