常见的音频编码和文件格式

目录：

1、为什么选择FFmpeg？

2、Windows开发环境搭建(包括FFmpeg和Qt)

3、Mac开发环境搭建(包括FFmpeg和Qt)

4、重识图片

5、重识声音

6、重识音频 之 PCM(脉冲编码调制)

7、重识音频 之 音频的编码与解码

8、重识音频之 常见的音频编码和文件格式

1、为什么选择FFmpeg？

        FFmpeg是跨平台的音视频开发库。而且掌握了FFmpeg，可以很快上手其他音视频开发库，因为底层原理都是一样的，最终操作的都是一样的数据，比如MP3、MP4文件。

其他平台开发库简介：iOS：AVFoundation、AudioUnit等；android：MediaPlayer、MediaCodec等；Windows：DriectShow等；

2、Windows开发环境搭建(包括FFmpeg和Qt)

3、Mac开发环境搭建(包括FFmpeg和Qt)

    Qt安装参考https://www.cnblogs.com/GJ-ios/p/15674851.html

    Qt运行不起来：https://blog.csdn.net/qq_35664104/article/details/121480884

    Qt学习：http://c.biancheng.net/view/1817.html

4、重识图片

        包括像素、色深、文件格式(压缩格式)

    1）、RGB颜色模型：将红绿蓝三原色的色光以不同的含量叠加可以合成各种颜色。

    2）、RGB位深度24的含义：每一个像素使用24个二进制位来存储颜色信息；每一个像素的颜色是由RGB 3个颜色通道合成的，因此每个颜色通道都用8bit来表示其“含量”(值)。

       位深度有1、3、8、16、24、32等，这些可以网上查。对于32位深度，是在24的基础上增加了8bit的透明度，可以表示带透明度的颜色。

    3）、颜色数量：2的n次方，n为位深度。位深度24能展示的颜色有1678万种，因此被称为真彩色，即常说的24位真彩。

    4）、LCD屏幕有两层，上层是RGB像素层，用于控制哪个颜色滤光，下层为背光层(发光)；OLED屏幕没有背光层了，每一个像素独立发光，更节能，缺点是寿命短。

    5）、图片格式(文件格式)：将图片按照一定的恶格式压缩存储。比如50*60像素24位深度的图片原始大小为8.79KB，jpg格式存储后为1.56KB。无损压缩：优点不损失图片质量，缺点压缩率低，体积大，如png、gif。有损压缩：优点压缩率高，体积小，缺点损失图片质量，如jpg。

    6）、jpg、png、gif格式是位图，就是上面介绍的图片；svg是矢量图，上面未介绍。

5、重识声音

        1）、振幅：从平衡位置到最大位移位置之间的距离

        2）、频率（Frequency）：物体每秒来回振动的次数。

        2）、周期：完全来回振动一次所花费的时间

        3）、音调：频率越高，音调就越高；频率越低，音调就越低。通常女生讲话时，声带振动的频率就比较高，因此我们听到的音调就高，有时会有点刺耳，而男生讲话时，声带振动的频率就比较低，因此我们听到的音调就低，显得比较低沉。

        4）、响度：常用dB（分贝）来描述。当提高声音的响度（音量，大小）时，振动的幅度会变大。

        5）、音色（Timbre）是指声音的特色。不同的声源由于其材料、结构不同，则发出声音的音色也不同。我们之所以能够根据声音区分出不同的乐器、不同的人，都是因为它们的音色不同。不同音色的声音，即使在同一响度和同一音调的情况下，也能让人区分开来。

        6）、基音、泛音：通常声源的振动产生的并不是单一频率的声波，而是由基音和不同频率的泛音组成的复合声音。当声源的主体振动时会发出一个基音（基本频率，基频，Fundamental Frequency）。同时其余各部分也有复合的声源，这些声源组合产生泛音。泛音（Overtone）其实就是物理学上的谐波（Harmonic）。音调是由基音决定的，而音色主要取决于泛音。

6、重识音频 之 PCM(脉冲编码调制)

        1）、如何把声音（声源的振动）记录下来呢？声音属于模拟信号，但更便于计算机处理和存储的是数字信号（二进制编码），所以需要将模拟信号（Analog Signal）转成数字信号（Digital Signal）后进行存储。这一过程，我们可以称之为：音频数字化。将音频数字化的常见技术方案是脉冲编码调制（PCM，Pulse Code Modulation），主要过程是：采样 → 量化 → 编码。

        2）、采样

模拟信号的波形是无限光滑的，可以看成由无数个点组成，由于存储空间是相对有限的，数字编码过程中，必须要对波形的点进行采样。采样（Sampling）：每隔一段时间采集一次模拟信号的样本，是一个在时间上将模拟信号离散化（把连续信号转换成离散信号）的过程。

        （1）、采样率（采样频率，采样速率，Sampling Rate）：每秒采集的样本数量。根据采样定理（奈奎斯特–香农采样定理，Nyquist-Shannon sampling theorem）得知：只有当采样率高于声音信号最高频率的2倍时，才能把采集的声音信号唯一地还原成原来的声音。人耳能够感觉到的最高声音频率为20000Hz，因此为了满足人耳的听觉要求，需要至少每秒进行40000次采样（40kHz采样率）。这就是为什么常见的CD的采样率为44.1kHz。电话、无线对讲机、无线麦克风等的采样率是8kHZ。

        3）、量化（Quantization）：将每一个采样点的样本值数字化。位深度（采样精度，采样大小，Bit Depth）：使用多少个二进制位来存储一个采样点的样本值。位深度越高，表示的振幅越精确。常见的CD采用16bit的位深度，能表示65536个不同的值。DVD使用24bit的位深度，大多数电话设备使用8bit的位深度。

        4）、编码：将采样和量化后的数字数据转成二进制码流。

        5）、声道：单声道产生一组声波数据，双声道（立体声）产生两组声波数据。

        6）、声音大小计算

                采样率44.1kHZ、位深度16bit的1分钟立体声PCM数据有多大？

                采样率 * 位深度 * 声道数 * 时间

                44100 * 16 * 2 * 60 / 8 ≈ 10.34MB

                1分钟10.34MB，这对于大部分用户来说是不能接受的。要想在不改变音频时长的前提下，降低音频数据的大小，只有2种方法：降低采样指标、压缩。降低采样指标是不可取的，会导致音频质量下降，用户体验变差，因此专家们研发了各种压缩方案，即各种编码。

        7）、比特率（Bit Rate），指单位时间内传输或处理的比特数量，单位是：比特每秒（bit/s或bps），还有：千比特每秒（Kbit/s或Kbps）、兆比特每秒（Mbit/s或Mbps）、吉比特每秒（Gbit/s或Gbps）、太比特每秒（Tbit/s或Tbps）。

                采样率44.1kHZ、位深度16bit的立体声PCM数据的比特率是多少？

                采样率 * 位深度 * 声道数

                44100 * 16 * 2 = 1411.2Kbps

                通常，采样率、位深度越高，数字化音频的质量就越好。从比特率的计算公式可以看得出来：比特率越高，数字化音频的质量就越好。

        8）、信噪比（Signal-to-noise ratio，SNR，S/N，讯噪比），指信号与噪声的比例，用于比较所需信号的强度与背景噪声的强度，以分贝（dB）为单位。位深度限制了信噪比的最大值，它们的关系如下表所示。

7、重识音频 之 音频的编码与解码

        1）、编码（Encode）

                PCM数据可以理解为是：未经压缩的原始音频数据，体积比较大，为了更便于存储和传输，一般都会使用某种音频编码对它进行编码压缩，然后再存成某种音频文件格式。压缩分为无损压缩和有损压缩。

                无损压缩：解压后可以完全还原出原始数据；压缩比小，体积大

                有损压缩：解压后不能完全还原出原始数据，会丢失一部分信息；压缩比大，体积小；压缩比越大，丢失的信息就越多，还原后的信号失真就会越大；一般是通过舍弃原始数据中对人类听觉不重要的部分，达成压缩成较小文件的目的。

                压缩比 = 未压缩大小 / 压缩后大小

                编码后为什么要存储为不同的音频文件格式、容器？答案：音视频编码主要是对音视频PCM进行压缩，很多时候音频编码数据、视频编码数据、字幕需要同时展示给用户，因此产生了不同的文件格式，作为容器同时存储多种编码数据。

        2）、解码（Decode）

                当需要播放音频时，先从音频文件中取出压缩数据，解码（解压缩）出PCM数据，然后再进行播放。

8、重识音频之 常见的音频编码和文件格式

        需要注意的是：音频文件格式并不等于音频编码。比如：WAV只是一种文件格式，并不是一种编码；FLAC既是一种文件格式，又是一种编码。

下面对常见的音频编码和文件格式做一个简介，以后有需要时再进行详细介绍。

无损

Monkey's Audio

Monkey's Audio，是一种无损的音频编码和文件格式，文件扩展名为.ape，压缩率一般在55%左右。

FLAC

FLAC（Free Lossless Audio Codec），是一种无损的音频编码和文件格式，文件扩展名为.flac。虽然压缩率稍有不及Monkey's Audio，但FLAC技术更先进，占用资源更低，有更多的平台及硬件产品支持FLAC。

ALAC

ALAC（Apple Lossless Audio Codec），是由Apple开发的一种无损的音频编码，文件扩展名为.m4a、.caf。

有损

MP3

MP3（MPEG Audio Layer III），是非常流行的一种有损音频编码和文件格式，文件扩展名为.mp3。

第1版是：MPEG-1 Audio Layer III，属于国际标准ISO/IEC 11172-3

第2版是：MPEG-2 Audio Layer III，属于国际标准ISO/IEC 13818-3

第3版是：MPEG-2.5 Audio Layer III，并不是由MPEG官方开发的，不是公认的标准

WMA

WMA（Windows Media Audio），是由Microsoft开发的音频编码和文件格式，文件扩展名为.wma。包括4种类型：

WMA：原始的WMA编解码器，作为MP3的竞争者，属于有损音频编码

WMA Pro：支持更多声道和更高质量的音频，属于有损音频编码

WMA Lossless：属于无损音频编码

WMA Voice：属于有损音频编码

AAC

AAC（Advanced Audio Coding），是由Fraunhofer IIS、杜比实验室、AT&T、Sony、Nokia等公司共同开发的有损音频编码和文件格式，压缩比通常为18:1。

AAC被设计为MP3格式的后继产品，通常在相同的比特率下可以获得比MP3更高的声音质量，是iPhone、iPod、iPad、iTunes的标准音频格式。

AAC编码的文件扩展名主要有3种：

.acc：传统的AAC编码，使用MPEG-2 Audio Transport Stream（ADTS）容器

.mp4：使用了MPEG-4 Part 14的简化版即3GPP Media Release 6 Basic（3gp6）进行封装的AAC编码

.m4a：为了区别纯音频MP4文件和包含视频的MP4文件而由Apple公司使用的扩展名

Apple iTunes对纯音频MP4文件采用了.m4a文件扩展名

M4A的本质和音频MP4相同，故音频MP4文件可以直接更改文件扩展名为.m4a

Vorbis

Vorbis，是由Xiph.Org基金会开发的一种有损音频编码。通常以Ogg作为容器格式，所以常合称为Ogg Vorbis，文件扩展名为.ogg。

Speex

Speex，是由Xiph.Org基金会开发的一种有损音频编码和文件格式，文件扩展名为.spx。

Opus

Opus，是由Xiph.Org基金会开发的一种有损音频编码和文件格式，文件扩展名为.opus。用以取代Vorbis和Speedx。经过多次盲听测试，在任何给定的比特率下都比其他标准音频格式具有更高的质量，包括MP3、AAC。

文件格式

Ogg

Ogg是一种多媒体文件格式，由Xiph.Org基金会所维护，可以纳入各式各样的音视频编码（音频、视频都可以），文件扩展名常为.ogg。

Ogg常用的音频编码有：

有损压缩：Speex、Vorbis、Opus

无损压缩：FLAC

未压缩：PCM

WAV

WAV（Waveform Audio File Format），是由IBM和Microsoft开发的音频文件格式，扩展名是.wav，通常采用PCM编码，常用于Windows系统中。

WAV的文件格式如下图所示，前面有44个字节的文件头，紧跟在后面的就是音频数据（比如PCM数据）。

WAV文件格式

WAV文件格式

NumChannels：声道数

SampleRate：采样率（Hz）

ByteRate：每秒多少个字节（Byte/s）

BitsPerSample：位深度

AIFF

AIFF（Audio Interchange File Format），由Apple开发的音频文件格式，扩展名是.aiff、.aif。跟WAV一样，通常采用PCM编码，常用于Mac系统中。

有损和无损

根据采样率和位深度可以得知：相对于自然界的信号，音频编码最多只能做到无限接近，任何数字音频编码方案都是有损的，因为无法完全还原。目前能够达到最高保真水平的就是PCM编码，因此，PCM约定俗成叫做无损音频编码，被广泛用于素材保存及音乐欣赏，CD、DVD以及常见的WAV文件中均有应用。但并不意味着PCM就能够确保信号绝对保真，PCM也只能做到最大程度的无限接近。我们习惯性的把MP3列入有损音频编码范畴，是相对于PCM编码的。