2022容器格式全面指南

▲扫描图中二维码了解音视频技术大会更多信息▲

作者：Armin Trattnig
翻译：Alex
技术审校：赵志立

特别说明：This article was originally published by our friends/colleagues at Bitmovin on June 14, 2022. A copy of the original article can be found here：

https://bitmovin.com/containe...

本文是一篇介绍2022年容器格式的全面指南，由Bitmovin公司中一些世界级的视频工程师和专家创作。

我们创作这篇指南的目的是希望你能全面了解关于容器格式的所有知识：从最基本的技术术语到深入探究不同的容器格式。

你可以从头开始阅读本篇文章，也可以跳到自己感兴趣的章节阅读。

让我们开始吧！

在正式开始之前，让我们先来了解一些技术术语。

编解码器（Codec）用于存储二进制格式的媒体信号，大部分编解码器都会以一种有损的方式压缩原始媒体信号。

最常见的媒体信号有视频、音频和字幕。电影包括不同的媒体信号，大部分电影除了视频外，还有音频和字幕。

常见的视频编解码器有：H.264、HEVC、VP9和AV1。音频编解码器有：AAC、MP3和Opus。

每种媒体信号都可以使用多种不同的编解码器。

编解码器类型

单一媒体信号通常被称为ES流（Elementary Stream）或者数据流。通常人们会用编解码器、媒体或者H.264流表示视频流。

01 什么是媒体容器？

容器格式=描述多媒体数据流和元数据如何在文件中共存的元文件格式规范。

容器格式提供如下功能：

数据流封装（Stream Encapsulation）

单一文件可以包含一个或者多个媒体数据流。

定时/同步（Timing/Synchronization）

容器添加如何在一个文件中使用不同数据流的数据。比如，将视频流中的唇动与音频流中的语音同步的正确时间戳。

跳转播放（Seeking）

容器提供电影跳转到某个时间点的信息。比如，当观众想观看一部分电影内容（而非整部电影）时。

元数据（Metadata）

元数据有很多种。使用容器格式可以将它们添加到电影中。比如，音频流所使用的语言（中文、英文等）。

有时字幕也被认为是元数据。

常见的容器格式包括MP4、MPEG2-TS和MKV（Matroska），可以承载不同的视频和音频编解码器。每种容器格式都有其优点和缺点。这些属性与兼容性、传输和数据冗余有关。

02 容器格式技术术语

编码（Encoding）

将原始媒体信号转换为编解码器的二进制文件的过程被称为编码。比如，使用视频编码器H.264将一系列原始图像进行编码。编码也指将非常高质量的原始视频文件转换为更容易分享和传输的中间格式的过程：以未压缩的RGB 16位帧为例，它每帧大小为12.5MB，持续时间为60秒（按照每秒24帧计算），合计为17.9GB。现在将它压缩为3.11MB每帧的8位帧，帧率为24fps的60秒相同视频，只需2.9GB。经过高效压缩后，视频文件大小整整少了15GB！

解码（Decoding）

解码对应上文提到的编码。解码是将二进制文件转换回媒体信号的过程。比如：H.264编码器将数据流转换为可观看的图像。

转码（Transcoding）

是指将一个编码格式转换为另一个（或者相同）编码格式的过程。编码和解码是实现成功转码的必要过程。其最佳描述为：将源编码格式的数据流解码，然后编码为新的目标编码格式数据流。虽然编码通常是有损的，但插帧和上采样等技术可提升转码视频的质量。

封装（Muxing）[1]

是指将一个或多个编解码器数据流添加到一个容器格式的过程。

[1]审校者注：实际上Muxing是Multiplexing的简写，Demuxing是Demultiplexing的简写，一般没有区别；但是看这里的描述有意做了细微的区分，封装/解封装 vs 复用/解复用算是符合作者表达的含义，前者强调装进去和提取出来，后者强调以何种方式混合和分离音视频。

解封装（Demuxing）

从容器格式中提取编解码器数据流。

转封装（Transmuxing）

从一个容器格式中提取数据流，然后将它们放入不同的（或者相同）容器格式中。

多路复用（Multiplexing）

是指将音频和视频混合为一个数据流的过程。比如，来自编码器的ES流被转换为PES流（Packetized Elementary Stream），再被转换为TS流（Transport Stream）。

解复用（Demultiplexing）

多路复用的反向操作。意味着从媒体容器中提取ES流。比如，从MP4音乐视频中提取MP3音频数据。

带内事件（In-Band Events）

是指与具体时间戳相关的元数据事件。通常意味着这些事件与视频和音频流同步。比如，这些事件能够用来触发动态内容替换（广告插入）或者补充内容呈现。

03 OTT媒体传输中的容器格式

几乎只要有数字媒体存在的地方，就会有容器。比如，如果你使用智能手机录制视频，采集到音频和视频就会被存储在一个容器文件中（如MP4文件）。

容器格式的另一个实际应用场景是网络流媒体传输领域。端到端处理媒体数据的实体就是容器。

在内容生产端，打包器会将多路编码的媒体数据打包到容器中，然后在客户端设备的请求下通过网络进行传输。

然后容器被解复用，其中的内容被解码并最终呈现给终端用户。

在线媒体分发工作流程

04 播放器对容器格式的处理

提取元数据

在客户端，播放器需要从容器中提取基础的媒体信息。比如，切片播放时间、时长信息和编码格式等。

除此之外，大部分浏览器通常不会直接提取和处理容器中的元数据。

这就要求播放器实现能够妥善处理元数据。

比如CEA-608/708字幕、带内事件（fMP4的emsg box）等，播放器需要分析媒体容器格式中的相关数据，跟踪时间线并在正确的时间点进一步处理数据（比如在正确时间显示正确字幕）。

fMP4切片的EMSG box

客户端转封装

浏览器通常缺乏对于特定容器格式的支持。一个常见例子是，Chrome、Firefox、Edge和IE没有（完整）支持MPEG-TS容器格式，从而引发了各种问题。

MPEG-TS格式是专为DVB（数字视频广播，Digital Video Broadcasting）应用设计的。

由于MPEG-TS现在依然是常用格式，所以唯一的解决方法便是将媒体从MPEG-TS转换为这些浏览器支持的容器格式（如fMP4）。

转封装环节可以在端侧完成，在将内容发送给浏览器媒体栈进行解复用和解码之前执行。

基本上，该步骤包括多路分解MPEG-TS，然后再一次将ES流多路复用到fMP4。

这个过程通常被称为Transmuxing，即转封装。

05 MP4容器格式

标准概览

MPEG-4 Part 14（MP4）是最常用的容器格式，通常以.mp4作为文件后缀名。它可以用于DASH，也可以用于Apple的HLS。

MP4基于ISO基础媒体文件格式（MPEG-4 Part 12），该格式以QuickTime文件格式为基础。

MPEG表示Moving Pictures Experts Group（动态图像专家工作组），由ISO（国际标准化组织）和IEC（国际电工委员会）共同成立。MPEG的目的是为音频、视频压缩和传输设立标准。MPEG-4明确规定了音视频对象编码。

MP4支持多种编码格式。H.264和HEVC是最常用的视频编解码器。AAC是最常用的音频编解码器，它是大名鼎鼎的MP3的继任者。

ISO 基础媒体文件格式（ISO Base Media File Format）

ISO文件格式（ISOBMFF, MPEG-4 Part 12）是MP4容器格式的基础。ISOBMFF标准定义了基于时间的多媒体文件——通常指音频和视频，并以稳定的数据流传输。ISO既灵活，又易于扩展。它支持多媒体数据的互操作性、管理、编辑和呈现。

构成ISOBMFF的基本单元是box，也被成为atom。该标准通过使用类和面向对象方法定义了box。所有box继承自基类Box，并通过扩展添加新的类属性以实现特定功能。

基类：

示例FileTypeBox：

FileTypeBox被用来识别ISOBMFF文件的目的和用途，通常位于文件的开头。

box也可以有子box，并形成box树。比如，MovieBox（moov）就有多个TrackBox（trak）。ISOBMFF中的track就是单一媒体流。如MovieBox可以包含一个视频track box和一个音频track box。

二进制编码数据可以被存储于mdat（Media Data Box）中。Track对二进制编码数据做引用/索引。

Fragmented MP4 (fMP4)

使用MP4，也可以将一部电影分割成多个片段（fragment）。MP4在此处发挥了优势：通过DASH或者HLS，播放器软件只需下载观众想要观看的视频片段。

fMP4（fragmented MP4）文件包含普通的MovieBox和TrackBox，用以表示哪些媒体流可用。Movie Extends Box (mvex) 用于指示后面跟随着MP4片段。

另一个优势是，这些片段可以被存储在不同的文件中。片段中包含与Movie Box（moov）非常相似的Movie Fragment Box（moof）。moof用于描述片段中的媒体信息。比如，一个10秒的视频片段，moof存储了这10秒片段的时间戳信息。每个片段都有自己的mdat。

调试(f)MP4文件

为了发现具体box的bug和其他不必要的配置，很有必要查看(f)MP4文件的box（atom）。

查看媒体文件内容的最佳工具包括：

MediaInfo (https://mediaarea.net/en/Medi...)

ffprobe（ffmpeg工具集的一部分）(https://ffbinaries.com/downloads)

这些工具并不会向你展示(f)MP4文件的box结构[2]。你可以使用下面这些工具进行展示：

[2]审校者注：此处为原文技术疏漏，mediainfo可以展示box结构，例如，命令行执行mediainfo可通过添加--Details=1参数来实现。

Boxdumper (https://github.com/l-smash/l-...)

IsoViewer (https://github.com/sannies/is...)

MP4Box.js (http://download.tsi.telecom-p...)

Mp4dump (https://www.bento4.com/)

Isoviewer的截图

06 CMAF容器格式

MPEG-CMAF

因为某些平台仅支持特定容器格式，所以作为内容发行商为每个平台提供服务无疑困难重重。

想要发行特定内容，需要生成和提供不同的容器格式（即MPEG-TS和fMP4）。很明显，这会增加基础设施中内容生产的成本，以及托管相同内容的多个副本的存储成本。最重要的是，它还会降低CDN缓存效率。MPEG-CMAF的目的就是解决上述问题：不是通过创建另外的容器格式，而是融合进一个已经存在的、用于OTT媒体传输的容器格式。CMAF与fMP4紧密相关，这使得从fMP4到CMAF的过渡非常容易。除此之外，随着Apple支持CMAF，将内容封装为MPEG-TS并提供给Apple设备这一方式很有可能会成为过去式，而CMAF将无处不在。

使用MPEG-CMAF，DRM解决方案在互操作性方面也会得到改进[通过使用MPEG-CENC（通用加密，Common Encryption）]。理论上，它可以对内容进行一次加密，然后仍然可用于其他所有先进的DRM系统。不过，遗憾的是，目前还没有标准化的加密方案，而且还存在竞争对手，比如Widevine和PlayReady。这些DRM彼此并不兼容，但是整个DRM行业正在慢慢趋向于使用一种格式——通用加密格式（Common Encryption format）。

Chunked CMAF

MPEG-CMAF的一个有趣特点是：它可以将视频切片编码为CMAF chunk。将内容如此编码后，再使用HTTP中的分块传输编码（HTTP chunked transfer encoding）传输媒体文件，这样就可以降低实时流媒体场景中的延迟。

在传统的fMP4中，整个视频切片必须完全下载之后才能播放。使用分块编码，任何完整下载的视频切片的分块（chunk）都可以解码和播放，即使切片的其他部分还在下载。因此，能够实现的直播低延迟不受切片时长限制，因为不完整切片的分块也可以被客户端加载和播放。

07 MPEG-TS容器格式

MPEG-TS（MPEG Transport Stream）在MPEG-2 Part 1中被标准化，并专门用于DVB（数字视频广播，Digital Video Broadcasting）应用场景。与其对应的MPEG Program Stream（目的在于存储媒体以及在DVD等应用中的使用）相比，MPEG-TS更倾向于是一种面向传输的格式。

MPEG-TS由小的数据包构成，这应该是一种降低视频损坏和丢失影响的措施。除此之外，该格式使用了FEC（前向纠错，Forward Error Correction）技术，允许在接收端更正传输错误。很明显，MPEG-TS是为在有损传输通道使用而设计的。

封装：ES → PES → TS

来自编码器的ES流先被打包成PES，添加的PES头包含数据流标识符、PES包长度、媒体时间戳等信息。接下来，PES被分成184字节的chunk，然后通过为每个chunk添加一个4字节的标头，将其转换为TS。生成的TS由固定长度为188字节的数据包组成。（同一条流的）每个TS数据包标头都带有相同的PID（数据包标识符，Packet Identifier），这样就将数据包与其ES流相关联。