【Go】FLV文件解析（三）

cheniie

已于 2022-06-03 20:01:35 修改

阅读量497

点赞数

分类专栏： Go 文章标签： golang 开发语言 FLV AAC

于 2022-06-03 15:56:36 首次发布

本文链接：https://blog.csdn.net/puss0/article/details/125113304

版权

Go 专栏收录该内容

47 篇文章 4 订阅

订阅专栏

生命不息，编程不止。本章我们继续解析FLV文件中的音频Tag的内容。

Audio Tag Data

在【Go】FLV文件解析（一）中我们讲了FLV Tag的基本结构是Tag Header加Tag Data。显然音频Tag的Tag Data就是音频数据了，其结构如下。

Tag Data的第一个字节被分成了4个部分。前4比特表示音频编码格式，共14种。

值	编码格式	说明
0	Linear PCM	大端小端由编码平台决定
1	ADPCM
2	MP3
3	Linear PCM	小端格式
4	Nellymoser 16-kHz mono
5	Nellymoser 8-kHz mono
6	Nellymoser
7	G.711 A-law logarithmic PCM	保留，内部使用
8	G.711 mu-law logarithmic PCM	保留，内部使用
9	reserved
10	AAC	Flash Player9,0115,0及以上版本
11	Speex	Flash Player10及以上版本
14	MP3 8-Khz	保留，内部使用
15	Device-specific sound	保留，内部使用

中间2比特表示采样率，共4种。

值	类型	说明
0	5.5-kHz
1	11-kHz
2	22-kHz
3	44-kHz	AAC总是3

第7比特表示采样位宽，0表示8比特宽度，1表示16比特宽度。只针对非压缩编码格式有效，压缩编码格式总是解码成16bit宽度。

模拟音频信号在转换成数字信号之前要经过采样和量化。采样周期，也可以称为采样间隔，是指每隔多长时间从模拟信号采集一次振幅。采样周期的倒数就是采样频率，体现了数字采样的快慢，或称采样的疏密。这里采样频率和采样周期的关系和频率与周期的关系的一样的。比如44KHz的采样频率就表示每隔 $\frac{1}{44000}$ 秒采集一次振幅。采集到振幅以后需要量化，也就是用二进制来表示，用多少位二进制来表示振幅就是采样位宽，显然16bit能比8bit表示更大范围的振幅变化。

第8比特表示声道信息，0表示单声道，1表示双声道，也就是立体声。对于Nellymoser编码格式，它总是0，对于AAC格式总是1。

Linear PCM(3)存储的是裸PCM采样点（PCM全称Pulse Code Modulation，翻译过来就是脉冲编码调制，也就是模拟信号经过量化编码后得到的数据，属于非压缩编码，是可以直接播放的）。如果采样宽度是8bit，则采样点是无符号整数，如果采样宽度是16bit，则采样点是小端序有符号整数。如果是立体声，则左右声道数据按左-右-左-右排列。

Linear PCM(0)由于其大端小端取决于编码平台，因此不推荐使用。

Nellymoser有3种格式，Nellymoser 8-kHz和16-kHz会忽略掉上面的采样频率和声道信息，普通的Nellymoser(6)则不会忽略。8kHz和16kHz的采样率其他编码格式也不支持。

如果是AAC编码，音频信息总是设置为1，采样频率总是设置为3，因为Flash Player会忽略这两个值，而是从AAC比特流里解码采样率。

音频数据根据编码格式而不同，对于比较常用的AAC编码，音频数据格式如下。

这里音频配置是一个叫做AudioSpecificConfig的结构，在ISO 14496-3中定义。AudioSpecificConfig共占2个字节，具体结构如下。

audio object type

0: Null
1: AAC Main
2: AAC LC (Low Complexity)
3: AAC SSR (Scalable Sample Rate)
4: AAC LTP (Long Term Prediction)
5: SBR (Spectral Band Replication)
6: AAC Scalable
7: TwinVQ
8: CELP (Code Excited Linear Prediction)
9: HXVC (Harmonic Vector eXcitation Coding)
10: Reserved
11: Reserved
12: TTSI (Text-To-Speech Interface)
13: Main Synthesis
14: Wavetable Synthesis
15: General MIDI
16: Algorithmic Synthesis and Audio Effects
17: ER (Error Resilient) AAC LC
18: Reserved
19: ER AAC LTP
20: ER AAC Scalable
21: ER TwinVQ
22: ER BSAC (Bit-Sliced Arithmetic Coding)
23: ER AAC LD (Low Delay)
24: ER CELP
25: ER HVXC
26: ER HILN (Harmonic and Individual Lines plus Noise)
27: ER Parametric
28: SSC (SinuSoidal Coding)
29: PS (Parametric Stereo)
30: MPEG Surround
31: (Escape value)
32: Layer-1
33: Layer-2
34: Layer-3
35: DST (Direct Stream Transfer)
36: ALS (Audio Lossless)
37: SLS (Scalable LosslesS)
38: SLS non-core
39: ER AAC ELD (Enhanced Low Delay)
40: SMR (Symbolic Music Representation) Simple
41: SMR Main
42: USAC (Unified Speech and Audio Coding) (no SBR)
43: SAOC (Spatial Audio Object Coding)
44: LD MPEG Surround
45: USAC

sampling frenquence index

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 configration

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

实战

第一步还是定义下需要用到的结构，这里我们只以AAC为例。

type FlvAudioTag struct {
	Header    FlvTagHeader
	SoundFmat uint8
	SoundRate uint8
	SoundSize uint8
	SoundType uint8
	Data      stream.Stream
}

type AACPacket struct {
	AACPacketType uint8
	Playload      []byte
}

type AACAudioSpecificConfig struct {
	AudioObjectType      uint8
	SamplingFrequency    uint8
	ChannelConfiguration uint8
	FrameLengthFlag      uint8
	DependsOnCoreCoder   uint8
	ExtensionFlag        uint8
}

音频Tag解码过程如下。

// 解码音频Tag
func DecodeFlvAudioTag(tag FlvTag) (a FlvAudioTag, err error) {
	a.Header = tag.Header
	var b byte
	if err = tag.Data.Byte(&b).Error(); err != nil {
		return
	}
	a.SoundFmat = b >> 4
	a.SoundRate = b >> 2 & 0x03
	a.SoundSize = b >> 1 & 0x01
	a.SoundType = b & 0x01
	a.Data, err = tag.Data.Produce(tag.Data.Remain())
	return
}

AudioSpecificConfig解码过程如下。

// 解码AAC Packet
func DecodeAACPacket(t FlvAudioTag) (p AACPacket, err error) {
	if t.SoundFmat != AAC {
		err = errors.New("not aac format")
		return
	}
	if err = t.Data.U8(&p.AACPacketType).Error(); err != nil {
		return
	}
	p.Playload = t.Data.ReadAll()
	return
}

// 解码AudioSpecificConfig
func DecodeAACAudioSpecificConfig(p AACPacket) (a AACAudioSpecificConfig, err error) {
	if len(p.Playload) != 2 {
		err = FLV_FMT_ERROR
	}
	a.AudioObjectType = p.Playload[0] >> 3
	a.SamplingFrequency = (p.Playload[0] << 1 & 0x0F) | (p.Playload[1] >> 7)
	a.ChannelConfiguration = p.Playload[1] >> 3 & 0x0F
	a.FrameLengthFlag = p.Playload[1] >> 2 & 0x01
	a.DependsOnCoreCoder = p.Playload[1] >> 1 & 0x01
	a.ExtensionFlag = p.Playload[1] & 0x01
	return
}