视频、音频、字幕…基础知识，从完全不懂，到轻松入门

目录

-前言

-词典

-封装

-视频

    --图片压缩

    --视频压缩

-音频

-字幕

    --字幕文件

    --字幕类型

-字体

前言

本人才疏学浅，文章内可能有错误的或不恰当的地方，欢迎各位大佬指正。

写本文的目的，是希望把这些基础知识带给大家。因为我发现网上做这方面知识科普的视频或文章，有的深度很深且难于理解、有的过于单调和松散、有的长篇大论、有的小白看不懂、有的甚至有错误；所以这篇文章将以简洁、易懂、适合大家入门为目标，让所有人都能学会。

词典

p=per=/（这是除号）

        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：听说k规范上为小写，为的是与K（开尔文）区分，不确定是否如此

        tip：把Mi写作M为不规范写法，说的就是你微软

比特=bit=b；字节=Byte=B；1B=8b

帧数，单位：f=frame=帧；帧率，单位：fps=帧每秒

二进制，每位能存2个值（0-1）；十进制，每位能存10个值（0-9）

        eg：10位的二进制数有2^10=1024个，4位的十进制数有10^4=4k个

        tip：常见的计算机用的存储器，每个位置只能存2个数，所以用二进制

采样，因为自然中的运动是连续的，但视音频无法记录每一刻的信息，所以只能每隔一段时间采样一次

        eg：30fps的录像就是一秒采样30次

封装

这里提出一点很多人的误解：很多人误以为一个视频文件，就必定包含音频。

实际上视频文件和音频文件是分离的，平时我们看到的大多数视频文件，都是和一个音频文件“捆绑”在一起的。要实现这种“捆绑”，就需要使用容器，也就是封装。

“容器”这个词非常形象，容器里可以放各种各样的文件。比如我可以在一个容器里塞2个视频、3个音频、4个字幕。

常见的容器格式有mp4、mkv等。

这里就得提到第二个跟多人的误区：mp4并不是视频格式，而是容器格式。

假设一个mp4文件里有一个视频流，我可以把这个视频流抽出来，放在mkv容器里，而这个视频流本身是不会有变化的，变化的仅仅是容器格式。

这里出现了第一个需要解释的词——“流”——这个词也十分形象——播放中的视频，不就是流动的画面嘛。当然，你也可以叫它轨道，网上的叫法各种各样，但总之，一个容器里可以放很多的流。

（mkv里甚至能塞入各种附件，如字体文件）

总结：视音频等文件被封装在一个容器文件中。

视频

我相信绝大多数朋友都知道，视频是由一张张图片组成的，但可能忽视了视频的压缩。

视频的每一张图片被称作一帧，图片播放速率被称作帧率（别说成帧数了啊，帧数是视频的总图片数）——以上仅仅是类比，因为视频文件压根就不是一张张图片组成的。

为什么？原因很简单，因为图片太大了！

图片压缩

假设世界上有256种颜色，那么要用一个数值来表达一个像素，每个数值就需要占用256个存储位置，一个位置为1bit，256=2^8，8bit=1Byte，那么就是每个像素占用1B——这就是8位色深的图片。

一张图片1920*1080=2073600个像素，需要占用约2MB。但显然，平常我们见到的8位1080p图片只有100KB不到，这是怎么回事？

如果现在让你想一种方法，把原来2MB的图片尽量压缩得小，你会怎么做？是不是第一反应就是，把大片大片同样颜色的区域——比如图片中央有一个800*800的白色正方形——用一个代表颜色的值、和一个代表形状和位置的值来表示？本来需要用640000B表示的白色正方形，最终只用了几B就表示出来了。

以上就是无损压缩，只不过现在的无损压缩算法比这复杂得多得多得多得…多。

常见的无损压缩格式有PNG、GIF等。

那么有损压缩又是怎么一回事？

假设现在有一大片(200,0,0)色的区域，里面混杂了一点(201,0,0)色，的像素，因为这两种颜色过于接近，我是不是可以把它们视作同一种颜色存储起来？反正肉眼看不出来嘛，能压缩成多小就压缩多小。

但这样，原本的(201,0,0)色像素就丢失了，这不就是”有损“嘛。

当然，实际上的有损压缩算法远比这复杂，大家能理解啥是有损就好。

常见的有损压缩格式有JPEG、WEBP等。

视频压缩

关于视频压缩，很多人存在误区：视频压缩就是一张张压缩后的图片拼接在一起的。

如果仅仅是图片压缩后拼接，就如上文提到的，一张1080p8bit的图片100KB=800Kb，假如一个视频30fps，那么码率就来到了惊人的24Mbps！

要知道，超高码率的2160p视频，很多也不到20Mbps。所以如果仅仅是图片压缩后拼接，那么结果就是硬盘爆炸。

所以聪明的你现在应该已经想到了帧间压缩了吧——因为视频的运动是连续的，所以赋予上个画面中的一部分一个矢量信息，那么它就能动起来了！如果一个物体匀速运动了30f，那么我们只用了1f的大小，就存储了30f的信息！

常见视频格式有AVC、HEVC等。

（常见的视频压缩格式都是有损的）

总结：视频文件是由非常复杂的算法压缩的，并不是简单的一堆图片。

音频

与视频记录每个像素的颜色一样，音频记录的是每个采样点的响度与频率，把一个个采样点的坐标串起来，就还原了原本波的形状。

如一个函数y=sinx，采样到了(0,0)，(π/2,1)，(π,0)三个坐标，那么生成的结果就是x∈(0,π)时的sinx图像。（实际上比这复杂很多）

常见无损格式有FLAC、WAV等。

常见有损格式有AAC、MP3、OGG、OPUS等。

字幕

字幕文件

字幕需要的是什么？起始点和结束点！

所以字幕文件本质上就是给一串字符起始点和结束点。

字幕样式就是规定字符串的字体、位置、运动。有些字幕格式是无法指定高级样式的，比如SRT。

当然实际上还是比较复杂的，有兴趣的朋友可以打开一个字幕文件看看里面的结构。

常见格式有ASS/SSA、SRT等。

以上是文本字幕，本质上是把字符渲染成图形实现的；除此之外还有图形字幕，本质上就是图片，因为很少见，就不例举了。

字幕类型

外挂字幕：字幕文件不在容器内，是单独的一个文件。

内置/内挂字幕：字幕文件封装在容器内，通常使用mkv封装，因为能同时封装字体。

内嵌字幕：不存在字幕文件，字幕是视频画面的一部分。

这里指的字幕类型是相对于视频来说的，如果不存在视频，那就没有所谓“字幕类型”；比如“外挂”是相对于视频来说是外挂，“内置”是相对视频来说是和视频封装在一起的。

字体

字体是用来规定字符的图形的。

比如“1”这个字符，你能看到它呈现的是“1”这个形状，是因为它的字体是这个形状，如果它的字体对应的形状是“2”，那么你输入1将看到2。

Windows需要安装字体，右键字体文件安装即可，安装的字体文件将被复制到Fonts文件夹中。当播放器播放字幕时，会发现字幕文件里需要某个字体，这时会让系统调用已安装的那个字体。如果那个字体没被安装，播放器将按照默认字体渲染字幕。

Android和iOS无法像Windows这样方便地安装字体，它们的字体渲染逻辑区别很大所以有时Android加载字体缓存能用到十几二十分钟。

观看含字幕文件的视频时，一定要有相应字体，否则甚至会出现字幕超出屏幕边缘的情况。