音视频开发23 FFmpeg 音频重采样原理，音频重采样API 整理

hunandede

已于 2024-07-11 14:17:19 修改

阅读量1.2k

点赞数 6

CC 4.0 BY-SA版权

分类专栏： ffmpeg基础知识文章标签：音视频 ffmpeg

于 2024-06-07 18:41:31 首次发布

本文链接：https://blog.csdn.net/hunandede/article/details/139528306

代码实现的功能

目的是将：

一个采样率为 44100，采样通道为 2，格式为 AV_SAMPLE_FMT_DBL 的 in.pcm 数据

转换成

一个采样率为 48000，采样通道为 1，格式为 AV_SAMPLE_FMT_S16 的 out.pcm 数据

1.重采样

1.1 为什么要重采样？

为什么要重采样？当然是原有的⾳频参数不满⾜我们的需求。

⽐如在FFmpeg解码⾳频的时候，不同的⾳源有不同的格式，采样率等，在解码后的数据中的这些参数也会不⼀致。

(最新FFmpeg 解码⾳频后，⾳频格式为AV_SAMPLE_FMT_FLTP，这个参数应该是⼀致的)，

如果我们接下来需要使⽤解码后的⾳频数据做其他操作，⽽这些参数的不⼀致导致会有很多额外⼯作，此时直接对其进⾏重采样，获取我们制定的⾳频参数，这样就会⽅便很多。

再⽐如在将⾳频进⾏SDL播放时候，因为当前的SDL2.0不⽀持planar格式，也不⽀持浮点型的，⽽最新的 FFMPEG 16年会将⾳频解码为AV_SAMPLE_FMT_FLTP格式，因此此时就需要我们对其重采样，使之可以在SDL2.0上进⾏播放。

1.2 什么是重采样

所谓的重采样，就是改变⾳频的采样率、sample format、声道数等参数，使之按照我们期望的参数输出。这里的改变是指只要上述三者的其中一个变化，就叫做重采样。

1.3 可调节的参数

通过重采样，我们可以对：

1. sample rate(采样率)

2. sample format(采样格式)

3. channel layout(通道布局，可以通过此参数获取声道数

2 对应参数解析

2.1 采样率

采样设备每秒抽取样本的次数例如48000,44100，对应的是 AVFrame 结构体中的 sample_rate

2.2 采样格式及量化精度（位宽）

每种⾳频格式有不同的量化精度（位宽），位数越多，表示值就越精确，声⾳表现⾃然就越精准。

FFMpeg中⾳频格式有以下⼏种，每种格式有其占⽤的字节数信息（libavutil/samplefmt.h）：

enum AVSampleFormat {
    AV_SAMPLE_FMT_NONE = -1,
    AV_SAMPLE_FMT_U8,          ///< unsigned 8 bits
    AV_SAMPLE_FMT_S16,         ///< signed 16 bits
    AV_SAMPLE_FMT_S32,         ///< signed 32 bits
    AV_SAMPLE_FMT_FLT,         ///< float
    AV_SAMPLE_FMT_DBL,         ///< double

    AV_SAMPLE_FMT_U8P,         ///< unsigned 8 bits, planar
    AV_SAMPLE_FMT_S16P,        ///< signed 16 bits, planar
    AV_SAMPLE_FMT_S32P,        ///< signed 32 bits, planar
    AV_SAMPLE_FMT_FLTP,        ///< float, planar
    AV_SAMPLE_FMT_DBLP,        ///< double, planar
    AV_SAMPLE_FMT_S64,         ///< signed 64 bits
    AV_SAMPLE_FMT_S64P,        ///< signed 64 bits, planar

    AV_SAMPLE_FMT_NB           ///< Number of sample formats. DO NOT USE if linking dynamically
};

2.3 平面模式和交错模式 - 分⽚（plane）和打包（packed）

以双声道为例，

带P（plane）的数据格式在存储时，其左声道和右声道的数据是分开存储的，左声道的数据存储在data[0]，右声道的数据存储在data[1]，每个声道的所占⽤的字节数为linesize[0]和 linesize[1]；

不带P（packed）的⾳频数据在存储时，是按照LRLRLR...的格式交替存储在data[0]中，linesize[0]

表示总的数据量。

2.4 声道分布（channel_layout)

声道分布在FFmpeg\libavutil\channel_layout.h中有定义，⼀般来说⽤的⽐较多的是

AV_CH_LAYOUT_MONO （单声道）

AV_CH_LAYOUT_STEREO（双声道）

AV_CH_LAYOUT_SURROUND（三声道）

#define AV_CH_LAYOUT_MONO              (AV_CH_FRONT_CENTER)
#define AV_CH_LAYOUT_STEREO            (AV_CH_FRONT_LEFT|AV_CH_FRONT_RIGHT)
#define AV_CH_LAYOUT_2POINT1           (AV_CH_LAYOUT_STEREO|AV_CH_LOW_FREQUENCY)
#define AV_CH_LAYOUT_2_1               (AV_CH_LAYOUT_STEREO|AV_CH_BACK_CENTER)
#define AV_CH_LAYOUT_SURROUND          (AV_CH_LAYOUT_STEREO|AV_CH_FRONT_CENTER)

2.5 ⾳频帧的数据量计算

⼀帧⾳频的数据量（字节）= channel数 * 每个channel的样本数 * 每个样本占⽤的字节数

对应从AVFrame 中的数据为

avframe->ch_layout.nb_channels * avframe->nb_samples * av_get_bytes_per_sample((AVSampleFormat)avframe->format);

如果该⾳频帧是FLTP格式的PCM数据，包含1024个样本，双声道，那么该⾳频帧包含的⾳频数据量是 2*1024*4=8192字节。

FLTP 对应的数据大小可以通过 ffmpeg -sample_fmts 查看：

u8        8
s16      16
s32      32
flt      32
dbl      64
u8p       8
s16p     16
s32p     32
fltp     32
dblp     64
s64      64
s64p     64

如果是 AV_SAMPLE_FMT_DBL ，大小为： 2*1024*8 = 16384

2.6 ⾳频播放时间计算

以采样率44100Hz来计算，也就是每秒44100个样本，

因此播放一个样本的时间为 1÷44100 秒。

⽽aac正常⼀帧为1024个sample，可知aac每帧播放时间：

1÷44100 x 1024 秒 = 1÷44100 x 1024 x 1000 毫秒 = 23.21995464852608毫秒

即：⼀帧播放时间（毫秒

最低0.47元/天解锁文章