2.10 SDP · 波仔的 AI 编程实战课

📄 一句话概括

SDP 就是一份纯文本的「说明书」，告诉客户端这路流有几条轨道、什么编码、怎么解。 里面最容易被忽略的一个数字是时钟频率：它决定了时间戳怎么换算成秒。

📝 本节和前面几节的关系

2.3 说过 DESCRIBE 会带回一份 SDP，这一节把这份文本逐行拆开。 第 3 章的 RTP 时间戳、第 13 章的 WebRTC 协商，用的都是同一套 SDP。

一、它是一份纯文本的说明书

SDP 的全名是 Session Description Protocol，但它其实不是协议，是一种「文本格式」。 它不规定怎么传，只规定「怎么描述」。

格式规则简单到极点： ① 一行一个字段，形如 名字=值，中间没有空格。 ② 名字是单个小写字母：v、o、s、c、t、m、a。 ③ 行的顺序有讲究：v o s 必须在最前，t 在 m 之前，a 可以出现在任何位置，作用域跟着它前面的那个 m 走。 ④ 换行用 \r\n，不是 \n。这一点在手工构造 SDP 时经常踩。

它就是「一段可以被程序读的广告词」。 服务器用 DESCRIBE 把这段广告词发给你，你照着它去 SETUP、去解包。 所以 SDP 一旦不完整，后面全错——而这恰恰是最常见的故障源之一。

二、九个字段，三个必须看

一份典型 SDP 大概十行，字段有九个，但真正必须看懂的只有三个：

① m= 媒体行：m=video 0 RTP/AVP 96四个字段分别是：媒体类型、端口、传输协议、载荷类型。 有几个 m= 就有几条轨道，也就要 SETUP 几次。 ② a=rtpmap：a=rtpmap:96 H264/90000说清「96 号载荷是什么编码、时钟频率多少」。 没有它，96 这个数字毫无意义——因为 96 是动态分配的。 ③ a=control：a=control:trackID=0这条轨道的名字，SETUP 时要拼到 URL 后面。 漏了它，SETUP 就不知道建哪条轨道的通道。

其余六个了解一下就够： v=0 版本号永远是 0；o= 发起者与版本；s= 会话名（随便写）；c= 连接地址；t=0 0 表示一直有效；a=fmtp 编码的额外参数。

三、m= 一行里的四个字段

m=video 0 RTP/AVP 96 这行只有四个字段，但每一个都有坑：

① 媒体类型：video、audio、application（比如文字、白板）。一路流可以同时有 video 和 audio 两个 m= 行。 ② 端口：这里写 0 很常见，意思是「端口由 Transport 头协商，别在这里定」。老式 SDP 可能写具体端口，但对 RTSP 来说 0 是对的。 ③ 传输协议：RTP/AVP 表示 RTP over UDP。要 TCP 就写 RTP/AVP/TCP。 注意这个值和 SETUP 的 Transport 头必须一致，不一致就 461。 ④ 载荷类型：96。这是最容易错的一个。 0~95 是固定分配（0=PCMU、26=JPEG、34=H.263），96~127 是动态的，必须由 a=rtpmap 定义。

所以看到 m=video 0 RTP/AVP 96 而找不到 a=rtpmap:96，基本可以判定这份 SDP 是坏的。 有些廉价摄像头还真会漏这一行——现象是客户端能连上，但解不出画面。

四、时钟频率：时间戳的尺子

a=rtpmap:96 H264/90000 里那个 90000 是最容易被跳过的数字，但它决定了时间戳怎么算。

含义是：一秒钟对应 90000 个时间戳单位。 所以一个单位约 11.1 微秒，一帧（按 25fps）是 3600 个单位。

为什么是 90000？ 因为它能被常见的帧率整除：90000／25 = 3600，90000／30 = 3000，90000／24 = 3750。 整除了，每帧的时间戳就是整数，不会有累积误差。

视频用 90000，音频用 48000（对应采样率）。 两个流的时间戳不是同一个尺子，同步时必须先换算。 换算公式很简单：秒 = 时间戳 / 时钟频率。 这一条在第 3 章讲 RTP 时间戳时会反复用到。

还有一个副作用值得知道：RTP 头里的时间戳是 32 位无符号数，最大 4294967295。 除以 90000，约 47721 秒，也就是 13.26 小时就绕回一圈。 所以长时间直播必然遇到「时间戳回绕」，客户端必须处理——只比较差值，不比较大小。

五、动手 Demo：SDP 逐行拆解：一份纯文本说清怎么解

拿一份真实的 SDP，逐行分类、逐字段拆开，最后算一下时钟频率带来的时间戳回绕。 重点是三行：m=、a=rtpmap、a=control。

SDP = ("v=0\r\n"
       "o=- 0 0 IN IP4 127.0.0.1\r\n"
       "s=Live\r\n"
       "c=IN IP4 0.0.0.0\r\n"
       "t=0 0\r\n"
       "a=control:*\r\n"
       "m=video 0 RTP/AVP 96\r\n"
       "a=rtpmap:96 H264/90000\r\n"
       "a=fmtp:96 packetization-mode=1;profile-level-id=42e01f\r\n"
       "a=control:trackID=0\r\n")

NAME = {"v": "version", "o": "origin", "s": "session name",
        "c": "connection", "t": "timing", "m": "media",
        "a": "attribute"}

for line in SDP.split("\r\n"):
    if not line:
        continue
    k, v = line.split("=", 1)
    print("%-2s %-13s %s" % (k, NAME[k], v))

m = [l for l in SDP.split("\r\n") if l.startswith("m=")]
print("轨道数 = %d" % len(m))
if m:
    mt, port, proto, pt = m[0][2:].split(" ")
    print("类型=%s 端口=%s 传输=%s 载荷=%s" % (mt, port, proto, pt))

CLK = 90000
print("一帧 25fps 的时间戳步长 = %d" % (CLK // 25))
print("32 位时间戳约 %.2f 小时绕回" % (2 ** 32 / CLK / 3600))
print("一帧在墙上时间占 %.1f 毫秒" % (1000 / 25))

实跑输出：

--------------------------------------------------------------------
SDP——一份纯文本，说清这路流怎么解
--------------------------------------------------------------------
① 真从 SETUP 之前的 DESCRIBE 里拿一份 SDP

  | v=0
  | o=- 0 0 IN IP4 127.0.0.1
  | s=Live
  | c=IN IP4 0.0.0.0
  | t=0 0
  | a=control:*
  | m=video 0 RTP/AVP 96
  | a=rtpmap:96 H264/90000
  | a=fmtp:96 packetization-mode=1;profile-level-id=42e01f
  | a=control:trackID=0

② 每一行是什么意思

  行            名字             意思
  --------------------------------------------------------------------------------
  v=0           version          SDP 版本，永远是 0
  o=            origin           会话的发起者与版本号
  s=            session name     会话名，随便写
  c=            connection       媒体连接地址（这里 0.0.0.0 表示看 Transport）
  t=            timing           会话起止时间，0 0 表示一直有效
  a=control     attribute        控制 URL 的后缀
  m=            media            媒体行：类型、端口、传输协议、载荷类型
  a=rtpmap      attribute        载荷类型对应哪个编码与时钟频率
  a=fmtp        attribute        编码的额外参数

③ 从一行 m= 里读出三件事

  字段         值          含义
  ---------------------------------------------------------------
  媒体类型     video       video（还有 audio／application）
  端口         0           0 = 由 Transport 头协商决定
  传输协议     RTP/AVP     RTP/AVP = RTP over UDP
  载荷类型     96          96 = 动态载荷（H.264 常用 96~127）

④ 时钟频率决定了时间戳怎么算

  **`a=rtpmap:96 H264/90000` 里的 90000 是时钟频率：**
**一秒对应 90000 个时间戳单位，一个单位约 11.1 微秒。**
  **所以 RTP 头里 32 位的时间戳，约 13 小时就绕回一圈。**

  **这一条非常重要**：**音视频同步就是靠两个流各自的时钟频率，换算到同一个时间轴上来对齐。**
  **视频 90000、音频 48000 是常见组合，第 3 章会用到。**

九个字段里，a 出现了三次，每次作用域不同——a=control:* 是会话级的，后面两个 a= 是 m=video 这一条轨道的。 m=video 0 RTP/AVP 96 里端口是 0，意思是「端口等 SETUP 再协商」，不是「用 0 端口」。 90000 除以 25 得 3600——整数，没有余数。这就是选 90000 的原因：常见帧率都能整除。

30 秒实验

加一条 m=audio 0 RTP/AVP 97 和 a=rtpmap:97 MPEG4-GENERIC/48000/2，看轨道数变成 2——这就是音视频双轨的 SDP。
把 a=rtpmap:96 H264/90000 删掉再跑，体会「96 成了没有定义的数字」——客户端此时不知道该用什么解码器。
把时钟频率改成 1000，看「绕回时间」变成几小时——这就是为什么不能随便改时钟频率。

常见误区

「SDP 是一种传输协议」——它是文本格式，不传任何东西。它靠 RTSP（或 SIP、HTTP）捎带过去。
「96 就是 H.264」——96 是动态载荷，具体是什么由 a=rtpmap 说。同一份 SDP 里 96 可以是任何编码。
「时钟频率就是帧率」——90000 是时间戳的刻度，帧率是每秒多少帧。90000 除以 25 才得到每帧的步长。

自测三问（点开对答案）

1. SDP 里必须看懂的三行是什么？ —— **`m=`（几路、什么载荷）、`a=rtpmap`（载荷对应的编码与时钟频率）、`a=control`（trackID，SETUP 要拼）。** 2. 为什么视频的时钟频率选 90000？ —— **因为能被 24／25／30 这些常见帧率整除**，每帧时间戳是整数，无累积误差。 3. 32 位时间戳按 90000 的时钟多久绕回？ —— **约 13.26 小时。**长时间直播必然遇到，只能比差值不比大小。

☑ （第二章完；下一章 3.1.1 RTP格式）

一、它是一份纯文本的说明书

二、九个字段，三个必须看

三、m= 一行里的四个字段

四、时钟频率：时间戳的尺子

五、动手 Demo：SDP 逐行拆解：一份纯文本说清怎么解

30 秒实验

常见误区

相关笔记