基于FFmpeg和Android的音视频同步播放实现

前言

在以前的博文中，我们通过FFmpeg解码，并基于OpenGL ES完成了视频的渲染，也完成了基于OpenSL ES实现的native音频注入播放。
本文将这两部分代码进行合并，并实现音视频的同步播放。

实现需求

* 基于FFmpeg实现视频解码，并通过OpenGL ES进行渲染；
* 基于OpenSL ES进行PCM注入播放；
* 播放时进行音视频同步；
关于音视频同步原理


本文不打算详细介绍音视频同步的基本原理，网上关于这部分的资源很多。简单的来说，是音视频在编码时，在音频和视频PES包中，打入时间戳信息（PTS），那么在终端解码时，由于音频解码和视频解码的速度可能不一致，如果不进行同步操作，可能声音和画面就不同步了，造成画面超前或者滞后于声音。

一般来说，声音的播放时固定采样率的，所以声音的播放本身是平滑的，因此我们往往基于音频播放的基准（PTS）来进行视频同步，让视频画面的播放速度来匹配音频的解码速度。

音频同步实现

由于参考了前述博文视频和音频播放，所以原理部分不再阐述，重点描述同步相关的代码实现。关注如下两个函数：
double get_audio_clock() { double pts; int hw_buf_size, bytes_per_sec, n; pts
= audio_clock; bytes_per_sec =0; n = global_context.acodec_ctx->channels * 2;
bytes_per_sec = global_context.acodec_ctx->sample_rate * n; hw_buf_size =
last_enqueue_buffer_size - (double(av_gettime() - last_enqueue_buffer_time) /
1000000.0) * bytes_per_sec; if (bytes_per_sec) { pts -= (double) hw_buf_size /
bytes_per_sec; }//LOGV2("get_audio_clock:pts is %ld", pts); return pts; } //
this callback ha ndler is called every time a buffer finishes playing void
bqPlayerCallback(SLAndroidSimpleBufferQueueItf bq,void *context) { SLresult
result;//LOGV2("bqPlayerCallback..."); if (bq != bqPlayerBufferQueue) { LOGV2(
"bqPlayerCallback : not the same player object."); return; } int decoded_size =
audio_decode_frame(decoded_audio_buf,sizeof(decoded_audio_buf)); if
(decoded_size >0) { result =
(*bqPlayerBufferQueue)->Enqueue(bqPlayerBufferQueue, decoded_audio_buf,
decoded_size); last_enqueue_buffer_time = av_gettime();
last_enqueue_buffer_size = decoded_size;// the most likely other result is
SL_RESULT_BUFFER_INSUFFICIENT, // which for this code example would indicate a
programming error if (SL_RESULT_SUCCESS != result) { LOGV2("bqPlayerCallback :
bqPlayerBufferQueue Enqueue failure."); } } }
我们知道bqPlayerCallback函数是注册给OpenSL ES的接口函数，当解码芯片音频数据消耗完毕时，会调用此函数，我们在这个函数里存储了两个变量，
last_enqueue_buffer_time = av_gettime(); last_enqueue_buffer_size =
decoded_size;
其中，last_enqueue_buffer_time保存当前的系统时间，last_enqueue_buffer_size存储注入的数据大小。
接下来，函数get_audio_clock（），是获取音频时钟信息的，返回单位是秒，一般是浮点数，这里重点注意如下代码段，
pts = audio_clock; bytes_per_sec = 0; n = global_context.acodec_ctx->channels *
2; bytes_per_sec = global_context.acodec_ctx->sample_rate * n; hw_buf_size =
last_enqueue_buffer_size - (double(av_gettime() - last_enqueue_buffer_time) /
1000000.0) * bytes_per_sec; if (bytes_per_sec) { pts -= (double) hw_buf_size /
bytes_per_sec; }return pts;

全局变量audio_clock保存的是最后一次解码音频帧的时钟（时间戳）信息，n表示每声道存储的字节数，这里是16bit格式，所以乘以2。bytes_per_sec表示每秒钟消耗的音频字节数，根据采样率和n计算得到。hw_buf_size表示芯片音频缓存区里剩余未解码的音频数据大小，这里依赖保存的变量last_enqueue_buffer_size和last_enqueue_buffer_time计算得到，很好理解，最后就可以计算得到当前的音频时钟pts并返回。

视频同步实现


视频的同步相对复杂一点，首先建立了两个线程，一个负责解码即video_thread线程，一个负责视频渲染即picture_thread线程，解码后的视频帧（即picture）存储在一个队列中，我们定义成，
VideoPicture pictq[VIDEO_PICTURE_QUEUE_SIZE];
放在GlobalContext全局上下文中。

视频渲染线程picture_thread中，每一帧视频渲染的时间点，是由timer_delay_ms延时时间决定的，而每一帧视频的timer_delay_ms延时时间的计算主要由如下函数计算得到，
void video_refresh_timer() { VideoPicture *vp; double actual_delay, delay,
sync_threshold, ref_clock, diff;if (global_context.pictq_size == 0) {
schedule_refresh(1); } else { vp = &global_context.pict
q[global_context.pictq_rindex]; video_current_pts = vp->pts;
global_context.video_current_pts_time = av_gettime(); delay = vp->pts -
global_context.frame_last_pts;if (delay <= 0 || delay >= 1.0) { // 非法值判断 delay
= global_context.frame_last_delay; } global_context.frame_last_delay = delay;
global_context.frame_last_pts = vp->pts; ref_clock = get_master_clock(); diff =
vp->pts - ref_clock; sync_threshold = (delay > AV_SYNC_THRESHOLD) ? delay :
AV_SYNC_THRESHOLD;if (fabs(diff) < AV_NOSYNC_THRESHOLD) { if (diff <=
-sync_threshold) {//av_log(NULL, AV_LOG_ERROR, "video_refresh_timer : skip. \n"
); LOGV("video_refresh_timer : skip. \n"); delay = 0; } else if (diff >=
sync_threshold) {//av_log(NULL, AV_LOG_ERROR, "video_refresh_timer : repeat. \n"
); LOGV("video_refresh_timer : repeat. \n"); delay = 2 * delay; } } else { //av
_log(NULL, AV_LOG_ERROR,// " video_refresh_timer : diff > 10 , diff = %f,
vp->pts =%f , ref_clock = %f\n", // diff, vp->pts, ref_clock); LOGV( "
video_refresh_timer : diff > 10 , diff =%f, vp->pts = %f , ref_clock = %f\n",
diff, vp->pts, ref_clock); } global_context.frame_timer += delay; actual_delay
= global_context.frame_timer - (av_gettime() /1000000.0); if (actual_delay < 0.
010) { //每秒100帧的刷新率不存在 actual_delay = 0.010; } schedule_refresh((int)
(actual_delay *1000 + 0.5)); //add 0.5 for 进位 if (vp->pFrame)
video_display(vp->pFrame);if (++global_context.pictq_rindex >=
VIDEO_PICTURE_QUEUE_SIZE) { global_context.pictq_rindex =0; }
pthread_mutex_lock(&global_context.pictq_mutex); global_context.pictq_size--;
pthread_cond_signal(&global_context.pictq_cond);
pthread_mutex_unlock(&global_context.pictq_mutex); } }
其中，get_master_clock（）函数获取系统时钟，我们这里一般配置成音频的解码时间戳（PTS），然后计算视频时间戳和参考时间的差值，
ref_clock = get_master_clock(); diff = vp->pts - ref_clock;

以下代码判断差值的大小，如果小于门限值，则不延时，也就是说要迅速播放下一帧，类似于快进，如果大于门限值，则延时加倍，也就是说要慢点播放下一帧，当然可能一帧并不能马上达到音视频之间的同步，但是可以通过多帧的累积，最终使两者同步。
if (diff <= -sync_threshold) { //av_log(NULL, AV_LOG_ERROR,
"video_refresh_timer : skip. \n"); LOGV("video_refresh_timer : skip. \n");
delay =0; } else if (diff >= sync_threshold) { //av_log(NULL, AV_LOG_ERROR,
"video_refresh_timer : repeat. \n"); LOGV("video_refresh_timer : repeat. \n");
delay =2 * delay; }

注意video_refresh_timer（）函数中，还有一个actual_delay变量，奇怪的是，delay变量就行了，为何还有个actual_delay变量呢？原来，我们的程序在处理视频数据或者执行时，总要消耗时间，因此实际的delay时间总是要小于上述计算得到的delay值，actual_delay的计算如下，frame_timer是记录的上一次帧显示的系统时间加上了delay的值，av_gettime（）是当前的系统时间，两者的差值刚好是下一帧图像显示的延时时间。
actual_delay = global_context.frame_timer - (av_gettime() / 1000000.0);
下面函数完成一帧图像的显示，这和以前博文介绍的实现方法一致。
video_display(vp->pFrame);
几个时间变量

关于代码中出现的几个关于时间的变量，分别解释如下：
pFrame->pkt_pts 这个是码流里存储的PTS值，就是一个计数器，相对于时基的一个计数值 av_q2d
(global_context.vstream->time_base) 把分数的时基，转成浮点数（double）型的时间基准，就是最小分辨率时间段吧pFrame
->pkt_pts*av_q2d(global_context.vstream->time_base) 这是把码流里的PTS
计数值，转换成时间戳的形式，单位是秒（如0.0001秒） av_gettime 获取当前系统时间，单位微秒us vp->pts =
pFrame->pkt_pts*av_q2d(global_context.vstream->time_base) 当前要显示的帧的时间戳，单位是秒（如
0.0001秒），是 倍数*（1/时基） video_current_pts 保留最后刷新的帧的vp->pts值 global_context
.video_current_pts_time 当前显示帧时的系统时间，单位微秒global_context.frame_last_pts
看起来和video_current_pts一个意思？最后刷新的帧的vp->pts值global_context.frame_last_delay
记录最后的延时时间，用于下次PTS非法或者跳变时，采用上一次的值 global_context.frame_timer 用于帧的定时器时间计算，单位微秒
delay = vp->pts - global_context.frame_last_pts get_master_clock（）
返回系统的pts时间戳，是 倍数*（1/时基） delay = vp->pts - global_context.frame_last_pts
两帧之间的时间戳差值diff = vp->pts - ref_clock 当前帧和系统时钟之间的差值 global_context.frame_timer
应该是指每一帧视频的显示时刻，单位是秒，记住程序open媒体的时候有一个初始值
遗留问题

* 本程序在解码avi等视频格式时，无法播出图像，应该是avcodec_decode_video2解码后的数据是分段的，并不能一次完整解出；
*
在我的测试机器上，宏定义VIDEO_PICTURE_QUEUE_SIZE取值不同时，视频可能会出现跳帧卡顿的现象，调整到30帧时，表现最好，具体原因没有查到。
GitHub源码

请参考完整的源码路径：
https://github.com/ericbars/FFmpegAVSync
<https://github.com/ericbars/FFmpegAVSync>

• « 上一篇：web端实现类微信的语音播放效果
• » 下一篇：为文字或者边框添加七彩变换效果