FFmpeg学习4：音频格式转换

前段时间，在学习试用FFmpeg播放音频的时候总是有杂音，网上的很多教程是基于之前版本的FFmpeg的，而新的FFmepg3中audio增加了平面（planar）格式，而SDL播放音频是不支持平面格式的，所以通过FFmpeg解码出来的数据不能直接发送到SDL进行播放，需要进行一个格式转换。通过网上一些资料，也能够正确的播放音频了，但是对具体的音频转换过程不是很了解，这里就对FFmpeg的对音频的存储格式及格式转换做个总结。本文主要有以下几个方面的内容：
* AVSampleFormat 音频sample的存储格式
* channel layout 各个通道存储顺序
* 使用FFmpeg对音频数据进行格式转换
* 音频解码API avcodec_decode_audio4在新版中已废弃，替换为使用更为简单的avcodec_send_packet和avcodec_receive_frame。本文简单的介绍了该API的使用。

AVSampleFormat

在FFmpeg中使用枚举AVSampleFormat表示音频的采样格式，其声明如下：

enum AVSampleFormat {
    AV_SAMPLE_FMT_NONE = -1,
    AV_SAMPLE_FMT_U8,          ///< unsigned 8 bits
    AV_SAMPLE_FMT_S16,         ///< signed 16 bits
    AV_SAMPLE_FMT_S32,         ///< signed 32 bits
    AV_SAMPLE_FMT_FLT,         ///< float
    AV_SAMPLE_FMT_DBL,         ///< double

    AV_SAMPLE_FMT_U8P,         ///< unsigned 8 bits, planar
    AV_SAMPLE_FMT_S16P,        ///< signed 16 bits, planar
    AV_SAMPLE_FMT_S32P,        ///< signed 32 bits, planar
    AV_SAMPLE_FMT_FLTP,        ///< float, planar
    AV_SAMPLE_FMT_DBLP,        ///< double, planar

    AV_SAMPLE_FMT_NB           ///< Number of sample formats. DO NOT USE if linking dynamically
};

和图像的像素存储格式类似，可以使用8位无符号整数、16位有符号整数、32位有符号整数以及单精度浮点数，双精度浮点数表示一个采样。但是，没有使用
24位的有符号整数，这是因为这些不同的格式使用的是原生的C类型，而C中是没有24位的长度的类型的。

Sample value can be expressed by native C types,hence the lack of a signed 24-bit sample format even though
it is a common raw audio data format.

对于浮点格式，其值在[-1.0,1.0]之间，任何在该区间之外的值都超过了最大音量的范围。
和YUV的图像格式格式，音频的采样格式分为平面（planar）和打包（packed）两种类型，在枚举值中上半部分是packed类型，后面（有P后缀的）是planar类型。
对于planar格式的，每一个通道的值都有一个单独的plane，所有的plane必须有相同的大小；对于packed类型，所有的数据在同一个数据平面中，不同通道的数据
交叉保存。
另外，在AVFrame中表示音频采样格式的字段format是一个int型，在使用AVSampleFormat时候需要进行一个类型转换，将int转换为AVSampleFormat枚举值。

在头文件samplefmt.h提供了和音频采样格式相关的一些函数，现列举一些如下：
* const char *av_get_sample_fmt_name(enum AVSampleFormat sample_fmt)
根据枚举值获取其相应的格式名称（字符串）
* enum AVSampleFormat av_get_sample_fmt(const char *name)
根据格式名字（字符串）获取相应的枚举值
* enum AVSampleFormat av_get_packed_sample_fmt(enum AVSampleFormat sample_fmt)
传入planar类型的采样格式，返回其可转换的packed类型的采样格式。例如传入 AV_SAMPLE_FMT_S32P，其返回值为 AV_SAMPLE_FMT_S32。
* enum AVSampleFormat av_get_planar_sample_fmt(enum AVSampleFormat sample_fmt)
和上面函数类似，不同的是传入的是packed类型的格式。
* int av_sample_fmt_is_planar(enum AVSampleFormat sample_fmt
判断一个采样格式是不是planar类型的
* int av_get_bytes_per_sample(enum AVSampleFormat sample_fmt)
每个采样值所占用的字节数
* int av_samples_get_buffer_size(int *linesize, int nb_channels, int nb_samples,enum AVSampleFormat sample_fmt, int align)
根据输入的参数，计算其所占用空间的大小（字节数）。linesize可设为null，align是buff空间的对齐格式（0=default，1 = no alignment）

channel_layout

从上面可知，sample有两种类型的存储方式：平面（planar）和打包（packed），在planar中每一个通道独自占用一个存储平面；在packed中，所有通道的sample交织存储在同一个
平面。但是，对于planar格式不知道具体的某一通道所在的平面；对于packed格式各个通道的数据是以怎么样的顺序交织存储的。这就需要借助于channel_layout。
首先来看下FFmpeg对channel_layout的定义：
channel_layout是一个64位整数，每个值为1的位对应一个通道。也就说，channel_layout的位模式中值为1的个数等于其通道数量。

A channel_layout is a 64-bits interget with a bit set for every channel.The number of bits set must be equal to the number of channels.

在头文件channel_layout.h中为将每个通道定义了一个mask，其定义如下：

#define AV_CH_FRONT_LEFT 0x00000001
#define AV_CH_FRONT_RIGHT 0x00000002
#define AV_CH_FRONT_CENTER 0x00000004
#define AV_CH_LOW_FREQUENCY 0x00000008
#define AV_CH_BACK_LEFT 0x00000010
#define AV_CH_BACK_RIGHT 0x00000020
#define AV_CH_FRONT_LEFT_OF_CENTER 0x00000040
#define AV_CH_FRONT_RIGHT_OF_CENTER 0x00000080
#define AV_CH_BACK_CENTER 0x00000100
#define AV_CH_SIDE_LEFT 0x00000200
#define AV_CH_SIDE_RIGHT 0x00000400
#define AV_CH_TOP_CENTER 0x00000800
#define AV_CH_TOP_FRONT_LEFT 0x00001000
#define AV_CH_TOP_FRONT_CENTER 0x00002000
#define AV_CH_TOP_FRONT_RIGHT 0x00004000
#define AV_CH_TOP_BACK_LEFT 0x00008000
#define AV_CH_TOP_BACK_CENTER 0x00010000
#define AV_CH_TOP_BACK_RIGHT 0x00020000
#define AV_CH_STEREO_LEFT 0x20000000 ///< Stereo downmix.
#define AV_CH_STEREO_RIGHT 0x40000000 ///< See AV_CH_STEREO_LEFT.

这样，一个channel_layout就是上述channel mask的组合，部分定义如下：

#define AV_CH_LAYOUT_MONO (AV_CH_FRONT_CENTER)
#define AV_CH_LAYOUT_STEREO (AV_CH_FRONT_LEFT|AV_CH_FRONT_RIGHT)
#define AV_CH_LAYOUT_2POINT1 (AV_CH_LAYOUT_STEREO|AV_CH_LOW_FREQUENCY)
#define AV_CH_LAYOUT_2_1 (AV_CH_LAYOUT_STEREO|AV_CH_BACK_CENTER)
#define AV_CH_LAYOUT_SURROUND (AV_CH_LAYOUT_STEREO|AV_CH_FRONT_CENTER)
#define AV_CH_LAYOUT_3POINT1 (AV_CH_LAYOUT_SURROUND|AV_CH_LOW_FREQUENCY)
#define AV_CH_LAYOUT_4POINT0 (AV_CH_LAYOUT_SURROUND|AV_CH_BACK_CENTER)
#define AV_CH_LAYOUT_4POINT1 (AV_CH_LAYOUT_4POINT0|AV_CH_LOW_FREQUENCY)
#define AV_CH_LAYOUT_2_2 (AV_CH_LAYOUT_STEREO|AV_CH_SIDE_LEFT|AV_CH_SIDE_RIGHT)
#define AV_CH_LAYOUT_QUAD (AV_CH_LAYOUT_STEREO|AV_CH_BACK_LEFT|AV_CH_BACK_RIGHT)
#define AV_CH_LAYOUT_5POINT0 (AV_CH_LAYOUT_SURROUND|AV_CH_SIDE_LEFT|AV_CH_SIDE_RIGHT)
#define AV_CH_LAYOUT_5POINT1 (AV_CH_LAYOUT_5POINT0|AV_CH_LOW_FREQUENCY)
...

AV_CH_LAYOUT_STEREO是立体声（2通道），其通道的存放顺序为LEFT | RIGHT；AV_CH_LAYOUT_4POINT0是4通道，其通道的存放顺序为
LEFT|RIGHT|FRONT-CENTER|BACK-CENTER；其它数量的声道与此类似。
下面列举一些和channel_layout相关的函数
* uint64_t av_get_channel_layout(const char *name) 根据传入的字符串，返回相对应的channel_layout。传入的参数可以是：
* 常用的channel layout的名称：mono,stereo,4.0,quad,5.0,5.0(side),5.1等。
* 一个单通道的名称：FL,FR,FC,BL,BR,FLC,FRC等
* 通道的数量
* channel_layout mask,以”0x”开头的十六进制串。
更多详细的说明，参见该函数的文档。
* int av_get_channel_layout_nb_channels(uint64_t channel_layout) 根据通道的layout返回通道的个数
* int64_t av_get_default_channel_layout(int nb_channels) 根据通道的个数返回默认的layout
* int av_get_channel_layout_channel_index(uint64_t channel_layout,uint64_t channel); 返回通道在layout中的index，也就是某一通道
在layout的存储位置。
av_get_channel_layout_channel_index的实现如下：

int av_get_channel_layout_channel_index(uint64_t channel_layout,
                                        uint64_t channel)
{
    if (!(channel_layout & channel) ||
        av_get_channel_layout_nb_channels(channel) != 1)
        return AVERROR(EINVAL);
    channel_layout &= channel - 1;
    return av_get_channel_layout_nb_channels(channel_layout);
}

首先判断传入的layout包含该通道，并且保证该传入的通道是一个单通道。
以4通道AV_CH_LAYOUT_4POINT0为例，说明下计算方法。AV_CH_LAYOUT_4POINT0 = AV_CH_FRONT_LEFT | AV_CH_FRONT_RIGHT | AV_CH_FRONT_CENTER | AV_CH_BACK_CENTER
其二进制表示为0001,0000,0111，假如想找AV_CH_BACK_CENTER在该layout中的index。AV_CH_BACK_CENTER的十六进制为0x0100，二进制为0001,0000,0000，那么
AV_CH_BACK_CENTER - 1 = 1111,1111。 0001,0000,0111 & 0000,1111,1111 = 0111，函数av_get_channel_layout_nb_channels是获取某个layout对应的通道的数量，
前面提到，layout中值为1的位的个数和通道的数量相等，所以AV_CH_BACK_CENTER在layoutAV_CH_LAYOUT_4POINT0的index为3。

Audio 格式转换

在FFmpeg中进行音频的格式转换主要有三个步骤
1. 实例化SwrContext，并设置转换所需的参数：通道数量、channel layout、sample rate

有以下两种方式来实例SwrContext，并设置参数：
* 使用swr_alloc

 SwrContext *swr = swr_alloc();
 av_opt_set_channel_layout(swr, "in_channel_layout",  AV_CH_LAYOUT_5POINT1, 0);
 av_opt_set_channel_layout(swr, "out_channel_layout", AV_CH_LAYOUT_STEREO,  0);
 av_opt_set_int(swr, "in_sample_rate",     48000,                0);
 av_opt_set_int(swr, "out_sample_rate",    44100,                0);
 av_opt_set_sample_fmt(swr, "in_sample_fmt",  AV_SAMPLE_FMT_FLTP, 0);
 av_opt_set_sample_fmt(swr, "out_sample_fmt", AV_SAMPLE_FMT_S16,  0);

• 使用 swr_alloc_set_opts

 SwrContext *swr = swr_alloc_set_opts(NULL,  // we're allocating a new context
                        AV_CH_LAYOUT_STEREO,  // out_ch_layout
                        AV_SAMPLE_FMT_S16,    // out_sample_fmt
                        44100,                // out_sample_rate
                        AV_CH_LAYOUT_5POINT1, // in_ch_layout
                        AV_SAMPLE_FMT_FLTP,   // in_sample_fmt
                        48000,                // in_sample_rate
                        0,                    // log_offset
                        NULL);                // log_ctx

上述两种方法设置那个的参数是将5.1声道，channel layout为AV_CH_LAYOUT_5POINT1，采样率为48KHz转换为2声道，channel_layout为AV_SAMPLE_FMT_S16，采样率为44.1KHz。
2. 计算转换后的sample个数
转后后的sample个数的计算公式为：src_nb_samples * dst_sample_rate / src_sample_rate，其计算如下：

int dst_nb_samples = av_rescale_rnd(swr_get_delay(swr_ctx, frame->sample_rate) + frame->nb_samples, frame->sample_rate, frame->sample_rate, AVRounding(1));

函数av_rescale_rnd是按照指定的舍入方式计算a * b / c 。
函数swr_get_delay得到输入sample和输出sample之间的延迟，并且其返回值的根据传入的第二个参数不同而不同。如果是输入的采样率，则返回值是输入sample个数；如果输入的是输出采样率，则返回值是输出sample个数。
3. 调用 swr_convert进行转换

int nb = swr_convert(swr_ctx, &audio_buf, dst_nb_samples, (const uint8_t**)frame->data, frame->nb_samples);

其返回值为转换的sample个数。

SDL播放音频时的格式转换

• 首先使用avcodec_send_packet和avcodec_receive_frame获取解码后的原始数据

    int ret = avcodec_send_packet(aCodecCtx, &pkt);
    if (ret < 0 && ret != AVERROR(EAGAIN) && ret != AVERROR_EOF)
        return -1;

    ret = avcodec_receive_frame(aCodecCtx, frame);
    if (ret < 0 && ret != AVERROR_EOF)
        return -1;

这里不再使用avcodec_decode_audio4进行音频的解码，在FFmpeg3中该函数已被废弃，使用avcodec_send_packet和avcodec_receive_frame替代。新的解码API使用更为方便，
具体参见官方文档send/receive encoding and decoding API overview。

• 设置通道数量和channel layout
  在编码的时候有可能丢失通道数量或者channel layout ，这里根据获取的参数设置其默认值

    if (frame->channels > 0 && frame->channel_layout == 0)
        frame->channel_layout = av_get_default_channel_layout(frame->channels);
    else if (frame->channels == 0 && frame->channel_layout > 0)
        frame->channels = av_get_channel_layout_nb_channels(frame->channel_layout);

如果channel layout未知（channel_layout = 0），根据通道数量获取其默认的channel layout；如同通道的数量未知，则根据其channel layout得到其通道数量。

• 设置输出格式
  由于SDL2的sample格式不支持浮点型（FFmpeg中是支持的浮点型的），这里简单的设置输出格式为AV_SAMPLE_FMT_S16（16位有符号整型），输出的channel layout也
  根据通道数量设置为默认值 dst_layout = av_get_default_channel_layout(frame->channels)（SDL2不支持planar格式）。实例化SwrContext

    swr_ctx = swr_alloc_set_opts(nullptr, dst_layout, dst_format, frame->sample_rate,
        frame->channel_layout, (AVSampleFormat)frame->format, frame->sample_rate, 0, nullptr);
    if (!swr_ctx || swr_init(swr_ctx) < 0)
        return -1;

在设置完参数后，一定要调用swr_init进行初始化。

• 转换

    // 计算转换后的sample个数 a * b / c
    int dst_nb_samples = av_rescale_rnd(swr_get_delay(swr_ctx, frame->sample_rate) + frame->nb_samples, frame->sample_rate, frame->sample_rate, AVRounding(1));
    // 转换，返回值为转换后的sample个数
    int nb = swr_convert(swr_ctx, &audio_buf, dst_nb_samples, (const uint8_t**)frame->data, frame->nb_samples);
    data_size = frame->channels * nb * av_get_bytes_per_sample(dst_format);

最后data_size中保存的是转换的数据的字节数：通道数 * sample个数 * 每个sample的字节数。

总结

本文主要介绍了在FFmepg中对音频两个重要属性：采样格式和channel layout的表示方法，并简单的实现了一个音频的格式转换。

• 采样格式 使用AVSampleFormat枚举值表示，并可分为planar和packed两类。
• channel layout 是一个64位的整数，表示各个通道数据的存放顺序，其二进制位中1的个数等于其通道的数量。

本文代码 FFmpeg-playAudio.cpp