我正在尝试编写一个简单的 Windows Media Foundation 命令行工具，以使用 IMFSourceReader 和 IMFSyncWriter 加载视频，将视频和音频作为未压缩流读取并使用一些特定的硬编码设置将它们重新编码为 H.246/AAC。
The simple program Gist is here
(注意:我测试的视频都是立体声，48000k采样率)
该程序有效，但是在某些情况下，当在编辑程序中将新输出的视频与原始视频进行比较时，我发现复制的视频流匹配，但拷贝的音频流预先固定了一定程度的静音并且音频偏移，这在我的情况下是 Not Acceptable 。
audio samples:
original - |[audio1] [audio2] [audio3] [audio4] [audio5] ... etc
copy - |[silence] [silence] [silence] [audio1] [audio2] [audio3] ... etc
在这种情况下，传入的第一个视频帧具有非零时间戳，但第一个音频帧确实具有 0 时间戳。
我希望能够生成一个视频和音频流中的第一帧为 0 的复制视频，因此我首先尝试从所有后续视频帧中减去该初始时间戳 (videoOffset)它产生了我想要的视频，但导致了音频的这种情况:
original - |[audio1] [audio2] [audio3] [audio4] [audio5] ... etc
copy - |[audio4] [audio5] [audio6] [audio7] [audio8] ... etc
音轨现在向另一个方向移动了少量，但仍然没有对齐。有时，当视频流起始时间戳为 0 但 WMF 仍然在开始时切断一些音频样本时，有时也会发生这种情况(请参阅示例视频 3)!
我已经能够修复此同步对齐并将视频流偏移到从 0 开始，并在将音频样本数据传递到 IMFSinkWriter 时插入以下代码:
//inside read sample while loop
...
// LONGLONG llDuration has the currently read sample duration
// DWORD audioOffset has the global audio offset, starts as 0
// LONGLONG audioFrameTimestamp has the currently read sample timestamp
//add some random amount of silence in intervals of 1024 samples
static bool runOnce{ false };
if (!runOnce)
{
size_t numberOfSilenceBlocks = 1; //how to derive how many I need!? It's aribrary
size_t samples = 1024 * numberOfSilenceBlocks;
audioOffset = samples * 10000000 / audioSamplesPerSecond;
std::vector<uint8_t> silence(samples * audioChannels * bytesPerSample, 0);
WriteAudioBuffer(silence.data(), silence.size(), audioFrameTimeStamp, audioOffset);
runOnce= true;
}
LONGLONG audioTime = audioFrameTimeStamp + audioOffset;
WriteAudioBuffer(dataPtr, dataSize, audioTime, llDuration);
奇怪的是，这会创建一个与原始视频匹配的输出视频文件。
original - |[audio1] [audio2] [audio3] [audio4] [audio5] ... etc
copy - |[audio1] [audio2] [audio3] [audio4] [audio5] ... etc
解决方案是在音频流开头以 1024 block 大小插入额外静音。无论 IMFSourceReader 提供的音频 block 大小是多少，填充都是 1024 的倍数。
我的问题是，似乎没有可检测到的沉默偏移原因。为什么我需要它？我怎么知道我需要多少？经过几天的解决这个问题后，我偶然发现了 1024 个示例静音 block 解决方案。
有些视频似乎只需要 1 个填充 block ，有些需要 2 个或更多，有些则根本不需要额外的填充!
我的问题是:
有谁知道为什么会发生这种情况？
在这种情况下我是否错误地使用了 Media Foundation 导致了这种情况？
如果我是正确的，我如何使用视频元数据来确定是否需要填充音频流以及填充中需要有多少 1024 个静音 block ？
编辑:
对于上面的示例视频:
sample video 1 :视频流从 0 开始，不需要额外的 block ，原始数据的直通效果很好。
sample video 2 :视频流从 834166 (hns) 开始，需要 11024 个静音 block 才能同步
sample video 3 :视频流从 0 开始，需要 21024 个静音 block 才能同步。
更新:
我尝试过的其他事情:
- 增加第一个视频帧的持续时间以解决偏移:不会产生任何效果。
最佳答案
我编写了您程序的另一个版本来正确处理 NV12 格式(您的程序无法正常工作):
EncodeWithSourceReaderSinkWriter
我使用 Blender 作为视频编辑工具。这是我使用 Tuning_against_a_window.mov 得到的结果:
从下到上:
- 原始文件
- 编码文件
- 我通过设置“elst”原子(数字条目值为 0)更改了原始文件(我使用了 Visual Studio hexa 编辑器)
正如 Roman R. 所说，MediaFoundation mp4 源不使用“edts/elst”原子。但 Blender 和您的视频编辑工具可以。此外，mp4 源会忽略“tmcd”轨道。
“edts/elst”:
Edit lists can be used for hint tracks...
The MPEG-4 file source silently ignores hint tracks.
所以事实上，编码是好的。我认为与真实的音频/视频数据相比，没有音频流同步偏移。例如，您可以将“edts/elst”添加到编码文件中，以获得相同的结果。
PS:在编码文件上，我为音频/视频轨道添加了“edts/elst”。我还增加了 trak 原子和 moov 原子的大小。我确认，Blender 对原始文件和编码文件显示相同的波形。
编辑
我试图理解 3 个视频样本中 mvhd/tkhd/mdhd/elst 原子之间的关系。 (是的，我知道，我应该阅读规范。但我很懒......)
您可以使用 mp4 资源管理器工具来获取原子的值，或使用我的 H264Dxva2Decoder 项目中的 mp4 解析器:
Tuning_against_a_window.mov
- 来自 tkhd 视频的 elst(媒体时间):20689
- 来自 tkhd 音频的 elst(媒体时间):1483
GREEN_SCREEN_ANIMALS__ALPACA.mp4
- elst(媒体时间)来自 tkhd 视频:2002 年
- 来自 tkhd 音频的 elst(媒体时间):1024
GOPR6239_1.mov
- 来自 tkhd 视频的 elst(媒体时间):0
- 来自 tkhd 音频的 elst(媒体时间):0
如您所见，对于 GOPR6239_1.mov，来自 elst 的媒体时间为 0。这就是该文件不存在视频/音频同步问题的原因。
对于 Tuning_against_a_window.mov 和 GREEN_SCREEN_ANIMALS__ALPACA.mp4，我尝试计算视频/音频偏移。 我修改了我的项目以考虑到这一点:
EncodeWithSourceReaderSinkWriter
目前，我没有找到所有文件的通用计算。
我只是找到正确编码这两个文件所需的视频/音频偏移量。
对于 Tuning_against_a_window.mov，我在(电影时间 - 视频/音频 mdhd 时间)之后开始编码。 对于 GREEN_SCREEN_ANIMALS__ALPACA.mp4，我在视频/音频第一媒体时间之后开始编码。
没关系，但我需要为所有文件找到正确的唯一计算。
所以你有两个选择:
- 对文件进行编码并添加第一个原子
- 使用右偏移计算对文件进行编码
这取决于您的需求:
- 第一个选项允许您保留原始文件。但您必须添加第一个原子
- 使用第二个选项时，您必须在编码之前从文件中读取原子，并且编码后的文件将丢失一些原始帧
如果您选择第一个选项，我将解释如何添加第一个原子。
PS:我对这个问题很感兴趣，因为在我的 H264Dxva2Decoder 项目中，edts/elst 原子在我的待办事项列表中。 我解析它，但我不使用它......
PS2:这个链接听起来很有趣: Audio Priming - Handling Encoder Delay in AAC
关于c++ - 媒体基础视频重新编码产生音频流同步偏移，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/55054531/