目錄

-前言

-詞典

-封裝

-視頻

????--圖片壓縮

????--視頻壓縮

-音頻

-字幕

????--字幕文件

????--字幕類型

-字體

前言

本人才疏學(xué)淺，文章內(nèi)可能有錯誤的或不恰當?shù)牡胤?，歡迎各位大佬指正。

寫本文的目的，是希望把這些基礎(chǔ)知識帶給大家。因為我發(fā)現(xiàn)網(wǎng)上做這方面知識科普的視頻或文章，有的深度很深且難于理解、有的過于單調(diào)和松散、有的長篇大論、有的小白看不懂、有的甚至有錯誤；所以這篇文章將以簡潔、易懂、適合大家入門為目標，讓所有人都能學(xué)會。

詞典

p=per=/（這是除號）

????????eg：4元每斤=4元p斤；Mbps=Mb/s

k=10^3；M=10^6；G=10^9；Mi=1024^2；Gi=1024^3；Ti=1024^4……

????????tip：聽說k規(guī)范上為小寫，為的是與K（開爾文）區(qū)分，不確定是否如此

????????tip：把Mi寫作M為不規(guī)范寫法，說的就是你微軟

比特=bit=b；字節(jié)=Byte=B；1B=8b

幀數(shù)，單位：f=frame=幀；幀率，單位：fps=幀每秒

二進制，每位能存2個值（0-1）；十進制，每位能存10個值（0-9）

????????eg：10位的二進制數(shù)有2^10=1024個，4位的十進制數(shù)有10^4=4k個

????????tip：常見的計算機用的存儲器，每個位置只能存2個數(shù)，所以用二進制

采樣，因為自然中的運動是連續(xù)的，但視音頻無法記錄每一刻的信息，所以只能每隔一段時間采樣一次

????????eg：30fps的錄像就是一秒采樣30次

封裝

這里提出一點很多人的誤解：很多人誤以為一個視頻文件，就必定包含音頻。

實際上視頻文件和音頻文件是分離的，平時我們看到的大多數(shù)視頻文件，都是和一個音頻文件“捆綁”在一起的。要實現(xiàn)這種“捆綁”，就需要使用容器，也就是封裝。

“容器”這個詞非常形象，容器里可以放各種各樣的文件。比如我可以在一個容器里塞2個視頻、3個音頻、4個字幕。

常見的容器格式有mp4、mkv等。

這里就得提到第二個跟多人的誤區(qū)：mp4并不是視頻格式，而是容器格式。

假設(shè)一個mp4文件里有一個視頻流，我可以把這個視頻流抽出來，放在mkv容器里，而這個視頻流本身是不會有變化的，變化的僅僅是容器格式。

這里出現(xiàn)了第一個需要解釋的詞——“流”——這個詞也十分形象——播放中的視頻，不就是流動的畫面嘛。當然，你也可以叫它軌道，網(wǎng)上的叫法各種各樣，但總之，一個容器里可以放很多的流。

（mkv里甚至能塞入各種附件，如字體文件）

總結(jié)：視音頻等文件被封裝在一個容器文件中。

視頻

我相信絕大多數(shù)朋友都知道，視頻是由一張張圖片組成的，但可能忽視了視頻的壓縮。

視頻的每一張圖片被稱作一幀，圖片播放速率被稱作幀率（別說成幀數(shù)了啊，幀數(shù)是視頻的總圖片數(shù)）——以上僅僅是類比，因為視頻文件壓根就不是一張張圖片組成的。

為什么？原因很簡單，因為圖片太大了！

圖片壓縮

假設(shè)世界上有256種顏色，那么要用一個數(shù)值來表達一個像素，每個數(shù)值就需要占用256個存儲位置，一個位置為1bit，256=2^8，8bit=1Byte，那么就是每個像素占用1B——這就是8位色深的圖片。

一張圖片1920*1080=2073600個像素，需要占用約2MB。但顯然，平常我們見到的8位1080p圖片只有100KB不到，這是怎么回事？

如果現(xiàn)在讓你想一種方法，把原來2MB的圖片盡量壓縮得小，你會怎么做？是不是第一反應(yīng)就是，把大片大片同樣顏色的區(qū)域——比如圖片中央有一個800*800的白色正方形——用一個代表顏色的值、和一個代表形狀和位置的值來表示？本來需要用640000B表示的白色正方形，最終只用了幾B就表示出來了。

以上就是無損壓縮，只不過現(xiàn)在的無損壓縮算法比這復(fù)雜得多得多得多得…多。

常見的無損壓縮格式有PNG、GIF等。

那么有損壓縮又是怎么一回事？

假設(shè)現(xiàn)在有一大片(200,0,0)色的區(qū)域，里面混雜了一點(201,0,0)色，的像素，因為這兩種顏色過于接近，我是不是可以把它們視作同一種顏色存儲起來？反正肉眼看不出來嘛，能壓縮成多小就壓縮多小。

但這樣，原本的(201,0,0)色像素就丟失了，這不就是”有損“嘛。

當然，實際上的有損壓縮算法遠比這復(fù)雜，大家能理解啥是有損就好。

常見的有損壓縮格式有JPEG、WEBP等。

視頻壓縮

關(guān)于視頻壓縮，很多人存在誤區(qū)：視頻壓縮就是一張張壓縮后的圖片拼接在一起的。

如果僅僅是圖片壓縮后拼接，就如上文提到的，一張1080p8bit的圖片100KB=800Kb，假如一個視頻30fps，那么碼率就來到了驚人的24Mbps！

要知道，超高碼率的2160p視頻，很多也不到20Mbps。所以如果僅僅是圖片壓縮后拼接，那么結(jié)果就是硬盤爆炸。

所以聰明的你現(xiàn)在應(yīng)該已經(jīng)想到了幀間壓縮了吧——因為視頻的運動是連續(xù)的，所以賦予上個畫面中的一部分一個矢量信息，那么它就能動起來了！如果一個物體勻速運動了30f，那么我們只用了1f的大小，就存儲了30f的信息！

常見視頻格式有AVC、HEVC等。

（常見的視頻壓縮格式都是有損的）

總結(jié)：視頻文件是由非常復(fù)雜的算法壓縮的，并不是簡單的一堆圖片。

音頻

與視頻記錄每個像素的顏色一樣，音頻記錄的是每個采樣點的響度與頻率，把一個個采樣點的坐標串起來，就還原了原本波的形狀。

如一個函數(shù)y=sinx，采樣到了(0,0)，(π/2,1)，(π,0)三個坐標，那么生成的結(jié)果就是x∈(0,π)時的sinx圖像。（實際上比這復(fù)雜很多）

常見無損格式有FLAC、WAV等。

常見有損格式有AAC、MP3、OGG、OPUS等。

字幕

字幕文件

字幕需要的是什么？起始點和結(jié)束點！

所以字幕文件本質(zhì)上就是給一串字符起始點和結(jié)束點。

字幕樣式就是規(guī)定字符串的字體、位置、運動。有些字幕格式是無法指定高級樣式的，比如SRT。

當然實際上還是比較復(fù)雜的，有興趣的朋友可以打開一個字幕文件看看里面的結(jié)構(gòu)。

常見格式有ASS/SSA、SRT等。

以上是文本字幕，本質(zhì)上是把字符渲染成圖形實現(xiàn)的；除此之外還有圖形字幕，本質(zhì)上就是圖片，因為很少見，就不例舉了。

字幕類型

外掛字幕：字幕文件不在容器內(nèi)，是單獨的一個文件。

內(nèi)置/內(nèi)掛字幕：字幕文件封裝在容器內(nèi)，通常使用mkv封裝，因為能同時封裝字體。

內(nèi)嵌字幕：不存在字幕文件，字幕是視頻畫面的一部分。

這里指的字幕類型是相對于視頻來說的，如果不存在視頻，那就沒有所謂“字幕類型”；比如“外掛”是相對于視頻來說是外掛，“內(nèi)置”是相對視頻來說是和視頻封裝在一起的。

字體

字體是用來規(guī)定字符的圖形的。

比如“1”這個字符，你能看到它呈現(xiàn)的是“1”這個形狀，是因為它的字體是這個形狀，如果它的字體對應(yīng)的形狀是“2”，那么你輸入1將看到2。

Windows需要安裝字體，右鍵字體文件安裝即可，安裝的字體文件將被復(fù)制到Fonts文件夾中。當播放器播放字幕時，會發(fā)現(xiàn)字幕文件里需要某個字體，這時會讓系統(tǒng)調(diào)用已安裝的那個字體。如果那個字體沒被安裝，播放器將按照默認字體渲染字幕。

Android和iOS無法像Windows這樣方便地安裝字體，它們的字體渲染邏輯區(qū)別很大所以有時Android加載字體緩存能用到十幾二十分鐘。

觀看含字幕文件的視頻時，一定要有相應(yīng)字體，否則甚至會出現(xiàn)字幕超出屏幕邊緣的情況。