Audio 关于音频编解码器术语的定义

当我学习

Cocoa音频队列

document时，我遇到了音频编解码器中的几个术语。在名为的结构中定义了

以下是条款：
1.采样率
2.数据包
3.框架
4.频道

我知道

采样率

和

频道

。我被另外两个弄糊涂了。其他两个术语是什么意思

你也可以用例子来回答这个问题。例如，我有一个采样率为44.1kHz的双通道PCM-16源，这意味着每秒有2*44100=88200字节的PCM数据。但是

包

和

帧

呢

---

提前谢谢你

您已经熟悉采样率定义。 采样频率或采样率fs定义为每秒获得的样本数（每秒样本数），因此fs=1/T。 因此，对于44100 Hz的采样率，每秒（每个音频通道）有44100个采样

视频中每秒帧数的概念与音频中每秒采样数的概念类似。眼睛的框架，耳朵的样本。其他信息

如果您有16位深度的立体声PCM，则意味着您有16*44100*2=1411200位/秒=>~172 kB/秒=>约10 MB/分钟

根据Apple中的定义：

Sample: a single number representing the value of one audio channel at one point in time.
Frame: a group of one or more samples, with one sample for each channel, representing the audio on all channels at a single point on time.
Packet: a group of one or more frames, representing the audio format's smallest encoding unit, and the audio for all channels across a short amount of time.

正如您所看到的，音频和视频帧概念之间存在细微的差异。在一秒钟内，您可以获得44.1 kHz的立体声音频：88200个采样，从而获得44100帧

像MP3和AAC这样的压缩格式将多个帧打包在数据包中（例如，这些数据包可以写入MP4文件，在那里它们可以与视频内容有效地交织）。您知道处理大数据包有助于识别位模式以提高编码效率

例如，MP3使用1152帧的数据包，这是MP3流的基本原子单元。PCM音频只是一系列的样本，所以它可以被分解为单个帧，实际上它根本没有数据包大小

对于AAC，每个数据包可以有1024（或960）帧。您所指的苹果文档中描述了这一点：

音频数据包中的帧数。对于未压缩音频，该值为1。对于可变比特率格式，该值是一个较大的固定数字，例如对于AAC为1024。对于每个数据包具有可变帧数的格式，如Ogg Vorbis，请将此字段设置为0

在基于MPEG的文件格式中，数据包被称为数据帧（不适用）

---

与先前的音频帧概念混合）。有关该主题的更多信息，请参见Brad comment。

+1，但您关于耳朵需要比眼睛更高的采样率的观点并不完全正确。当我们用PCM对音频进行编码时，我们处于时域中，采样的压力水平经常足以再现一个频率。当我们观看一幅图像时，我们处于频域中，在频域中可以再现颜色。如果我们在时域中拍摄图像，我们将对光子进行采样。现在，一些音频编解码器在频域中处理音频（如MP3），在一个帧中编码1152个样本（@44.1kHz）的情况并不少见，音频的频域采样率为~40fps。@Brad有趣的评论。当我了解到你所说的，如果我看一个带有H264/AAC-stsz盒的样本，我看到音频的样本数为2185，视频的样本数为1116。对于视频1，采样计数项=1个视频帧（fps 23.976）。如果我坚持你说的话，我有2185个“音频帧”，每个帧有1024个样本：2185（“音频帧”）*1024（一帧中的样本）=48000（采样率）*46.613（持续时间，以秒为单位）。但这不会破坏上述帧定义（我理解为1帧=n个样本，其中n是通道数）吗？术语“帧”有点泛化，有一些含义。PCM帧是每个通道的单个样本，这是正确的。在44.1kHz的立体声中，每秒有44100帧，每秒总共有88200个采样（每个通道一个）。对于MPEG，单个数据帧包含在固定时间内解码为一组固定PCM帧所需的数据。该帧的时间通常为26毫秒。更多信息：谢谢你的意见-事情现在在我的头脑中很清楚-我已经根据你的评论改进了我的答案。太好了！不仅是为了答案，也是为了你留下的讨论。谢谢大家!！