ApsaraVideo Media Processing:用語

ジョブ

ジョブは、MPS において 1 回のメディア処理リクエストを表す抽象概念です。各ジョブには、入力、出力、処理パラメーターという 3 つの重要な情報が含まれます。

• 一般的なジョブタイプ：MPS は、メディア情報分析ジョブ、トランスコーディングジョブ、トランスコーディングクエリジョブ、スナップショットジョブ、動画 AI ジョブを提供します。

  • トランスコーディングジョブには、通常のトランスコーディング、Narrowband HD™ 1.0 トランスコーディング、Narrowband HD™ 2.0 トランスコーディング、音声・動画強化ジョブが含まれます。

  • 動画 AI ジョブには、インテリジェント制作、スマートタグ付け、コンテンツモデレーション、メディアフィンガープリント、著作権透かしジョブが含まれます。

• ジョブの送信

  • 送信方法：MPS コンソールでジョブを送信するか、ジョブタイプに対応するソフトウェア開発キット (SDK) または API 操作を呼び出すか、設定済みのワークフローをトリガーできます。

  • 必須パラメーター：たとえば、トランスコーディングジョブを送信する場合、入力ファイル、出力パス、トランスコーディングテンプレート (またはトランスコーディングパラメーター)、MPS キュー、優先度などの主要パラメーターを指定する必要があります。

  ジョブタイプによって実行に要する時間は異なります。送信後すぐに完了するジョブもありますが、ほとんどのジョブでは、ファイルのダウンロード、処理、分析が必要であり、リアルタイムでは完了できません。そのため、ジョブは同期モードと非同期モードの 2 つの呼び出しモードに分かれます。次の表では、2 つのモードを比較します。

非同期ジョブの結果を取得するには、次のいずれかの方法を使用します。

• 定期的なポーリング：各ジョブは一意の JobId で識別されます。JobId はジョブの送信時に呼び出し元に返されます。コンソールのジョブリストでも JobId を確認できます。JobId を記録し、ジョブのクエリ操作を定期的にポーリングしてジョブの結果を取得してください。

• MNS の設定：パイプラインまたはワークフローに対して MNS 通知を設定すると、ジョブの結果をタイムリーに受信できます。通知には、ジョブ ID (JobId)、ユーザーデータ (UserData)、詳細結果が含まれます。

パイプライン

パイプラインは、非同期ジョブのキューです。非同期ジョブを送信すると、ジョブはパイプラインにキューイングされます。同時実行数の上限内で、キューイングされたジョブは、優先度と送信時刻に基づいて順番にスケジュールされて実行されます。パイプラインの種類によって、作成できるパイプライン数、サポートされる機能、同時実行能力が異なります。詳細については、「パイプラインの概要」をご参照ください。

ワークフロー

ワークフローは、事前定義されたジョブのシーケンスです。指定した Object Storage Service (OSS) の バケット にファイルがアップロードされると、事前に設定した手順と条件に基づいてジョブが順番に実行されます。

トランスコーディングテンプレート

トランスコーディングテンプレートは、一意の ID で識別される、処理パラメーターの集合です。トランスコーディングジョブを作成する場合やワークフローを使用する場合に、トランスコーディングテンプレートを使用すると操作を簡素化できます。作成元に基づき、トランスコーディングテンプレートは次の 3 種類に分類されます。詳細については、「トランスコーディングテンプレートの概要」をご参照ください。

• カスタムテンプレート：MPS コンソールまたは API 操作の呼び出しで作成するトランスコーディングテンプレートです。バックエンドでパラメーターはカスタマイズされません。

• カスタマイズ済みテンプレート：お客様の個別要件に基づき、MPS がバックエンドでカスタマイズパラメーターを設定するトランスコーディングテンプレートです。カスタマイズパラメーターによって処理結果が決まり、お客様が設定したパラメーターは反映されません。カスタマイズパラメーターはお客様には表示されず、お客様側で変更できません。

• プリセットテンプレート：特定範囲のネットワーク帯域幅に適合するよう、解像度別に MPS が提供するトランスコーディングテンプレートです。プリセットテンプレートには、静的プリセットテンプレートとインテリジェントプリセットテンプレートがあります。静的プリセットテンプレートは、通常のトランスコーディング、音声トランスコーディング、コンテナフォーマット変換、Narrowband HD™ 1.0、Narrowband HD™ 2.0 をサポートします。詳細については、MPS コンソール にアクセスするか、「プリセットテンプレートの詳細」をご参照ください。

テンプレート分析ジョブ

テンプレート分析ジョブは、入力ファイルで使用可能なプリセットテンプレートのリストを返します。入力ファイルは解像度、ビットレートなどの属性が異なるため、すべてのプリセットテンプレートが特定の入力ファイルに適しているとは限りません。そのため、プリセットテンプレートを使用する前に、テンプレート分析ジョブを送信する API を呼び出してください。結果を取得するには、QueryAnalysisJobList API を呼び出してください。

透かしテンプレート

透かしテンプレートは、透かしの位置、オフセット、サイズなど、動画に透かしを追加するためのパラメーターの集合です。各透かしテンプレートは一意の ID で識別されます。出力動画に透かしを追加するには、透かしテンプレートを指定するか、対応するパラメーターを直接渡してください。

トランスコーディング

トランスコーディングとは、圧縮およびエンコードされた音声または動画ストリームを、ネットワーク帯域幅、端末の処理能力、ユーザー要件に合わせて別の音声または動画ストリームに変換するプロセスです。トランスコーディングは本質的に、デコード処理の後にエンコード処理を行うものです。そのため、変換前後のストリームで同じ動画エンコード形式が使用される場合もあれば、使用されない場合もあります。H.264、H.265、AV1 は一般的に使用されるエンコード形式です。

コンテナフォーマット変換

コンテナフォーマット変換では、AVI 動画を MP4 に変換するなど、動画または音声ファイルのコンテナフォーマットを変換します。音声・動画のエンコードやデコードは行いません。代わりに、あるコンテナフォーマットのファイルから圧縮済みの動画・音声ストリームを抽出し、別のコンテナフォーマットのファイルにパッケージングします。トランスコーディングと比較すると、コンテナフォーマット変換には次の 2 つの特性があります。

• 処理が非常に高速：音声・動画のエンコードとデコードは非常に複雑で、トランスコーディング時間の大部分を占めます。コンテナフォーマット変換ではエンコードもデコードも不要なため、処理時間を大幅に短縮できます。

• 音声・動画品質の劣化がない：デコード (伸長) やエンコード (圧縮) を行わないため、圧縮による劣化が発生しません。変換後のファイルは、解像度やビットレートの点で元のファイルとほぼ同一です。

解像度

解像度は、動画が細部を識別できる能力を表します。通常は、各次元のピクセル数で表現します。たとえば、1280 × 720 は、動画の幅が 1280 ピクセル、高さが 720 ピクセルであることを示します。解像度が高い動画ほどピクセル数が多いため、画像の細部がより精細になり、画像がより鮮明になります。

解像度はビットレートを決定する主要要因であり、解像度が異なれば必要なビットレートも異なります。一般に、解像度が高いほど高いビットレートが必要ですが、各解像度には適切なビットレート範囲があります。その範囲を下回ると画質が低下します。範囲を上回ると画質の向上はほとんど見込めず、ネットワークトラフィックとストレージスペースが無駄になります。

ビットレート

ビットレートは、動画ファイルが単位時間あたりに使用するデータ量です。ストリームまたはストリームレートとも呼ばれ、動画エンコードにおける画質制御で最も重要な要因です。ビットレートは 1 秒あたりのビット数 (bit/s または bps) で測定され、一般に Kbps (1 秒あたり数千ビット) または Mbps で表されます。同じ解像度では、ビットレートが高いほど圧縮率が低くなり、画質が向上します。ビットレートが高いほど単位時間あたりのサンプリングレートとデータストリーム精度も高くなるため、処理後のファイルは元のファイルにより近くなり、画像がより鮮明になります。その一方で、再生デバイスにはより高いデコード性能が求められます。

ビットレートが高いほどファイルサイズも大きくなります。ファイルサイズは次の式で計算します：ファイルサイズ = 再生時間 × ビットレート/8。たとえば、オンラインで一般的な、ビットレート 1 Mbps の 60 分 720p 動画ファイルは、約 3600 秒 × 1 Mb/8 = 450 MB になります。

フレームレート

フレームレートは、単位時間あたりに表示される動画フレーム数、つまり 1 秒あたりに更新される画像枚数を表す指標です。frames per second (FPS) または hertz (Hz) で測定されます。

フレームレートが高いほど、より滑らかで現実感のある映像になります。一般に 25～30 FPS で十分であり、60 FPS に増やすとインタラクティブ性と臨場感が大きく向上します。ただし、75 FPS を超えると、滑らかさの向上は知覚しにくくなります。フレームレートが画面のリフレッシュレートを超えると、ディスプレイはそれほど高速に更新できないため、余分なフレームとそれに費やされるグラフィックス処理能力が無駄になります。同じ解像度では、フレームレートが高いほどグラフィックスカードにより高い処理能力が求められます。

動画のキーフレーム間隔 (GOP)

GOP (Group of Pictures) は、MPEG エンコードされた動画または動画ストリーム内の連続した画像のグループです。GOP は I フレームで始まり、次の I フレームの直前のフレームで終わります。GOP には次の画像タイプが含まれます。

• I フレーム (intra coded picture)：イントラコードフレームまたはキーフレームとも呼ばれます。I フレームは独立したフレームで、すべての情報を自身で保持しており、他の画像を参照せずにデコードできます。静止画のように考えることができます。動画シーケンスの最初のフレームは常に I フレームであり、各 GOP は I フレームで始まります。

• P フレーム (predictive coded picture)：インターフレーム予測コードフレームとも呼ばれます。P フレームをエンコードするには、直前の I フレームを参照する必要があります。P フレームは、現在のフレームと直前のフレーム (I フレームまたは P フレーム) の差分を表します。デコード時には、現在のフレームで定義された差分を、以前にキャッシュされた画像に重ね合わせて最終画像を生成します。I フレームと比較すると、P フレームが占めるデータビット数は通常は少なくなります。ただし、P フレームは直前の P フレームおよび I フレームに対する依存関係が複雑なため、伝送エラーの影響を受けやすいという特性があります。

• B フレーム (bidirectionally predictive coded picture)：双方向予測コードフレームとも呼ばれます。B フレームは、現在のフレームと前後のフレーム双方との差分を記録します。B フレームをデコードするには、以前にキャッシュされた画像を取得し、さらに後続の画像をデコードしてから、両者を現在フレームのデータに重ね合わせて最終画像を得る必要があります。B フレームは高い圧縮率を実現しますが、より高いデコード性能が必要です。

  GOP 値はキーフレーム間隔、つまり 2 つのキーフレーム間のフレーム数、2 つの IDR フレーム間の距離、およびフレームグループ内の最大フレーム数を示します。一般に、動画の 1 秒あたり少なくとも 1 つのキーフレームが必要です。キーフレーム数を増やすと動画品質は向上しますが、帯域幅の消費量とネットワーク負荷も増加します。時間間隔を求めるには、フレーム単位の GOP 値をフレームレートで割ります。たとえば、フレームレートが 25 FPS の場合、GOP 値が 250 フレームであれば時間間隔は 10 秒です。

動画品質、ファイルサイズ (ネットワーク帯域幅)、シーク動作 (ドラッグや早送りの応答速度) のバランスを取るため、GOP 値は適切な範囲に設定してください。

• GOP 値を大きくすると、動画ファイルサイズを削減できます。ただし、大きくしすぎないでください。GOP 値が過度に大きいと、GOP の後半フレームで画像が歪み、動画品質が低下します。

• GOP 値は、シーク応答速度に影響する重要な要因でもあります。シーク時、プレーヤーは指定位置より前にある最も近いキーフレームを特定します。GOP 値が大きいほどキーフレームが指定位置から遠くなる可能性があるため、より多くの予測フレームをデコードする必要があり、シーク応答時間 (バッファリング時間) が長くなります。

• P フレームと B フレームは I フレームよりも複雑なため、GOP 値が過度に大きいと P フレームと B フレームが増えすぎて、エンコード効率が低下します。

• 一方で、GOP 値が小さすぎる場合、画質の低下を防ぐために動画の出力ビットレートを上げる必要があり、帯域幅の消費が増加します。

音声・動画のエンコーディングプロファイル

エンコーディングプロファイルは、特定のアプリケーション分類向けの特定のエンコード機能セットです。

H.264 は、次の 3 つの主要プロファイルを定義しています。

• Baseline：基本的な画質で、モバイルデバイスに適しています。このプロファイルは I フレームと P フレームをサポートし、プログレッシブスキャンとコンテキスト適応可変長符号化 (CAVLC) のみをサポートします。

• Main：標準的な画質で、比較的デコード性能が低い MP4 プレーヤー、ポータブル動画プレーヤー、PSP、iPod などの標準解像度デバイスに適しています。このプロファイルは I フレーム、P フレーム、B フレームをサポートし、プログレッシブスキャンとインターレーススキャンの両方、および CAVLC とコンテキスト適応バイナリ算術符号化 (CABAC) の両方をサポートします。

• High：高画質で、高解像度かつ大画面のデバイス (放送、ビデオディスクストレージ (Blu-ray Disc)、高精細テレビなど) に適しています。Main プロファイルの機能に加え、8 × 8 イントラ予測、カスタム量子化、可逆動画符号化、より多くの YUV フォーマットなどが追加されています。

  主な AAC プロファイルは次のとおりです。

• aac_low：Low Complexity AAC (LC)

• aac_he：High Efficiency AAC (HE-AAC)

• aac_he_v2：High Efficiency AAC version 2 (HE-AACv2)

• aac_ld：Low Delay AAC (LD)

• aac_eld：Enhanced Low Delay AAC (ELD)

ビットレート制御とエンコードパス

ビットレート制御は、動画エンコード時の出力ビットレートを決定するプロセスです。2 つの設定が連携します。出力ビットレートの割り当て方法を決定するビットレート制御方式と、エンコーダーが動画を処理する回数を決定するエンコードパス数です。一般的に使用されるビットレート制御方式は次のとおりです。

• CBR (固定ビットレート)：ファイルの先頭から末尾まで 1 つのビットレートを使用する固定ビットレートモードです。VBR および ABR と比較すると、CBR はファイルサイズが大きくなり、動画品質も VBR や ABR と比べて顕著に優れるわけではありません。

• VBR (可変ビットレート)：動的ビットレートモード、つまり固定ではないビットレートです。音声・動画のエンコード中、入力ファイルの複雑さに基づいてビットレートがオンザフライで決定されます。複雑なコンテンツには高いビットレートが割り当てられ、単純なコンテンツには低いビットレートが割り当てられます。VBR は通常、2 パスのエンコードモードと併用されます。VBR はストレージシナリオに適しています。限られたストレージスペースをより合理的に使用できますが、出力ファイルのサイズやビットレートの変動を予測できません。

• ABR (平均ビットレート)：Alibaba Cloud のデフォルトのビットレート制御方式です。ABR は平均ビットレートモードで、VBR の補間的な派生形です。LAME は、CBR のサイズ対品質比が低いことと、VBR のファイルサイズが予測不能であるという課題に対応するために、このエンコードモードを作成しました。指定したファイルサイズの範囲内で、ABR はストリームを 50 フレーム単位のセグメントに分割し、低周波数や知覚されにくい周波数には比較的低いビットレートを、高周波数コンテンツや広いダイナミックレンジには高いビットレートを使用します。ABR は一定の時間範囲内で指定ビットレートに到達します。局所的なビットレートピークは指定ビットレートを超える場合がありますが、平均ビットレートは適切な範囲内で一定に保たれ、複雑さに応じて動的にエンコードされます。そのため、ABR は VBR と CBR の折衷案と見なすことができます。

• VBV (Video Buffering Verifier)：ビットレートを最大値以下に抑えるための方法を提供します。この方式を使用するには、ピーク出力ビットレート (maxrate) とバッファサイズ (bufsize) を設定します。VBV は 2 パスまたは CRF エンコードと併用できます。後者の組み合わせは Capped CRF とも呼ばれます。

  • Bufsize：動画バッファのサイズです。想定するビットレート変動に基づいて設定してください。通常、bufsize は maxrate の 2 倍に設定します。クライアントのキャッシュが小さい場合は、bufsize を maxrate と同じ値に設定してください。ビットレートを制限するには、bufsize を maxrate の半分以下に設定してください。

• CRF (固定レート係数)：品質制御係数モードです。動画品質はレベルで定量化され、0 は無損失、51 は最悪です。CRF を設定すると主観的な動画品質を全体として一定に保てるため、ビットレートはシーンの複雑さに応じて変動します。(推奨) 使用する CRF が不明な場合は、23～29 の値を設定してください。画像の複雑さに基づいて調整してください。6 増やすごとにビットレートは半減し、6 減らすごとにビットレートは倍増します。同じ解像度では、アニメーションは実写映像より高めに設定できる場合があります。CRF はより良い動画品質を提供しますが、出力ファイルのサイズやビットレート変動を予測できません。

• Capped CRF：CRF によって出力されるビットレートは固定ではありません。CRF と VBV を併用してビットレート変動の範囲を制限し、ビットレートスパイクを回避できます。

  MPS は次のエンコードパスをサポートします。

• 1 パス：Alibaba Cloud のデフォルトのエンコード方式です。1 パスは 2 パスよりも高速にエンコードできます。

• 2 パス：エンコーダーが 2 回実行され、ビットレートを正確に割り当て、より小さいファイルサイズで高品質を実現します。1 回目のパスでは動画を分析してログファイルを生成し、2 回目のパスでは分析結果に基づいてエンコードし、最適なエンコード品質を実現します。2 パスは 1 パスより時間がかかるため、ライブストリーミングやリアルタイム通信など、トランスコーディングの即時性が求められるシナリオでは使用できません。入力動画がすでに高圧縮の場合、ブロックノイズが発生するため、2 パスは不適切です。

リージョン

リージョンは Alibaba Cloud のサービスノードです。Alibaba Cloud のサービスは複数のリージョンで利用できるため、アクセスレイテンシを低減し、より良いユーザーエクスペリエンスを得るために、最も近いリージョンのサービスを選択できます。

Object Storage Service (OSS)

OSS は Alibaba Cloud Object Storage Service を指します。ApsaraVideo Media Processing は、OSS に保存されているメディアファイルをトランスコーディングし、トランスコーディング後の出力ファイルも OSS に保存されます。OSS の概念の詳細については、「OSS 用語」をご参照ください。

バケット

バケットは、オブジェクトを格納するために使用するコンテナです。すべてのオブジェクトはバケットに属します。バケットには、リージョン、アクセス権限、ストレージクラスなど、さまざまな構成属性があります。要件に基づいて、異なる種類のバケットを作成し、異なるデータを保存できます。詳細については、「OSS 用語のバケット」をご参照ください。

オブジェクト

オブジェクトは OSS におけるデータストレージの基本単位で、OSS ファイルとも呼ばれます。従来のファイルシステムとは異なり、OSS のオブジェクトには階層型ディレクトリ構造がありません。オブジェクトは、オブジェクトメタデータ (Object Meta)、ユーザーデータ (Data)、ファイル名 (Key) で構成され、バケット内で一意の Key によって識別されます。オブジェクトメタデータは、最終更新時刻やサイズなど、オブジェクトの属性を記述するキーと値のペアのセットです。メタデータにカスタム情報を保存することもできます。詳細については、「OSS 用語のオブジェクト」をご参照ください。

アクセスキーペア

AccessKey (略称：AK) は、アクセスの本人確認に使用される AccessKey ID と AccessKey シークレットのペアを指します。OSS は、AccessKey ID と AccessKey シークレットから対称暗号化により生成された署名を確認して、リクエスト送信者の身元を検証します。AccessKey ID はユーザーを識別します。AccessKey シークレットは、署名文字列を暗号化するために使用するキーであり、OSS が署名文字列を検証するためにも使用します。AccessKey シークレットは厳重に管理してください。

AccessKey には次の 3 種類があります。

• バケット所有者が申請する AccessKey。

• バケット所有者が RAM 認可を使用してサードパーティリクエスターに付与する AccessKey。

• バケット所有者が STS を使用してサードパーティリクエスターに付与する AccessKey。

  詳細については、「アクセスキーペアの作成」をご参照ください。