【音视频】视频格式
视频
视频其实就是一张张图片连续播放的效果，就像小时候画的小人画，快速的翻页就可以呈现出一种动画的效果。
但是由于存储空间的显示，还有网络流量的限制，不可能存储视频的每一帧画面
举个例子：在视频聊天中，假定从摄像头采集的图片每张大小200KB，每秒钟发送大概15帧图片，这样每秒钟需要的流量就需要3M（意味着需要24M的宽带），显然这个要求太高了。
可以将图片进行压缩来减少视频的大小。因为视频基本上都是连续的两帧图像，差别不会很大。所以，在记录下第一张完整的图像之后的每张图像只需要记录它和上一帧图像不一样的地方，直到出现了差别很大的图像，才重新记录一帧完整的图像（这个
完整的图像就叫做关键帧）。这样就可以很大程度上减小空间了。
视频编码：
主流的编码格式：H.264 ， H.265
H.264的优势：
- 低码率：和MPEG-2 & MPEG-4 ASP等压缩技术相比，在同等的图像质量下，采用H.264技术压缩后的数据量只有MPEG-2的1/8，MPEG-4的1/3
- 高质量的图像：H.264能够提供连续、流畅的高质量图像（DVD质量）
- 容错能力：H.264提供了解决在不稳定网络环境下容易发生的丢包等错误的必要工具
- 网络适应性强：H.264提供了网络抽象层，使得H.264的文件能容易地在不同网络上传输（互联网、CDMA、GPRS、WCDMA、CDMA2000）
- 高压缩率：H.264的压缩比达到惊人的102：1
因为如此，经过H.264压缩的视频数据，在网络传输过程中所需要的带宽更少，也更加经济。
音频
声音的频率叫做采样率。人对频率的识别范围是20HZ ~ 20000HZ，如果每秒钟能对声音做20000个采样，回放时就足以满足人耳的需求。
22050的采样频率是常用的，44100是CD音质，超过48000的采样没有意义。
关于音频的描述：
44100HZ 16bit stereo：表示每秒钟有 44100 次采样，采样数据用 16 位(2字节)记录,，双声道(立体声);
22050HZ 8bit mono：表示每秒钟有 22050 次采样，采样数据用 8 位(1字节)记录， 单声道;
采样率：声音在模拟信号->数字信号转换的过程中，单位时间内采样的次数。
采样值：每一次采样周期内声音模拟信号的积分值。
单声道声音文件：每次采样数据为8bit的short int
双声道立体声声音文件：每次采样数据为16bit的int （高8bit，低8bit，分别代表两个声道）
每个采样数据记录的是振幅，采样精度取决于存储空间的大小：
- 1字节（8bit）：只能记录 256 个数，也就是只能将振幅划分成 256 个等级；
- 2 字节（16bit）：可以细到 65536 个数，这已是 CD 标准了；
- 4 字节（32bit）： 能把振幅细分到 4294967296 个等级，实在是没必要了；
- 如果是双声道(stereo), 采样就是双份的, 文件也差不多要大一倍。
这样我们就可以根据一个 wav 文件的大小、采样频率和采样大小估算出一个 wav 文件的播放长度。
譬如 "Windows XP "启动".wav" 的文件长度是 424,644 字节, 它是 "22050HZ / 16bit / 立体声" 格式
那么它的每秒的传输速率(位速, 也叫比特率、取样率)是 22050*16*2 = 705600(bit/s), 换算成字节单位就是 705600/8 = 88200(字节/秒),
播放时间：424644(总字节数) / 88200(每秒字节数) ≈ 4.8145578(秒)。
但是这还不够精确, 包装标准的 PCM 格式的 WAVE 文件(*.wav)中至少带有 42 个字节的头信息, 在计算播放时间时应该将其去掉,
所以就有：(424644-42) / (22050*16*2/8) ≈ 4.8140816(秒). 这样就比较精确了.
位速：比特率、采样率 = 每秒的传输速率
压缩的音频文件常常用位速来表示, 譬如达到 CD 音质的 MP3 是: 128kbps / 44100HZ.
PCM（脉冲编码调制）：PCM中的声音数据没有被压缩，如果是单声道的文件，采样数据按时间的先后顺序依次存入（BYTE(8bit)或WORD(16bit)）
一般情况下，一帧PCM是由2048次采样组成的，如果是双声道的文件，采样数据按时间先后顺序交叉地存入。
## 参考文章：
http://blog.yundiantech.com/?log=blog&id=4
http://blog.yundiantech.com/?log=blog&id=5
