ffplay音视频同步分析——基础概念

转自：https://zhuanlan.zhihu.com/p/44615185

由于音频和视频的输出不在同一个线程，而且，也不一定会同时解出同一个pts的音频帧和视频帧。更有甚者，编码或封装的时候可能pts还是不连续的，或有个别错误的。因此，在进行音频和视频的播放时，需要对音频和视频的播放速度、播放时刻进行控制，以实现音频和视频保持同步，即所谓的音视频同步。

在ffplay中，音频（audio）和视频（video）有各自的输出线程，其中音频的输出线程是sdl的音频输出回调线程，video的输出线程是程序的主线程。（参考：https://zhuanlan.zhihu.com/p/44139512 和 https://zhuanlan.zhihu.com/p/44122324）

音视频的同步策略，一般有如下几种：

• 视频同步到音频，即音频为主时钟
• 音频同步到视频，即视频为主时钟
• 视频、音频同步到外部时钟，即外部时钟（系统时间）为主时钟
• 视频和音频各自输出，即不作同步处理，或称之为各自为主时钟

由于人耳对于声音变化的敏感度比视觉高，因此，一般采样的策略是将视频同步到音频，即对画面进行适当的丢帧或重复以追赶或等待音频。

特殊地，有时候会碰到一些特殊封装（或者有问题的封装），此时就不作同步处理，各自为主时钟，进行播放。

在ffplay中实现了上述前3种的同步策略。由sync参数控制：

{ "sync", HAS_ARG | OPT_EXPERT, { .func_arg = opt_sync }, "set audio-video sync. type (type=audio/video/ext)", "type" },

 

在深入代码了解其实现前，需要先简单了解下一些结构体和概念。读者也可以选择在后文阅读中回头查阅本节。

• pts
• timebase
• ffplay中的pts
• Clock

pts是presentation timestamp的缩写，即显示时间戳，用于标记一个帧的呈现时刻。

它的单位由timebase决定。timebase的类型是结构体AVRational（用于表示分数）：

typedef struct AVRational{
    int num; ///< Numerator
    int den; ///< Denominator
} AVRational;

如timebase={1, 1000}表示千分之一秒，那么pts=1000，即为1秒，那么这一帧就需要在第一秒的时候呈现在ffplay中，将pts转化为秒，一般做法是：pts * av_q2d(timebase)

ffplay的很多自定义结构体中也有pts字段，只不过是double类型，其实就是已经转化为秒为单位的pts值。

在做同步的时候，我们需要一个"时钟"的概念，ffplay定义的结构体是Clock：

typedef struct Clock {
    double pts;           /* clock base */
    double pts_drift;     /* clock base minus time at which we updated the clock */
    double last_updated;
    double speed;
    int serial;           /* clock is based on a packet with this serial */
    int paused;
    int *queue_serial;    /* pointer to the current packet queue serial, used for obsolete clock detection */
} Clock;

这个时钟的工作原理是这样的：

1. 需要不断“对时”。对时的方法set_clock_at(Clock *c, double pts, int serial, double time)，需要用pts、serial、time（系统时间）进行对时。
2. 获取的时间是一个估算值。估算是通过对时时记录的pts_drift估算的。

可以看这个图来帮助理解：

 

图中央是一个时间轴，从左往右看。首先我们调用set_clock_at进行一次对时，假设这时的pts是落后系统时间time的，那么计算pts_drift = pts - time。

接着，过了一会儿，且在下次对时前，通过get_clock来查询时间，因为这时的pts已经过时，不能直接拿pts当做这个时钟的时间。不过我们前面计算过pts_drift，也就是pts和time的差值，所以我们可以通过当前时刻的系统时间来估算这个时刻的pts：pts = time + pts_drift.

当然，由于pts_drift是一直在变动的(drift与漂移、抖动的意思)，所以get_clock是估算值，真实的pts可能落在比如图示虚线圆的位置。

一般time会取CLOCK_MONOTONIC，即系统开机到现在的时间，一般都有几个小时；而pts是节目的播放时刻，比如从0开始，播放了10分钟，就是600s。所以，真实情况下pts_drift可能要比图示的大。

在了解了这些基础概念后，就可以开始阅读音视频同步的代码了。