波仔
🎬 第五章 FFmpeg命令行实现音视频转码
📄 一句话概括

PCM 就是「每秒 44100 次、每次两个 16 位整数」，没有任何压缩。 一段 2 秒的立体声，裸 PCM 是 356352 字节，AAC 只要 33555。

📝 本节和前面几节的关系

视频那边讲完了 YUV 与 RGB，这一节换到音频，把 AAC 解回最原始的采样点。 下一节会在这个裸数据前面加 44 个字节，让它变成能双击播放的 WAV。

一、PCM 是音频的「原始数据」

把 AAC 解回 PCM，字节数同样是算出来的：

项 公式 值

采样点数 — 89088 应占字节 点数×2 字节×2 声道 356352 实测文件 — 356352 时长 点数÷采样率 2.02 秒

第二行与第三行分毫不差，说明 PCM 就是「点数乘声道乘位深」，一个字节不多。 这也是判断「这个文件到底是不是裸 PCM」最快的办法：算一遍，对得上就是。

第四行是 2.02 而不是 2.00：AAC 是按 1024 个采样点一包编的， 87 包加起来是 89088 点，除下来就多了 0.02 秒。多出来的这点尾巴是编码格式带来的。

二、和压缩音频差多少

同一段声音，两种存法：

文件 字节 码率

原始 PCM（s16 立体声） 356352 1411 kbps 同样内容的 AAC（128k） 33555 133 kbps

两行差 10.7 倍。这个倍数不是巧合：PCM 的码率是「采样率×位深×声道」算出来的， 44100×16×2 就是 1411 kbps，而 AAC 按心理声学模型只留下听得见的部分。

方向反过来看更有意思：想「提升音质」去转成 PCM，什么也提升不了。 PCM 只是把已有的信息摊开，摊开之后还是那点信息。

三、提取 PCM 的两个坑

坑一：planar 与 packed 的区别。 解码出来的音频帧通常是 planar（左右声道分开存），而 s16 文件要求 packed（左右交错）。

这就是为什么代码里要过一个 AudioResampler：它负责把格式、声道布局、采样率一次改到位。 少了这一步，写出来的字节数会翻倍或者错位。

坑二：声道布局要显式给。 只写「2 声道」不够，还得说清是 stereo 还是 downmix，否则重采样器不知道该怎么摆。

这两条在命令行里对应 -f s16le -ac 2 -ar 44100，三个参数一个都不能少。 注意 -f s16le 指的是输出封装格式，-acodec pcm_s16le 才是编码器。

四、动手 Demo：把 AAC 解回 PCM，对一遍字节数

解码音频流，用重采样器统一成 s16、立体声、44100，再写进一个裸的 .pcm 文件。 最后把「点数乘 4」与实测文件大小对一遍，再和压缩版比体积。

import av, os

c1 = av.open(u"o.pcm", u"w", format=u"s16le")
s1 = c1.add_stream(u"pcm_s16le", rate=44100)
s1.layout = u"stereo"
c0 = av.open(u"s5.mp4")
rs = av.AudioResampler(format=u"s16", layout=u"stereo", rate=44100)
n = 0
for f in c0.decode(audio=0):
    for rf in rs.resample(f):
        n += rf.samples
        for o in s1.encode(rf):
            c1.mux(o)
for rf in rs.resample(None):
    n += rf.samples
    for o in s1.encode(rf):
        c1.mux(o)
for o in s1.encode(None):
    c1.mux(o)
c1.close()
c0.close()

print(u"采样点 %d  应占 %d  实测 %d"
      % (n, n * 4, os.path.getsize(u"o.pcm")))
print(u"时长 %.2f 秒" % (n / 44100.0))

实跑输出：

--------------------------------------------------------------------
5.2.5 提取音频的 PCM
--------------------------------------------------------------------

**① 把 AAC 解回 PCM，字节数同样能算**

  项           公式                   值
  --------------------------------------------
  采样点数     —                      89088
  应占字节     点数×2 字节×2 声道     356352
  实测文件     —                      356352
  时长         点数÷采样率            2.02 秒

**第二行与第三行分毫不差：PCM 没有任何压缩，字节数只由「点数×声道×位深」决定。**
**第四行算出来是 2.02 秒而不是 2.00——因为采样点数是按整包凑出来的，末尾多了一小段。**

**② PCM 与压缩音频的体积对照**

  文件                       字节       码率
  ------------------------------------------------
  原始 PCM（s16 立体声）     356352     1411 kbps
  同样内容的 AAC（128k）     33349      132 kbps

**两行差 10.7 倍——这就是「有损压缩」在这段素材上的实际收益。**
**换成无损压缩（FLAC）大概能省一半，换成有损压缩能省一个数量级，差别就在「敢丢多少」。**

rs.resample(None) 是冲洗：重采样器内部也有缓存，不冲就会少最后一小段。 这一句和视频那边的 cc.decode(None) 是同一类东西。

n * 4 里的 4 是「2 字节 × 2 声道」。 如果换成 24 位就是乘 6，换成单声道就是乘 2，这个乘法永远成立。

如果输出文件是应占字节的两倍，八成是把 planar 当 packed 写了。 那种情况下左右声道会被拉成前后两段，听起来像「先左后右」的怪声。

30 秒实验

  1. 命令行对照：ffmpeg -i 片子.mp4 -vn -f s16le -ac 2 -ar 44100 出.pcm。
  2. 改位深：换成 -f s32le，文件大小立刻翻倍，听感没变化。
  3. 改声道：-ac 1，文件减半，能听出「左右糊在一起」。

常见误区

  1. 以为 PCM 音质更好。它只是没压缩，源有多少信息就只有多少。
  2. 漏了重采样。planar 直接写进 s16 文件会错位，声音变怪。
  3. 把 -f s16le 当成编码器。它是封装格式，编码器是 -acodec pcm_s16le。
自测三问（点开对答案） 1. 44100 采样、16 位、立体声的 PCM，每秒多少字节？ —— 176400 字节。44100 乘 2 字节乘 2 声道，换算成码率是 1411 kbps。 2. 为什么解出来的时长是 2.02 秒而不是 2.00？ —— AAC 按 1024 点一包编码，87 包凑成 89088 点，比 2 秒多出一点尾巴。 3. planar 与 packed 有什么区别？ —— planar 是一个声道一块连续存，packed 是左右交错存。裸 PCM 文件一般要 packed。

相关笔记