Asterisk现有版本不支持播放视频文件（支持视频通话），无法满足发送视频通知、视频IVR等场景。本系列文章，通过学习音视频的相关知识和工具，尝试实现一个通过Asterisk播放mp4视频文件的应用。

本文分为四个部分：音频基本概念，PCM编码格式介绍，PCM A-law编码格式介绍，制作测试样本。

音频基本概念

image.png

我们听到的声音是由频率（是什么）和强度（有多响）决定的。上图是一个正弦函数生成的音频，频率是441Hz，采样率是44.1kHz，采样（sample）的最大值是4095。声音的频率就是一个完整的波形没秒钟重复的次数，采样率（sample_rate）是每秒钟收集多少次声音的强度数据，这样每个完整的波形包含100个采样。

上面这个图是个单声道（channel）的音频，实际的音频很多都是多声道的。当有多个声道时，需要定义每个声道中的采样用什么方式进行排列，例如：双声道的时，可以LRLR...，也可以LL...,RR...。（这个问题会在后续讲容器的文章中在详细说明）

每个采样（sample）代表了声音的强度，但它这并不是个绝对的声音大小，只是相对的。因为，同样的声音文件通过不同的设备播放，声音的大小显然不同，这个和播放设备提供的能量有关。声音的绝对大小用分贝（dB）度量，采样只是和分贝的相对关系。

PCM编码

PCM（Pulse Code Modulation，脉冲编码调制）是对声音的振幅（音量的大小）进行编码，位深度为14bit，20bit，24bit等（用多少个二进制位表示）。通过每秒钟记录若干次振幅的值（采样率，8k，44.1k，48k等），把声音的波形记录下来（频率）。

计算机系统中8个二进制位对应1个字节，所以实际表示一个采样时，需要用1个，2个或4个字节进行表示；每个字节又可采用有符号或无符号的方式。当用多个字节表示一个采样时，又存在字节序的问题，就是前面的字节表示的高位还是低位，分为大字节序（big-endian，将高序字节存储在起始地址）和小字节序（little-endian，将低序字节存储在起始地址）。这样就会产生很多编码的组合，下面是ffmpeg支持的pcm采样格式（也可以通过命令行ffmpeg -formats | grep PCM查看）。

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_S64,         ///< signed 64 bits
    AV_SAMPLE_FMT_S64P,        ///< signed 64 bits, planar

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

PCM A-law编码

PCM本身是一种无损（lossless）编码格式（我理解无损的含义是收集到什么就记录什么，不同格式间的差别在于记录的精度，并不因为方式产生的损失）。但是在电话系统中为了更有效地传递数据，提出了PCM A-alaw和PCM mu-law两种编码格式，其思路是将原始的PCM编码，压缩成8位的编码（具体的算法不展开了，可以参考g711原理pcm转alaw，pcm转ulaw，alaw转pcm，ulaw转pcm）。

alaw是将13位的有符号数压缩为8位的有符号数，是有损编码（压缩），编码后的数据通过解码无法恢复到原状，数值越大的采样损失的数据就越多。（这里有个疑问，在系统中是用16位保存一个样本的，那是否又有3位数据丢掉了？）

alaw只定义了采样的编解码方法，但是实际使用中还要注意采样率的问题，通常mp3，mp4这些音视频文件中的采样率为44.1k或48k，而电话系统中的采样率为8k，那么从高采样率到低采样率，必然又会产生损失。

制作样本数据

image.png

上图是实现Asterisk播放mp4文件的简要流程，中间涉及到音频的编解码过程，其中任何一个环节（出现错误或者因为编解码带来损失）都可能导致最终听到的声音有问题（失真，噪音等）。我们必须找到一种方法验证在各个环节是否运行正确，例如；采样率，采样位深度等等。我采用的方法是通过ffmpeg这个工具生成测试数据，并按照各个环节产生的编码格式生成对应的参照数据，然后比较在各个环节实际产生的数据是否正确。

pcm_s16le

通常mp4文件中的音频解码出的裸流是pcm_s16le（有符号，2字节，小字节序），那么我们先生成一个该格式的10秒钟的裸流。

ffmpeg -lavfi sine -t 10 -f s16le -c:a pcm_s16le sine-10s.s16le

image.png

ffmpeg告诉我们生成的文件的编码格式pcm_s16le，采样率是44100，单声道mono。通过查看源码（libavfilter/asrc_sine.c）可以知道：1、正弦波的频率是441Hz，那么每周期包含100个采样（44100/441），这个有助于我们理解生成的数据的变化规律；2、采样的最大值等于4095（0xfff），并不是有符号16位数的最大值32767（0x8000），这个最大值正好是12bit，加上1位符号位是13，正好和alaw将13位有符号数转为8位对应上了。

生成文件的大小是882000字节，44100个采样/秒 * 10秒 * 2字节/采样。

读取生成文件的前200个采样（400个字节）生成图形如下：

image.png

按16进制格式打开文件（vi sine-10s.s16le，打开后:%!xxd），查看数据：

image.png

可以看到在第26个采样达到最大值ff0f，第76个采样达到最小值01f0。因为是小字节序，要调换字节顺序，所以最大值对应的是0x0fff（4095），最小值对应的是0xf001（-4095）。

用上面的ffmpeg命令生成一段10秒钟的pcm_s16le格式音频文件（裸流，没有进行封装）。我们既可以用耳朵听，也可以用眼睛看这个音频。

alaw

下面我们把同样的声音做alaw编码。

ffmpeg -lavfi sine -t 10 -f alaw -c:a pcm_alaw sine-10s.alaw

image.png

生成文件的大小441000，44100个采样/秒 * 10秒 * 2字节/采样。

读取生成文件的前200个采样（200个）字节，生成图形：

image.png

alaw采样的符号位和原始pcm数据符号位是相反的，所以波峰和波谷和s16le是相反的；因为数据进行了编码压缩，所以编码后的数据并不能体现出原始波形，但是频率并没有发生改变。

直接打开文件查看数据：

image.png

可以看到在波峰波谷位置数据的差异变小了。

如果需要设置采样率（默认是44.1k），例如：8k，可以通过ar参数实现。

ffmpeg -lavfi sine -t 10 -ar 8000 -f alaw -c:a pcm_alaw sine-8k-10s.alaw

alaw 转 s16le

alaw是一种压缩格式，需要解压缩才能播放，按alaw算法解码出来的采样时13位有符号数，对应的存储格式就是pcm_s16le，所以我们看看alaw转s16le会是什么样？

ffmpeg -f alaw -i sine-10s.alaw -f s16le -c:a pcm_s16le sine-alaw2s16le-10s.s16le

这次是用之前生成好的alaw文件作为输入。

image.png

取前200个样本生成图形。

image.png

从图形上可以看到整体波形并没有发生改变，但是在波峰波谷的位置存在失真，这表明alaw的编解码过程带来了损失。

image.png

查看原始数据我们也可以看到已经和原始s16le数据不同，数据精度下降了。

其他

其他ffmpeg命令

生成一段空白10秒裸流，采样全是0。

ffmpeg -lavfi anullsrc=r=44100:cl=mono -t 10 -f s16le -c:a pcm_s16le null-10s.raw

生成一段指定内容的裸流（并不能设定为特定值，如果指定的是0，输出的是0，否则是最大值）。

ffmpeg -lavfi aevalsrc=1 -t 1 -f s16le -c:a pcm_s16le eval-1s.raw

采样的数值含义

执行如下命令，可以查看音频文件的音量：

ffmpeg -i sine-10s.wav -filter:a volumedetect -f null /dev/null

获得输出内容：

n_samples: 441000
mean_volume: -21.1 dB
max_volume: -18.1 dB
histogram_18db: 128000

看这个数据仍然不太明白音量到底是什么，通过看源码，形成大体上的理解，0dB被当作音量的极大值，对应16位有符号数的最大值就是32767（0x8000），等于91dB的音量。（目前并不确切知道为什么选91分贝这个值，似乎是再高的值人就受不了。）

#define AMPLITUDE 4095 // 4095 0x0fff 是12bit的最大值（无符号）

#define MAX_DB 91

// 0x0fff 4095
// 0x8000 32767

4095/32767 = 0.1249733

db = 20 * log10(0.1249733) = -18.1