随着移动互联网时代的到来，短视频成为了最流行的内容载体，而内容的产生离不开视频剪辑与特效创作工具。本次LiveVideoStackCon 2021 音视频技术大会 北京站，我们邀请到了RingCentral Video 移动端架构师——阮景雄，他向我们分享了AVFoundation视频剪辑框架，以及VideoLab框架的设计与实现。
文 | 阮景雄
整理 | LiveVideoStack
大家好，我是来自RingCentral的阮景雄，今天分享的主题是，高性能且灵活的iOS视频剪辑与特效开源框架VideoLab。
今天的分享主要包含以上六个方面，首先会对个人及公司做个简介，其次会介绍VideoLab是什么，第三点会介绍VideoLab的技术选型，第四点介绍AVFoundation框架，接着会介绍VideoLab的设计与实现，最后会介绍VideoLab后续的计划。
1. 个人及公司简介
首先，先介绍下个人及公司。
我是2013年毕业入职美图，在2015年开始担任美图美拍iOS的负责人，在去年7月份入职了RingCentral，职位是移动端架构师。在美图 7 年期间，在视频处理、视频采集、视频播放、直播、社区等几个领域都有涉猎。在RingCentral，负责的业务主要是移动端的架构和iOS平台模块化的演进。
接着简单介绍下RingCentral，从右边的图可以看出我们公司主要包含 Message/Video/Phone三块业务。Message是最右下角的IM聊天，Video是视频会议，Phone是最早的打电话功能。我们公司连续七年获得统一通信及服务的领导者，总部位于美国硅谷，铃胜中国成立于 2011，目前在杭州，厦门，香港均有办公室。
2. VideoLab 是什么？
接着让我们来聊下VideoLab是什么？
首先，来看一些关键字：高性能，灵活，视频剪辑，特效，开源框架，iOS，Swift，Metal，AVFoundation。这些关键字组合成一块就解释了VideoLab是什么。
让我们来看下当前已有的一些Feature，当前已经支持了高性能实时剪辑与导出，高自由度组合视频、图片、音频，支持音频音高设置、音量调节，支持CALayer矢量动画及复杂的文字动画，支持关键帧动画，支持类似于After Effect的预合成，支持转场，支持自定义各类特效。
让我们来看下一些Gif的示例，第一张图片是多图层的一个示例，组合了三个视频，一张图片。第二张是一个拆字的文字动画。第三张是渐隐渐显加Transform的关键帧动画。第四张是类似AE里预合成的动画。第五张是zoom blur转场的示例。
3. 框架技术选型
接着让我们来谈谈框架的技术选型。
说到框架选型，难免提到一些友商。Videoleap是业界的标杆了，它是国外的一家公司，它的母公司出了非常多剪辑和图片处理的APP。剪映是头条出品，目前在国内做的也是非常好。VN 也是国内的，整体体验还不错。
在体验完竞品之后，对它们做了个逆向，Videoleap使用的是AVFoundation + OpenGL，剪映主要是AVFoundation + GPUImage，VN 是AVFoundation + CoreImage。再看我之前工作的美拍，它最早是用的AVFoundation + GPUImage，因为那会时间比较早，所以都是直接用AVAssetReader + AVAssetWriter，后面转成了FFmpeg + OpenGL。
在有了这些备选方案之后，我在想要做一个沉淀，要写一个框架，能不能有一些其他选择？然后我就选了AVFoundation + Metal，Metal是苹果自家的渲染引擎，也是苹果这几年力推的主力之一，每年的WWDC都可以看到苹果关于Metal的topic。
4. AVFoundation框架
接着我们来介绍下AVFoundation视频剪辑的框架。
首先来看下AVFoundation视频剪辑的整体工作流程：
第一步，创建一个或多个AVAsset。AVAsset是有时间的，模拟音视频实体的对象。
第二步，创AVComposition、AVVideoComposition以及 AVAudioMix。其中AVComposition指定了音视频轨道的时间对齐，AVVideoComposition 指定了视频轨道在任何给定时间点的几何变换与混合，AVAudioMix管理音频轨道的混合参数。这三个对象是视频剪辑最主要的三个类，可以把第一个类的作用理解为摆放音视频轨道，第二个类处理视频混合，第三个类处理音频混合。
第三步，我们可以使用这三个对象来创建AVPlayerItem，并从中创建一个AVPlayer来播放编辑效果。
此外，我们也可以使用这三个对象来创建AVAssetExportSession，用来将编辑结果写入文件。
接下来，让我们看下AVComposition，AVComposition是一个或多个AVCompositionTrack音视频轨道的集合。其中AVCompositionTrack 又可以包含来自多个 AVAsset 的AVAssetTrack。右图的例子，将两个AVAsset中的音视频 AVAssetTrack 组合到AVComposition的音视频AVCompositionTrack中。
设想图中所示的场景，AVComposition包含两个 AVCompositionTrack。我们在T1 时间点需要混合两个 AVCompositionTrack的图像。为了达到这个目的，我们需要使用 AVVideoComposition。
AVVideoComposition可以用来指定渲染大小、渲染缩放以及帧率。图中紫色的部分包含了一组指令，这些指令存储了混合的参数。有了这些混合的参数之后，可以通过自定义的 Compositor 来混合对应的图像帧。
整体工作流如图所示，接受指令，把原视频帧通过合成器，生成合成后的帧，输出给播放器或者导出器。让我们聚焦到合成器，我们有多个原始帧，需要处理并输出新的一帧。
流程可分解为：
- AVAsynchronousVideoCompositionRequest绑定了当前时间的一系列原始帧，以及当前时间所在的 Instruction。
- 收到startVideoCompositionRequest: 回调，并接收到这个 Request。
- 根据原始帧及Instruction 相关混合参数，渲染得到合成的帧。
- 调用finishWithComposedVideoFrame，交付渲染后的帧。
AVAudioMix在AVComposition的音频轨道上处理音频。包含一组AVAudioMixInputParameters，每个Parameters对应一个音频的 AVCompositionTrack。右边的图片是一个示例，可以看到AVCompositionTrack和AVAudioMixInputParameters是一一对应的。
5. VideoLab 设计与实现
前面我们介绍了AVFoundation视频剪辑流程，接下来我们介绍下VideoLab框架的设计与实现。
先简要介绍下AE(Adobe After Effect)，AE是特效设计师常用的动态图形和视觉效果软件。AE 通过“层”控制视频、音频及静态图片的合成，每个媒体（视频、音频及静态图片）对象都有自己独立的轨道。
图片是在 AE 中合成两个视频的示例。在左上角Project区域内，有名为Comp1类型为Composition 的一个合成。在 AE 中合成可以认为是一个作品，可以播放导出，也可以设置宽高值、帧率、背景色等参数。在下面Timeline Control 区域内，包含了两个图层，源分别为video1.MOV与video2.MOV。我们可以自由的设置图层参数，如Transform，Audio，也可以在右边区域自由的移动图层，达到灵活的组合效果。针对每个图层，AE里还可以添加一组特效。
让我们提取一些关键字：Composition合成，Layer图层，Transform变换，Audio音频和Source来源。
基于前面对 AE 的分析，我们可以设计相似的描述方式：
RenderComposition，对应AE中的合成。包含一组RenderLayer。此外，RenderComposition还包含BackgroundColor、FrameDuration、RenderSize，分别对应背景色、帧率及渲染大小等剪辑相关参数。
RenderLayer，对应AE中的层。包含了Source、TimeRange、Transform、AudioConfiguration、Operations，分别对应素材来源、在时间轴的时间区间、变换（位置、旋转、缩放）、音频配置及特效操作组。
RenderLayerGroup，对应 AE 的预合成。这个Group继承自RenderLayer，包含一组RenderLayer。可以理解成先把一组视频或图片处理完，再去做合成。
KeyframeAnimation，对应 AE 的关键帧动画。包含了KeyPath、Values、KeyTimes、缓动函数数组。
从上面的图示可以看到，我们可以灵活自由的放置这些区域。
前面介绍了RenderComposition、RenderLayer、RenderLayerGroup 以及KeyframeAnimation。从前面的AVFoundation 介绍可知，我们需要生成AVPlayerItem与AVAssetExportSession 用于播放与导出。因此，我们需要有一个对象可以解析这几个描述对象，并用AVFoundation 的方法生成AVPlayerItem 与AVAssetExportSession。框架将这个对象命名为VideoLab，可以理解成这是一个实验室。
可以看到新的流程，把AVComposition/AVVideoComposition/AVAudioMix都封装在了VideoLab内。这样做极大的简化了开发对AVFoundation的认知，现在和AE比较相似，可以非常方便的组合这些图层。流程就转变为：
- 创建一个或多个RenderLayer。
- 创建RenderComposition，设置其BackgroundColor、FrameDuration、RenderSize，以及RenderLayer 数组。
- 使用创建的RenderComposition创建 VideoLab。
- 使用创建的VideoLab生成AVPlayerItem或AVAssetExportSession。
- 新的流程极大的简化了用户的使用成本。
那VideoLab是如何把这些描述对象转换为AVFoundation的三大对象的呢？
先来看下AVComposition，我们需要给AVComposition分别添加视频轨道与音频轨道。如图所示，这个RenderComposition包含6个RenderLayer，其中一个是RenderLayerGroup。
第一步是将RenderLayer转换VideoRenderLayer，VideoRenderLayer 是框架内部对象，包含一个RenderLayer，主要负责将RenderLayer的视频轨道添加到AVComposition中。可转换为VideoRenderLayer的 RenderLayer包含以下几类：1. Source包含视频轨道；2. Source为图片类型；3. 特效操作组不为空(Operations)。
转化为VideoRenderLayer后的第二步是将VideoRenderLayer视频轨道添加到AVComposition中。从上图中的例子可以看到，我们有3个视频轨道，还有一个Blank Video Track。 这里的空视频是指视频轨道是黑帧且不包含音频轨道的视频，为image或只有Operation的VideoRenderLayer服务。
从图中能看到VideoRenderLayer1和VideoRenderLayer5共用的一个视频轨道，这是因为苹果对视频轨道有限制，我们需要尽量的重用，每条视频轨道对应一个解码器，当解码器数量超出系统限制时，会出现无法解码的错误。框架视频轨道重用的原则是，如果要放入的 VideoRenderLayer 与之前视频轨道的VideoRenderLayer在时间上没有交集，则可以重用这个视频轨道，所有视频轨道都重用不了则新增一个视频轨道。当然这些其实都不重要，因为都封装在了VideoLab里面。
让我们接着聊下添加音频轨道，添加音频轨道第一步是将RenderLayer 转换为AudioRenderLayer，AudioRenderLayer是框架内部对象，包含一个RenderLayer，主要负责将RenderLayer的音频轨道添到AVComposition中。可转换为AudioRenderLayer的RenderLayer只需满足一个条件：Source包含音频轨道。转换AudioRenderLayer之后如右图所示。
添加音频轨道的第二步，将AudioRenderLayer视频轨道添加到AVComposition中，对于RenderLayer的Source包含音频轨道的AudioRenderLayer，从Source中获取音频AVAssetTrack，添加到AVComposition。
如右图所示，不同于视频轨道的重用，音频的每个AudioRenderLayer都对应一个音频轨道。这是由于一个AVAudioMixInputParameters与一个音频的轨道一一对应，而其音高设置（audioTimePitchAlgorithm）作用于整个音频轨道。如果重用的话，会存在一个音频轨道有多个AudioRenderLayer的情况，这样会导致所有的AudioRenderLayer都要配置同样的音高，这显然是不合理的。
接下来介绍一下关于渲染的实现。从前面的AVFoundation介绍可知，AVVideoComposition可以用来指定渲染大小和渲染缩放，以及帧率。此外，还有一组存储了混合参数的指令。有了这些指令后，AVVideoComposition可以通过自定义混合器来混合对应的图像帧。
第一步是创建指令，我们会在时间轴上标记每个VideoRenderLayer的起始时间点与结束时间点。然后为每个时间间隔创建一个Instruction，与时间间隔有交集的VideoRenderLayer，都作为Instruction的混合参数。
然后我们对前面的Compositor工作流程做一个更新，将混合参数更新为与Instruction有交集的VideoRenderLayer组。对于混合规则的话，是按层级渲染，从下往上。如当前层级有纹理则先处理自己的纹理，再混合进前面的纹理。
从前面的AVFoundation介绍可知，AVAudioMix用于处理音频。包含一组的AVAudioMixInputParameters，可以设置实时处理音频，指定音高算法。音频混合比较简单，只要为每个AudioRenderLayer创建了一个AVAudioMixInputParameters即可。
6. VideoLab后续计划
前面介绍了VideoLab的设计与实现。当然要做一个好的开源框架还需要不断的完善，接下来介绍一些VideoLab后续的计划。
首先是支持OpenGL，GL还是目前大多数公司选择渲染引擎的首选，VideoLab 的规划是能同时支持Metal + OpenGL，使用方决定渲染引擎使用Metal或Open GL。其次会持续完善特性，如变速、更便捷的转场使用方式。接下来会开始写有UI交互的Demo，这样可能会更直接一些。最后，当然期望VideoLab是可以跨平台，期望是上层能有统一的C++封装API，统一设计思路，底下用各自的平台优势，比如iOS用AVFoundation 做编解码，Android用 FFmpeg；iOS用Metal/GL，Android用Vulkan/GL。
最后也是期望能有更多的人参与维护，毕竟一个人的能力比较有限，大家一起维护能有更多的未来畅想。
这里附带上Github地址：https://github.com/ruanjx/Vid...
以上是我的全部分享，谢谢大家。
讲师招募
LiveVideoStackCon 2022 音视频技术大会 上海站，正在面向社会公开招募讲师，无论你所处的公司大小，title高低，老鸟还是菜鸟，只要你的内容对技术人有帮助，其他都是次要的。欢迎通过 [email protected] 提交个人资料及议题描述，我们将会在24小时内给予反馈。