ApsaraVideo VOD:Terms

Format de fichier

Chaque fichier sur votre ordinateur possède une extension (par exemple .doc, .jpg ou .avi) qui indique au système d'exploitation quelle application peut l'ouvrir. Les extensions de fichiers vidéo courantes incluent .avi, .mpg et .mp4.

Format conteneur

Un format conteneur, également appelé conteneur multimédia, regroupe des flux vidéo compressés, des flux audio et des métadonnées (telles que les titres et les sous-titres) dans un seul fichier, conformément à une spécification définie.

Les formats conteneurs se divisent en deux catégories :

• Les formats orientés stockage incluent AVI, ASF (WMA ou WMV), MP4, MKV et RMVB (RM ou RA).

• Les formats orientés streaming incluent Flash Video (FLV), Transport Stream (TS) et MP4. Le format TS nécessite un protocole de streaming tel que HTTP Live Streaming (HLS) ou Real-Time Messaging Protocol (RTMP). Le format MP4 prend en charge le streaming via HTTP.

Voici les formats orientés streaming courants et leurs protocoles associés :

• MP4 : ce format conteneur est largement pris en charge par les appareils mobiles (iOS et Android) et les navigateurs de bureau. Les fichiers MP4 stockent toutes les métadonnées multimédias, y compris les informations d'agencement et de synchronisation, dans un en-tête. Pour les vidéos longues, cet en-tête devient volumineux et ralentit le chargement. Le format MP4 convient donc mieux aux vidéos courtes.

  Un fichier MP4 est organisé en boîtes (anciennement appelées atomes). Toutes les métadonnées multimédias sont stockées dans ces boîtes et font référence aux données multimédias réelles, telles que les images vidéo. À mesure que la durée de la vidéo augmente, la taille de l'en-tête croît et le chargement devient plus lent.

• HLS (HTTP Live Streaming) : il s'agit d'un protocole de streaming basé sur HTTP développé par Apple. HLS utilise par défaut le format conteneur TS, en découpant le flux en petits fragments TS et en utilisant un fichier d'index M3U8 pour contrôler la lecture. HLS évite les longs délais de mise en mémoire tampon de l'en-tête et fonctionne bien pour la vidéo à la demande. La prise en charge est large sur les appareils mobiles (iOS et Android), bien que la compatibilité avec Internet Explorer sur PC puisse être limitée. Utilisez ApsaraVideo Player for Web pour une meilleure compatibilité avec les navigateurs.

• FLV : ce format a été développé par Adobe et bénéficie d'une forte prise en charge par Flash Player sur PC. Sur les appareils mobiles, FLV nécessite une application de lecteur dédiée et n'est pas pris en charge par la plupart des navigateurs mobiles, y compris ceux des appareils Apple. Utilisez ApsaraVideo Player pour la lecture FLV.

• DASH (Dynamic Adaptive Streaming over HTTP) : ce protocole utilise du MP4 fragmenté (fMP4) pour diviser une vidéo en plusieurs segments encodables indépendamment. Chaque segment peut utiliser des paramètres d'encodage différents, tels que la résolution ou le débit binaire, permettant aux lecteurs de sélectionner dynamiquement les segments pour un streaming à débit adaptatif et un changement de qualité fluide. Le fichier Media Presentation Description (MPD) dans DASH joue le même rôle que le fichier M3U8 dans HLS. DASH est largement utilisé par les grandes plateformes de streaming telles que YouTube et Netflix.

• HLS avec fMP4 : cette extension annoncée par Apple lors de la WWDC 2016 permet à HLS d'utiliser le fMP4 en plus du TS. Cela signifie qu'une seule tâche de transcodage peut produire des sorties compatibles à la fois avec DASH et HLS.

  HLS (y compris HLS avec fMP4) et DASH sont les technologies de streaming adaptatif les plus largement adoptées. Utilisez l'un de ces formats pour les déploiements en production.

Codec

Un codec (contraction de codeur-décodeur) est un programme ou un dispositif qui compresse et décompresse la vidéo ou l'audio numérique. La compression est généralement avec perte. Les codecs définissent également la technologie de compression utilisée lors de la conversion d'une vidéo d'un format à un autre. Les familles de codecs courantes incluent :

1. Série H.26X : développée par l'Union internationale des télécommunications (ITU). Elle comprend H.261, H.262, H.263, H.264 et H.265.

   • H.261 : utilisé dans les premiers produits de visioconférence et d'appel vidéo.

   • H.262 : utilisé dans la radiodiffusion, les DVD et la télévision numérique pour la vidéo en définition standard (SD).

   • H.263 : utilisé dans la visioconférence, les appels vidéo et la vidéo en ligne.

   • H.264 : également connu sous le nom de MPEG-4 Partie 10 ou Advanced Video Coding (AVC). Il s'agit de la norme de compression vidéo la plus largement adoptée pour l'enregistrement, la compression et la distribution haute précision.

   • H.265 : également connu sous le nom de High Efficiency Video Coding (HEVC) et successeur du H.264. HEVC offre un taux de compression double par rapport au H.264, soit une réduction de 50 % du débit binaire pour une qualité visuelle équivalente, et prend en charge des résolutions allant jusqu'à 8192 × 4320 (8K). C'est la direction actuelle de l'industrie.

2. Série MPEG : développée par le Moving Picture Experts Group (MPEG), un groupe de travail sous l'égide de l'Organisation internationale de normalisation (ISO). Les normes de codage vidéo clés incluent :

   • MPEG-1 Partie 2 : utilisé sur les VCD et certaines premières vidéos en ligne, avec une qualité à peu près équivalente à celle du VHS.

   • MPEG-2 Partie 2 : équivalent au H.262. Utilisé dans les DVD, SVCD, la diffusion vidéo numérique et la distribution par câble.

   • MPEG-4 Partie 2 : utilisé pour la transmission réseau, la diffusion et le stockage multimédia. Offre une meilleure compression que MPEG-2 et les premières versions de H.263.

   • MPEG-4 Partie 10 : techniquement identique à ITU-T H.264, développé conjointement par l'ITU-T et le MPEG. L'ITU-T l'a nommé H.264 ; l'ISO/CEI l'a nommé MPEG-4 AVC.

3. Audio Video Coding Standard (AVS) : famille de normes de codage audio et vidéo numériques développée par le groupe de travail chinois sur les normes de codage audio et vidéo. Deux générations ont été finalisées.

   • La première génération comprend AVS1 (« Information Technology—Advanced Audio and Video Coding—Part 2: Video ») et AVS+ (« Part 16: Broadcasting Video »). AVS+ atteint une efficacité de compression comparable à celle du profil élevé H.264/MPEG-4 AVC.

   • La deuxième génération (AVS2) cible la vidéo ultra-haute définition (UHD) (4K et au-delà) et le contenu à plage dynamique élevée (HDR). Son efficacité de compression est le double de celle d'AVS+ et de H.264/MPEG-4 AVC, et dépasse celle de HEVC/H.265.

4. D'autres codecs, tels que VP8 et VP9 (Google) et RealVideo (RealNetworks), sont rarement utilisés pour la vidéo en ligne et ne sont pas couverts ici.

Lors du choix d'un codec, privilégiez la compatibilité avec vos clients de lecture cibles, à savoir les applications mobiles et les navigateurs web. Utilisez des codecs largement pris en charge. ApsaraVideo VOD prend en charge les codecs suivants :

• Vidéo : H.264/AVC (par défaut) et H.265/HEVC

• Audio : MP3 (par défaut), AAC, VORBIS et FLAC

Transcodage

Le transcodage convertit un flux vidéo compressé en un autre flux vidéo afin de s'adapter à différentes bandes passantes réseau, capacités d'appareil ou exigences de sortie. Le processus implique le décodage du flux d'entrée et son ré-encodage dans le format cible. Dans les scénarios VOD, le transcodage est couramment utilisé pour générer plusieurs déclinaisons avec différents débits binaires et résolutions afin de prendre en charge le streaming à débit adaptatif (ABR). Les flux d'entrée et de sortie peuvent utiliser les mêmes codecs ou des codecs différents.

Conversion de format conteneur

La conversion de format conteneur modifie le conteneur d'un fichier vidéo ou audio, par exemple en convertissant un fichier AVI en MP4, sans décoder ni ré-encoder les flux audio et vidéo. Le processus extrait les flux compressés du conteneur source et les reconditionne dans le conteneur cible.

Par rapport au transcodage, la conversion de format conteneur présente deux avantages majeurs :

• Traitement rapide : l'encodage et le décodage sont les étapes les plus chronophages du transcodage. La conversion de format conteneur les ignore entièrement.

• Qualité sans perte : sans décompression ni recompression, aucune qualité audio ou vidéo n'est perdue.

Le fichier converti conserve une résolution et un débit binaire presque identiques à l'original et est considéré comme étant de qualité originale.

Débit binaire

Le débit binaire représente la quantité de données qu'une vidéo utilise par unité de temps, mesurée en bits par seconde (bps), communément exprimée en kilobits par seconde (Kbps) ou en mégabits par seconde (Mbps). Le débit binaire est le principal levier pour contrôler la qualité vidéo lors de l'encodage.

Pour des vidéos de même résolution, un débit binaire plus élevé signifie moins de compression et une qualité supérieure, mais aussi une taille de fichier plus importante. Utilisez cette formule pour estimer la taille du fichier :

Taille du fichier = Durée (secondes) × Débit binaire (bps) / 8

Par exemple, une vidéo 720p de 60 minutes (3 600 secondes) encodée à 1 Mbps produit un fichier d'environ 3 600 × 1 000 000 / 8 = 450 Mo.

Chaque résolution possède une plage de débit binaire recommandée. En dessous de cette plage, la qualité visuelle se dégrade sensiblement. Au-dessus, les gains de qualité sont minimes tandis que les coûts de stockage et de bande passante augmentent.

Résolution

La résolution décrit le niveau de détail d'une vidéo, exprimé en nombre de pixels par dimension, par exemple 1280 × 720. Une résolution plus élevée signifie plus de pixels et des images plus nettes.

La résolution influence directement les exigences en matière de débit binaire. Des résolutions plus élevées nécessitent généralement des débits binaires plus importants pour maintenir une qualité acceptable, bien que la relation ne soit pas strictement linéaire.

Fréquence d'images

La fréquence d'images correspond au nombre d'images vidéo affichées par seconde, mesurée en images par seconde (FPS) ou en hertz (Hz).

Des fréquences d'images plus élevées produisent un mouvement plus fluide et plus réaliste. Une fréquence de 25 à 30 FPS est acceptable pour la plupart des cas d'utilisation. Une fréquence de 60 FPS améliore considérablement l'interactivité perçue et le réalisme. Au-delà de 75 FPS, les améliorations sont imperceptibles pour la plupart des spectateurs. À une résolution fixe, des fréquences d'images plus élevées exigent davantage de puissance de traitement GPU.

Groupe d'images (GOP)

Un groupe d'images (GOP) est une séquence d'images consécutives dans une vidéo encodée au format MPEG. Chaque GOP commence par une image I et contient trois types d'images :

• Image I (intra coded picture) : l'image clé. Une image I est autonome ; elle encode une image complète sans faire référence à d'autres images, similaire à un JPEG autonome. Chaque GOP commence par une image I, et chaque séquence vidéo débute par une telle image.

• Image P (predictive coded picture) : stocke uniquement la différence par rapport à l'image I ou P précédente. Lors du décodage, cette différence est ajoutée à l'image de référence mise en cache pour reconstruire l'image. Les images P utilisent moins de bits que les images I, mais sont sensibles aux erreurs de transmission en raison de leur dépendance aux images antérieures.

• Image B (bidirectionally predictive coded picture) : dépend à la fois de l'image précédente et de l'image suivante. Le décodage d'une image B nécessite à la fois l'image antérieure mise en cache et l'image suivante décodée. Les images B atteignent une compression élevée mais requièrent des performances de décodage plus robustes.

La valeur GOP représente le nombre d'images entre deux images Instantaneous Decoding Refresh (IDR), autrement dit l'intervalle entre images clés. L'intervalle de temps est égal à la valeur GOP divisée par la fréquence d'images. Par exemple, ApsaraVideo VOD utilise par défaut un GOP de 250 images à 25 FPS, ce qui donne un intervalle de 10 secondes.

Équilibrez la taille du GOP en fonction de trois facteurs concurrents :

• Taille du fichier : des GOP plus grands réduisent la taille du fichier, mais les images proches de la fin d'un GOP trop grand peuvent présenter des distorsions, ce qui réduit la qualité.

• Vitesse de recherche : lors d'une recherche, les lecteurs sautent vers l'image clé la plus proche avant la position cible. Des GOP plus grands signifient qu'il faut décoder davantage d'images prédictives avant d'atteindre cette position, ce qui augmente le temps de mise en mémoire tampon.

• Efficacité d'encodage : les images P et B sont plus complexes à encoder que les images I. Un nombre excessif de ces images dégrade l'efficacité globale de l'encodage.

• Bande passante : des GOP trop petits imposent un débit binaire plus élevé pour maintenir la qualité, augmentant ainsi l'utilisation de la bande passante.

Utilisez au moins une image clé par seconde comme base de référence. Davantage d'images clés améliorent la qualité, mais augmentent la consommation de bande passante.

Mode de balayage

• Balayage progressif : chaque image est rendue en un seul passage en balayant toutes les lignes séquentiellement de haut en bas.

• Balayage entrelacé : chaque image est divisée en deux champs. Le premier champ balaye les lignes impaires ; le second champ balaye les lignes paires. Les deux champs sont combinés pour former une image complète.

Alignement des images IDR

Une image IDR (Instantaneous Decoding Refresh) est un type spécial d'image I avec une distinction clé : après une image I normale, les images P et B ultérieures peuvent toujours faire référence aux images antérieures. Après une image IDR, aucune image ne peut faire référence à quoi que ce soit qui la précède.

Les images IDR forcent un rafraîchissement immédiat du tampon de référence du décodeur, empêchant la propagation des erreurs au-delà de la limite IDR. Elles permettent également un accès aléatoire réel : lorsqu'un lecteur cherche une position dans la vidéo, le saut vers l'image IDR la plus proche est le plus rapide car aucune analyse rétroactive n'est nécessaire.

Lors du transcodage d'une vidéo en plusieurs débits binaires, activez l'alignement des images IDR pour synchroniser les images IDR sur toutes les déclinaisons de sortie aux mêmes horodatages. Les lecteurs peuvent alors basculer entre les débits binaires sans saccades visibles ni artefacts d'image.

Profil d'encodage

Un profil est un ensemble nommé de fonctionnalités d'encodage conçu pour des cas d'utilisation spécifiques. H.264 définit trois profils principaux :

• Baseline : prend en charge les images I et P avec balayage progressif et codage de longueur variable adaptatif au contexte (CAVLC). Conçu pour les applications à faible consommation d'énergie ou tolérantes aux pannes, telles que les appels vidéo sur appareils mobiles.

• Main : ajoute la prise en charge des images B, le balayage entrelacé et le codage arithmétique binaire adaptatif au contexte (CABAC). Utilisé dans l'électronique grand public courante, telle que les lecteurs MP4, les lecteurs vidéo portables, les PSP et les iPods.

• High : étend le profil Main avec la prédiction inter-images 8 × 8, la quantification personnalisée, le codage vidéo sans perte et des formats YUV étendus (par exemple, 4:4:4). Utilisé dans la diffusion, les disques Blu-ray et la télévision haute définition.

Débit binaire

Le débit binaire correspond au nombre de bits transmis par seconde, mesuré en bits par seconde (bps). Dans le contexte de la vidéo et de l'audio encodés, le débit binaire est équivalent au bitrate ; il indique combien de bits représentent chaque seconde de contenu compressé. Un débit binaire plus élevé signifie une meilleure qualité mais des fichiers plus volumineux ; un débit binaire plus faible signifie des fichiers plus petits. Consultez la section Débit binaire pour plus de détails.

Méthode de contrôle du débit binaire

Le contrôle du débit binaire détermine comment l'encodeur alloue les bits pendant l'encodage. Trois méthodes sont couramment utilisées :

• Débit binaire variable (VBR) : l'encodeur ajuste dynamiquement le débit binaire en fonction de la complexité de la scène, en utilisant plus de bits pour les scènes complexes et moins pour les scènes simples. Le VBR privilégie la qualité tout en gérant la taille du fichier.

• Débit binaire constant (CBR) : le débit binaire reste fixe tout au long du fichier, indépendamment de la complexité du contenu. Les fichiers CBR sont plus volumineux que les fichiers VBR ou ABR pour un même niveau de qualité.

• Débit binaire moyen (ABR) : compromis entre VBR et CBR. L'ABR divise le flux en segments d'environ 50 images (environ une seconde à 30 FPS) et alloue des débits binaires plus faibles aux segments simples et des débits plus élevés aux segments complexes. Le débit binaire moyen sur l'ensemble du fichier reste à ou près de la valeur cible, tandis que les pics locaux peuvent la dépasser.

  L'ABR offre des tailles de fichier prévisibles tout en s'adaptant à la complexité du contenu. ApsaraVideo VOD utilise l'ABR comme méthode de contrôle du débit binaire par défaut.

Format d'encodage

Les formats d'encodage audio se divisent en deux catégories : sans perte et avec perte. En pratique, toutes les méthodes d'encodage audio approximent le signal analogique original ; obtenir une reproduction exacte est théoriquement impossible selon le théorème d'échantillonnage. L'encodage PCM, qui atteint la fidélité pratique la plus élevée, est conventionnellement traité comme sans perte. Tous les formats audio Internet courants, y compris MP3 et AAC, utilisent un encodage avec perte.

Fréquence d'échantillonnage

La fréquence d'échantillonnage, également appelée taux d'échantillonnage, correspond au nombre d'échantillons audio prélevés par seconde à partir d'un signal analogique continu pour produire un signal numérique, mesurée en hertz (Hz). Des fréquences d'échantillonnage plus élevées capturent plus de détails et reproduisent le son plus fidèlement.

Débit binaire

Consultez la section Débit binaire ci-dessus.

Canal audio

Un canal audio est un signal audio indépendant capturé ou reproduit à partir d'une position spatiale distincte. Le nombre de canaux correspond au nombre de sources audio lors de l'enregistrement ou de haut-parleurs lors de la lecture.

UTC (format d'heure standard ISO 8601)

Le Temps Universel Coordonné (UTC) est la principale norme horaire internationale, basée sur les secondes atomiques et étroitement alignée sur le temps universel. L'acronyme UTC est un compromis entre l'abréviation anglaise CUT et l'abréviation française TUC.

Sauf indication contraire, ApsaraVideo VOD renvoie tous les champs temporels et attend tous les paramètres temporels de l'API au format UTC, en utilisant le format ISO 8601 : YYYY-MM-DDThh:mm:ssZ. Par exemple, 2017-01-11T12:00:00Z correspond à 20:00:00 le 11 janvier 2017 à l'heure normale de Chine (UTC+8).

Enregistrement multi-sources

L'enregistrement multi-sources vous permet de combiner plusieurs sources vidéo, telles qu'un flux de caméra et un enregistrement d'écran, en une seule vidéo. Les sources sont organisées à l'aide de mises en page telles que côte à côte, haut et bas, ou incrustation d'image (Picture-in-Picture, PiP). Chaque image de la sortie contient simultanément des données de toutes les sources sélectionnées.

Piste

• Dans l'enregistrement en duo, deux flux vidéo sont abstraits sous forme de Piste A et Piste B. La Piste A contient la vidéo capturée par la caméra. La Piste B contient la vidéo d'exemple. Cette abstraction aide les développeurs à comprendre les concepts de disposition des pistes.

• Dans l'enregistrement multi-sources, plusieurs sources vidéo sont abstraites sous forme de pistes distinctes. Par exemple, la Piste A contient la vidéo de la caméra et la Piste B contient la vidéo enregistrée depuis l'écran. Cette abstraction aide les développeurs à comprendre les concepts de disposition des pistes.

Mise en page

La mise en page est une propriété de piste qui définit où la vidéo de la piste apparaît dans la sortie finale. Elle utilise un système de coordonnées normalisé avec deux dimensions : les coordonnées du point central et la taille de la piste (largeur et hauteur).

• Mise en page de l'enregistrement en duo :

  

  Dans cette mise en page, la Piste A et la Piste B occupent chacune la moitié de l'écran. Les deux pistes ont une largeur de 0,5 et une hauteur de 1,0. Le point central de la Piste A est (0,25, 0,5). Le point central de la Piste B est (0,75, 0,5).

  Deux classes principales gèrent la mise en page dans les API d'enregistrement en duo :

  • AliyunMixTrackLayoutParam : décrit le point central et la taille.

  • AliyunMixRecorderDisplayParam : inclut AliyunMixTrackLayoutParam, ainsi que displayMode et layoutLevel. DisplayMode contrôle s'il faut remplir ou rogner lorsque les rapports d'aspect diffèrent. LayoutLevel définit l'ordre d'affichage ; les valeurs plus élevées apparaissent au-dessus. Lorsque les pistes se chevauchent, la piste avec un layoutLevel plus élevé recouvre l'autre.

• Mise en page de l'enregistrement multi-sources :

  

  Dans cette mise en page, la Piste A et la Piste B occupent chacune la moitié de l'écran. Les deux pistes ont une largeur de 0,5 et une hauteur de 1,0. Le point central de la Piste A est (0,25, 0,5). Le point central de la Piste B est (0,75, 0,5).