每一幀音頻或視頻都有一個持續時間：duration：
采樣頻率是指將模擬聲音波形進行數字化時，每秒鐘抽取聲波幅度樣本的次數。
。正常人聽覺的頻率范圍大約在20Hz~20kHz之間，根據奈奎斯特采樣理論，為了保證聲音不失真，采樣頻率應該在40kHz左右。常用的音頻采樣頻率有8kHz、

11.025kHz、22.05kHz、16kHz、37.8kHz、44.1kHz、48kHz等，如果采用更高的采樣頻率，還可以達到DVD的音質
對采樣率為44.1kHz的AAC音頻進行解碼時，一幀的解碼時間須控制在23.22毫秒內。
背景知識:
(一個AAC原始幀包含一段時間內1024個采樣及相關數據)
分析：
1) AAC
音頻幀的播放時間=一個AAC幀對應的采樣樣本的個數/采樣頻率(單位為s)
一幀 1024個 sample。采樣率 Samplerate 44100KHz，每秒44100個sample, 所以根據公式???音頻幀的播放時間=一個AAC幀對應的采樣樣本的個數/采樣頻率
當前AAC一幀的播放時間是= 1024*1000000/44100= 22.32ms(單位為ms)
2) MP3
mp3 每幀均為1152個字節， 則：
frame_duration = 1152 * 1000000 / sample_rate
例如：sample_rate = 44100HZ時，計算出的時長為26.122ms，這就是經常聽到的mp3每幀播放時間固定為26ms的由來。
3)H264
視頻的播放時間跟幀率有關 frame_duration = 1000/fps
例如：fps = 25.00 ，計算出來的時常為40ms，這就是同行所說的40ms一幀視頻數據。

理論上的音視頻(播放)同步是這樣的：
由此得到了每一幀數據的持續時間，音視頻交叉存儲在容器中：一個時間軸：
時間軸：0???22.32???40?????44.62????66.96????80?????89.16??????111.48????120???????................
音???頻?：0?? 22.32??????????? 44.62??? 66.96?????????????89.16????? 111.48????????????????................
視?? 頻?：0??????????????40??????????????????????????????80???????????????????????????????????120???????................
即視頻的持續時間相加 和音頻的持續時間相加作比較，誰小寫入哪個。

但實際情況(播放)是不成立的

1：首先解決一個問題

為什么不 音頻播音頻的 視頻播視頻的 即上面的 到 第22.32ms播一幀音頻 ，到40ms播一幀視頻。

因為這個22.32ms 或40ms是算不準的或者說和聲卡播的時間是不一樣的。這里就需要知道聲卡播一幀/或者說播放一個buf音頻需要多長時間。

2：聲卡每次播一個采樣點 而不是一幀。聲音當一個采樣點丟失了都可以聽出來，視頻則不然。

3：音視頻同步方式：1----回調方式

假設聲卡有兩塊緩存都是存放要播放的聲音pcm的 一直在播放"B"buf 首先確定幾點

(1)buf大小是固定的這樣播放一個buf的時間就是固定的，假設30ms;

(2)當buf“B”播放完畢即buf用完，再播放buf“A",保證音頻pcm一直都連續

(3)當一個buf播放完畢,那說明系統(聲卡)過了30ms,?這時候有可能真正的時間過了40ms(這里不用關心),這里則通過回調得到一次時間30ms;

(4)再去用視頻對應音頻的30ms,這時候的時間就是準確的：

時間軸：0?????????????????? ?30?????????????????????? ??60?????????????????????? ??90?????????????????????????????????????? ?120???????................
音???頻?：0? ?? 22.32?????????????????44.62?????????????????66.96?????89.16?????????????????????? 111.48??????????????????? ?................
視?? 頻?：0???????????????????????? ?40????????????????????????????????????80???????????????????????????????????????????????? ?120???????................

(5)這里有個問題就是 視頻中 30ms 到40ms 這中間的10ms是怎么算出來的，這個是不用關心的，因為人的眼睛10ms是看不出來的，

即當音頻的30ms一次回調時，就可以播放第二幀視頻，如上圖

第一次回調(30ms)---播(40ms)視頻，

第一次回調(60ms)---播(80ms)視頻，

第一次回調(90ms)---不播視頻，

第一次回調(120ms)---播(120ms)視頻。

4：音視頻同步方式：1----阻塞方式

還是看上面的圖

(1)buf"B"一直在播放，傳入buf"A"的外部buf把數據給buf"A"后 不立即返回，等到buf"B"播放完成再返回，

這時從傳入到經過阻塞出來就是一個buf的時間例如上面的30ms。

(2)然后buf"A"一直在播放，傳入buf"B"的外部buf把數據給buf"B"后 不立即返回，等到buf"A"播放完成再返回，

這時從傳入到經過阻塞出來就是一個buf的時間例如上面的30ms。

(3)循環上面(1)(2),即得到了如回調方式同樣的那個30ms時間。下面和回調方式一樣，見回調方式(4)(5)。

總結

以上是生活随笔為你收集整理的音视频同步(播放)原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。