c++ - 媒体基础视频重新编码产生音频流同步偏移

Question

我正在尝试编写一个简单的 Windows 媒体基础命令行工具，以使用 IMFSourceReader 和 IMFSyncWriter 加载视频，读取视频和音频作为未压缩的流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

sample video 1

sample video 2

sample video 3

(注意:我一直在测试的视频都是立体声，48000k 采样率)

该程序可以运行，但在某些情况下，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些静音并且音频偏移，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，第一个视频帧的时间戳为非零，但第一个音频帧的时间戳为 0。

我希望能够复制视频和音频流的第一帧为 0 的视频，因此我首先尝试从所有后续视频帧中减去初始时间戳 (videoOffset)它制作了我想要的视频，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一点，但仍然没有对齐。当视频流的开始时间戳为 0 但 WMF 仍然在开头切断一些音频样本时，有时也会发生这种情况(参见示例视频 3)!

在将音频样本数据传递给 IMFSinkWriter 时，我已经能够修复此同步对齐并偏移视频流以从 0 开始:

//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文件相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的开头插入 block 大小为 1024 的额外静音。 IMFSourceReader 提供的音频 block 大小无关紧要，填充是 1024 的倍数。

我的问题是，静音偏移似乎没有可检测的原因。为什么我需要它？我怎么知道我需要多少？经过数天的解决这个问题后，我偶然发现了 1024 样本静音 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，有些根本不需要额外的填充!

我的问题是:

• 有谁知道为什么会这样？

• 是不是我在这种情况下错误地使用了 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我是否需要填充音频流以及填充中需要多少 1024 个静音 block ？

编辑:

对于上面的示例视频:

• sample video 1 : 视频流从 0 开始并且不需要额外的 block ，原始数据的直通工作正常。

• sample video 2 : 视频流从 834166 (hns) 开始，需要 1 1024 block 静默来同步

• sample video 3 : 视频流从 0 开始，需要 2 1024 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。

Answer 1

我写了另一个版本的程序来正确处理 NV12 格式(你的不工作):

EncodeWithSourceReaderSinkWriter

我使用 Blender 作为视频编辑工具。这是我使用 Tuning_against_a_window.mov 的结果:

从下到上:

• 原始文件
• 编码文件
• 我通过将“elst”原子设置为数字条目的值 0 来更改原始文件(我使用 Visual Studio hexa 编辑器)

正如 Roman R. 所说，MediaFoundation mp4 源不使用“edts/elst”原子。但是 Blender 和您的视频编辑工具可以。 mp4 源也会忽略“tmcd”轨道。

“edts/elst”:

Edits Atom ( 'edts' )

Edit lists can be used for hint tracks...

MPEG-4 File Source

The MPEG-4 file source silently ignores hint tracks.

所以其实编码是好的。与真实的音频/视频数据相比，我认为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:在编码文件中，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 为原始文件和编码文件显示相同的波形。

编辑

我试图在 3 个视频示例中了解 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 资源管理器工具获取原子的值，或使用我的 H264Dxva2Decoder 项目中的 mp4 解析器:

H264Dxva2Decoder

Tuning_against_a_window.mov

• tkhd 视频的最后(媒体时间):20689
• tkhd 音频的最后(媒体时间):1483

GREEN_SCREEN_ANIMALS__ALPACA.mp4

• tkhd 视频的最后(媒体时间):2002
• tkhd 音频的最晚(媒体时间):1024

GOPR6239_1.mov

• tkhd 视频的最后(媒体时间):0
• 来自 tkhd 音频的最后(媒体时间):0

如您所见，对于 GOPR6239_1.mov，elst 的媒体时间为 0。这就是此文件没有视频/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，我没有找到适用于所有文件的通用计算方法。

我只是找到了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/音频最后一个媒体时间后开始编码。

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:

• 编码文件并添加elst atom
• 使用右偏移计算对文件进行编码

这取决于你的需求:

• 第一个选项允许您保留原始文件。但是您必须添加最后一个原子
• 使用第二个选项，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