音频的各项指标

对于下面data和linesize的解释(参考下面3.4中的av_samples_alloc_array_and_samples函数说明)：

1）data是通道的意思，例如双通道，data[0]代表左声道，data[1]代表右声道。

2）linesize为采样个数的最大大小字节空间。

例如aac，64位，双通道，则对于交错模式最大为：linesize = 2 x 1024 x 8 = 16384。此时也是一个音频帧的大小。

对于平面模式最大为：linesize = 1024 x 8 = 8192，平面模式时会有多个平面通道，例data[0]，data[1]，注意，断点看时参不一定是最大大小字节空间数，此时linesize不代表什么，他只是代表单个通道的所有样本数所占的字节数。

3）额外注意，已经写入的音频文件是交错模式，而FFmpeg库默认是平面模式处理的，所以将音频文件读到内存使用FFmpeg处理时需要转成平面模式；同理FFmpeg写入文件需要转成交错模式再写入。

一音频通道数、采样率、采样个数(样本数)、采样位数的概念

1 通道数： 个人理解，就是同时有个几个设备在进行音频的采样，这样对上面的公式更好理解，最少为1，一般通道数越多，音质越好。

2 采样频率： 也称为采样速度，定义了每秒从连续信号中提取并组成离散信号的采样个数，它用赫兹（Hz）来表示。

3 采样位数(采样格式)： 既然采样频率表示每秒采样的个数，那么如何描述每个采样点呢？用什么方法独立每个采样点值的区别呢？也就是如何度量每个采样点，而这正是采样格式出现的意义。通常使用16bit(2字节)，也就是2的16次方，共有65536个不同的度量值，这样采样位数越高，音频度量化的就越精细，音质同样也就越高。

简括采样位数就是，例如我1s采样了10个采样点，那么我需要区分这10个采样点，就需要给它一个范围值区分，一般以2字节16位的来保存这个值，所以既然每个采样点占2字节，那么
所有采样点的总字节=采样个数 x 其所占字节数。即10 x 2 = 20。若为双通道采样，那么就是2 x 10 x 2 = 40。

4 采样个数(样本数)（nb_samples）：
采样个数就是采样的个数。
对于采样频率，采样频率是一秒采样的个数，例如48000HZ，每秒采样个数为48000，44100HZ，每秒采样个数为44100。

而对于一帧音频的采样个数，AAC固定一帧采样1024个，MP3格式则为1152。
至于为何固定，下面会进行解释。

二计算一帧音频的大小、每秒播放的音频字节大小、一帧音频的播放时长

1 一帧音频的大小(字节) = 通道数 x 采样个数 x 采样位数。例如该音频帧是FLTP格式的PCM数据，那么就是aac，所以一帧中包含1024个采样个数，并且是双声道的话，那么该音频帧包含的数据量是 2 x 1024 x 4 = 8192字节。
若格式改成AV_SAMPLE_FMT，那那么采样位数是64位8字节，数据量为 2 x 1024 x 8 = 16384字节。

2 每秒播放的音频字节大小(字节) = 通道数 x 采样个数 x 采样位数。公式是一样的，但是由于求的是每秒的数据量而不是一帧的数据量，所以我们需要知道它的采样频率。例如当采样频率为48kHZ时，一秒包含48k个采样个数而不是1024个，同样是双声道，FLTP格式，那么每秒的数据量是 2 x 48000 x 4 = 384000字节。

3 一帧音频的播放时长
以采样率44100HZ来计算，每秒44100个sample，而正常一帧为1024个sample，由于比是相等的，可知每帧播放时间/1024 = 1000ms/44100，得到每帧播放时间=1024*1000/44100 = 23.2ms(更精确的是23.21995464852608)。

或者用另一种方式去理解公式，1s显示的帧数 = 44100 / 1024 = 43.06640625帧。所以每一帧的播放时长 = 1s / 43.06640625 = 1000ms / 43.06640625 = 23.21995464852607ms。和上面的公式一样(浮点数尾部运算存在极小误差是正常)。所以转换一下公式：
一帧播放时间(毫秒) = 1000ms / (44100 / 1024) = 1000ms * 1024 / 44100 = 23.2ms(更精确的是23.21995464852607)。

所以最终都是转化成下面的公式：
一帧播放时间(毫秒) = nb_sample样本数 * 1000 / 采样率。

播放时长的精度是否可以舍弃呢？
答：不能。

例如当采样频率为44.1kHZ：

1）一帧播放时间(毫秒) = nb_sample样本数 * 1000 / 采样率 = 1024 * 1000 / 44100 = 23.21995464852608ms -> 约等于23.2ms，精确损失了0.011995464852608ms，如果累计10万帧，误差 > 1199毫秒，如果有视频一起的就会出现音视频同步的问题，如果按着23.2msm去计算pts(0 23.2 46.4 …)就会有累积误差。
这里播放10万个音频帧大概需要的时长：((23.21995464852608ms x 100000) / 1000)s / 60 = 38.699924min。乘以10万得到ms，除以1000单位变成秒，除以60单位变成分钟。

采样频率为48kHZ时的一帧播放时长：

2）1024 * 1000 / 48000 = 21.33333333333ms。同理，精度不能舍弃。

以上是AAC格式的播放时长。

下面是MP3的一音频帧的播放时长：

1）44.1kHZ，一帧播放时间(毫秒) = nb_sample样本数 * 1000 / 采样率 = 1152 * 1000 / 44100 = 26.1224489795918367ms -> 约等于26.2ms。
2）48kHZ，一帧播放时间(毫秒) = nb_sample样本数 * 1000 / 采样率 = 1152 * 1000 / 48000 = 24ms，刚好能整除。

解释为何AAC和MP3为何一帧固定采样个数。
从我自己的理解来看，固定AAC为1024，MP3为1152肯定是有道理的，从一帧音频帧的播放时长中就可以看出，范围在21ms，24ms，26ms范围左右，而视频一帧的时长一般是40ms，人体对图片变化的感知也在20-60ms内感知良好，所以个人认为采样数固定，是在考虑人眼，与音视频同步的方便程度，音频压缩的质量等方面因素后，最终确定下来的采样数。

三音频重采样

3.1 什么是重采样
将音频三元组（采样率，采样大小和通道数）其中任意一个值发生改变就称为重采样，例如48000/32/2 转成 44100/16/2。

3.2 为什么要重采样

1）从设备采集的音频数据与编码器要求的数据不一致。
2）扬声器要求的音频数据与要播放的音频数据不一致。
3）更方便运算（回音消除须使用单声道，需要先转换）。

3.3 重采样的步骤

1）创建重采样上下文。
2）设置参数。
3）初始化重采样。
4）进行重采样。

3.4 几个重要的API

swr_alloc_set_opts（创建上下文，设置参数）。
swr_init（初始化）。
av_samples_alloc_array_and_samples（给输入源分配内存空间，其中参1为输入源，参2为采样个数的最大大小字节空间(src_linesize)，例如aac，64位，双通道，则对于交错模式最大为：src_linesize = 2x1024x8 = 16384,对于平面模式最大为：src_linesize = 1024x8 = 8192，平面模式时会有多个平面通道，例data[0]，data[1]，注意，断点看时参不一定是最大大小字节空间数，这就是对于参2行大小的解释。参345就是参2对应的变量，参6是内存对齐，赋0即可）。
swr_convert（具体音频帧转换）。
swr_free（释放上下文占用资源）。

3.5 重采样时，输出的样本数怎么求
进行重采样时，输入和输出时间是需要相等的。所以我们可以根据上面的公式去求出输出的样本数即采样点。

根据上面一帧音频的播放时长公式有，输入输出都去掉1000，有下面的公式：

可以看到，上面公式的规律：

1）当高采样频率转低采样频率，在输入的参数一定即输入的样本数和输入采样频率一定时，输出的样本数随着低采样率而变低。
2）当低采样频率转高采样频率，在输入的参数一定即输入的样本数和输入采样频率一定时，输出的样本数随着高采样频率而变高。
3）并且注意，计算输出的样本数后，如果是一个浮点数，将对其采用向上取整。
即若计算出来的out_count=940.8，那么向上取整后为941。
代码的实现常常利用av_rescale_rnd：
它的作用是计算 “a * b / c” 的值并分五种方式来取整。a，b，c分别代表参数123，参4是取整的方式，例如这里的AV_ROUND_UP。