ApsaraVideo VOD:Termos

Formato de arquivo

Todo arquivo no computador tem uma extensão — como .doc, .jpg ou .avi — que indica ao sistema operacional qual aplicativo pode abri-lo. As extensões de arquivo de vídeo mais comuns incluem .avi, .mpg e .mp4.

Formato de contêiner

Um formato de contêiner — também chamado de contêiner multimídia — agrupa fluxos de vídeo comprimidos, fluxos de áudio e metadados (como títulos e legendas) em um único arquivo, conforme uma especificação definida.

Os formatos de contêiner dividem-se em duas categorias:

• Formatos orientados a armazenamento incluem AVI, ASF (WMA ou WMV), MP4, MKV e RMVB (RM ou RA).

• Formatos orientados a streaming incluem Flash Video (FLV), Transport Stream (TS) e MP4. O TS exige um protocolo de streaming, como HTTP Live Streaming (HLS) ou Real-Time Messaging Protocol (RTMP). O MP4 oferece suporte a streaming via HTTP.

Os formatos orientados a streaming mais comuns e seus protocolos associados incluem:

• MP4: formato de contêiner amplamente suportado, compatível com dispositivos móveis (iOS e Android) e navegadores de desktop. Os arquivos MP4 armazenam todos os metadados de mídia — incluindo informações de organização e tempo — em um cabeçalho. Em vídeos longos, esse cabeçalho torna-se grande e atrasa o carregamento. O MP4 é mais adequado para vídeos curtos.

  Um arquivo MP4 organiza-se em caixas (anteriormente chamadas de átomos). Todos os metadados de mídia ficam armazenados nessas caixas e referenciam os dados reais da mídia, como quadros de vídeo. À medida que a duração do vídeo aumenta, o cabeçalho cresce e o carregamento fica mais lento.

• HLS (HTTP Live Streaming): protocolo de streaming baseado em HTTP desenvolvido pela Apple. O HLS usa o formato de contêiner TS por padrão, divide o fluxo em pequenos fragmentos TS e usa um arquivo de índice M3U8 para controlar a reprodução. O HLS evita longos atrasos de buffer de cabeçalho e funciona bem para vídeo sob demanda. Possui ampla compatibilidade com dispositivos móveis (iOS e Android), embora a compatibilidade com o Internet Explorer em PCs possa ser limitada. Use o ApsaraVideo Player for Web para obter a melhor compatibilidade com navegadores.

• FLV: formato desenvolvido pela Adobe com forte suporte ao Flash Player em PCs. Em dispositivos móveis, o FLV requer um aplicativo de player dedicado e não é compatível com a maioria dos navegadores móveis, incluindo os de dispositivos Apple. Use o ApsaraVideo Player para reprodução de FLV.

• DASH (Dynamic Adaptive Streaming over HTTP): usa MP4 fragmentado (fMP4) para dividir um vídeo em vários segmentos codificáveis independentemente. Cada segmento pode usar configurações de codificação diferentes — como resolução ou taxa de bits — e permite que os players selecionem segmentos dinamicamente para streaming de taxa de bits adaptativa e troca contínua de qualidade. O arquivo Media Presentation Description (MPD) no DASH desempenha a mesma função do arquivo M3U8 no HLS. O DASH é amplamente usado pelas principais plataformas de streaming, como YouTube e Netflix.

• HLS com fMP4: extensão anunciada pela Apple na WWDC 2016 que permite ao HLS usar fMP4 além do TS. Isso significa que um único trabalho de transcodificação pode gerar saídas compatíveis tanto com DASH quanto com HLS.

  O HLS (incluindo HLS com fMP4) e o DASH são as tecnologias de streaming adaptativo mais adotadas. Use um desses formatos para implantações em produção.

Codec

Um codec — abreviação de codificador-decodificador — é um programa ou dispositivo que comprime e descomprime vídeo ou áudio digital. A compressão geralmente apresenta perdas. Os codecs também definem a tecnologia de compressão usada ao converter um vídeo de um formato para outro. As famílias de codecs mais comuns incluem:

1. Série H.26X: desenvolvida pela União Internacional de Telecomunicações (ITU). Inclui H.261, H.262, H.263, H.264 e H.265.

   • H.261: usado nos primeiros produtos de videoconferência e videochamada.

   • H.262: usado em radiodifusão, DVD e TV digital para vídeo de definição padrão (SD).

   • H.263: usado em videoconferências, videochamadas e vídeos online.

   • H.264: também conhecido como MPEG-4 Part 10 ou Advanced Video Coding (AVC). É o padrão de compressão de vídeo mais adotado para gravação, compressão e distribuição de alta precisão.

   • H.265: também chamado de High Efficiency Video Coding (HEVC), é o sucessor do H.264. O HEVC oferece o dobro da taxa de compressão do H.264 — uma redução de 50% na taxa de bits com qualidade visual equivalente — e suporta resoluções de até 8192 × 4320 (8K). Esta é a direção atual da indústria.

2. Série MPEG: desenvolvida pelo Moving Picture Experts Group (MPEG), um grupo de trabalho vinculado à Organização Internacional para Padronização (ISO). Os principais padrões de codificação de vídeo incluem:

   • MPEG-1 Part 2: usado em VCDs e em alguns dos primeiros vídeos online, com qualidade aproximadamente equivalente à do VHS.

   • MPEG-2 Part 2: equivalente ao H.262. Usado em DVDs, SVCDs, radiodifusão de vídeo digital e distribuição por cabo.

   • MPEG-4 Part 2: usado para transmissão em rede, radiodifusão e armazenamento de mídia. Oferece melhor compressão que o MPEG-2 e as versões iniciais do H.263.

   • MPEG-4 Part 10: tecnicamente idêntico ao ITU-T H.264, foi desenvolvido em conjunto pela ITU-T e pelo MPEG. A ITU-T o denominou H.264; a ISO/IEC o chamou de MPEG-4 AVC.

3. Audio Video Coding Standard (AVS): família de padrões de codificação de áudio e vídeo digital desenvolvida pelo Audio Video Coding Standards Workgroup da China. Duas gerações foram finalizadas.

   • A primeira geração inclui o AVS1 ("Information Technology—Advanced Audio and Video Coding—Part 2: Video") e o AVS+ ("Part 16: Broadcasting Video"). O AVS+ atinge uma eficiência de compressão comparável à do H.264/MPEG-4 AVC High Profile.

   • A segunda geração (AVS2) foca em vídeo de ultra-alta definição (UHD) (4K e superior) e conteúdo de alto alcance dinâmico (HDR). Sua eficiência de compressão é o dobro da do AVS+ e do H.264/MPEG-4 AVC, e supera também o HEVC/H.265.

4. Outros codecs — como VP8 e VP9 (Google) e RealVideo (RealNetworks) — raramente são usados para vídeo online e não são abordados aqui.

Ao escolher um codec, priorize a compatibilidade com os clientes de reprodução alvo — aplicativos móveis e navegadores web. Opte por codecs amplamente suportados. O ApsaraVideo VOD suporta os seguintes codecs:

• Vídeo: H.264/AVC (padrão) e H.265/HEVC

• Áudio: MP3 (padrão), AAC, VORBIS e FLAC

Transcodificação

A transcodificação converte um fluxo de vídeo comprimido em outro fluxo de vídeo para adequar-se a diferentes larguras de banda de rede, capacidades de dispositivos ou requisitos de saída. O processo envolve decodificar o fluxo de entrada e recodificá-lo no formato de destino. Em cenários de VOD, a transcodificação é comumente usada para gerar múltiplas versões com diferentes taxas de bits e resoluções, visando oferecer suporte a streaming de taxa de bits adaptativa (ABR). Os fluxos de entrada e saída podem usar codecs iguais ou diferentes.

Conversão de formato de contêiner

A conversão de formato de contêiner altera o contêiner de um arquivo de vídeo ou áudio — por exemplo, convertendo um arquivo AVI para MP4 — sem decodificar ou recodificar os fluxos de áudio e vídeo. O processo extrai os fluxos comprimidos do contêiner de source e os reempacota no contêiner de destino.

Em comparação com a transcodificação, a conversão de formato de contêiner apresenta duas vantagens principais:

• Processamento rápido: a codificação e a decodificação são as etapas mais demoradas da transcodificação. A conversão de formato de contêiner ignora ambas completamente.

• Qualidade sem perdas: como não há descompressão ou recompressão, nenhuma qualidade de áudio ou vídeo é perdida.

O arquivo convertido mantém resolução e taxa de bits quase idênticas às do original, sendo considerado de qualidade original.

Taxa de bits

A taxa de bits é a quantidade de dados que um vídeo usa por unidade de tempo, medida em bits por segundo (bps) — comumente expressa em kilobits por segundo (Kbps) ou megabits por segundo (Mbps). A taxa de bits é o principal mecanismo para controlar a qualidade do vídeo durante a codificação.

Para vídeos com a mesma resolução, uma taxa de bits maior significa menos compressão e maior qualidade, mas também resulta em arquivos maiores. Use esta fórmula para estimar o tamanho do arquivo:

Tamanho do arquivo = Duração (segundos) × Taxa de bits (bps) / 8

Por exemplo, um vídeo de 60 minutos (3.600 segundos) em 720p codificado a 1 Mbps gera um arquivo de aproximadamente 3.600 × 1.000.000 / 8 = 450 MB.

Cada resolução possui uma faixa de taxa de bits recomendada. Abaixo dessa faixa, a qualidade visual degrada visivelmente. Acima dela, os ganhos de qualidade são mínimos, enquanto os custos de armazenamento e largura de banda aumentam.

Resolução

A resolução descreve o nível de detalhe de um vídeo, expresso pela contagem de pixels por dimensão — como 1280 × 720. Maior resolução significa mais pixels e imagens mais nítidas.

A resolução influencia diretamente os requisitos de taxa de bits. Resoluções mais altas geralmente exigem taxas de bits maiores para manter uma qualidade aceitável, embora a relação não seja estritamente linear.

Taxa de quadros

A taxa de quadros é o número de quadros de vídeo exibidos por segundo, medida em quadros por segundo (FPS) ou hertz (Hz).

Taxas de quadros mais altas produzem movimentos mais suaves e realistas. De 25 a 30 FPS é aceitável para a maioria dos casos de uso. 60 FPS melhora significativamente a interatividade e o realismo percebidos. Acima de 75 FPS, as melhorias são imperceptíveis para a maioria dos espectadores. Com uma resolução fixa, taxas de quadros mais altas demandam maior poder de processamento da GPU.

Grupo de Imagens (GOP)

Um Grupo de Imagens (GOP) é uma sequência de quadros consecutivos em um vídeo codificado em MPEG. Cada GOP começa com um quadro I e contém três tipos de quadros:

• Quadro I (imagem codificada intra): o quadro-chave. Um quadro I é autossuficiente — ele codifica uma imagem completa sem referenciar outros quadros, semelhante a um JPEG independente. Todo GOP começa com um quadro I, e toda sequência de vídeo inicia com um.

• Quadro P (imagem codificada preditiva): armazena apenas a diferença em relação ao quadro I ou P anterior. Durante a decodificação, essa diferença é adicionada ao quadro de referência em cache para reconstruir a imagem. Os quadros P usam menos bits que os quadros I, mas são sensíveis a erros de transmissão devido à sua dependência de quadros anteriores.

• Quadro B (imagem codificada preditiva bidirecional): depende tanto do quadro precedente quanto do seguinte. Decodificar um quadro B exige tanto o quadro anterior em cache quanto o próximo quadro decodificado. Os quadros B alcançam alta compressão, mas requerem maior desempenho de decodificação.

O valor do GOP é o número de quadros entre dois quadros de Atualização Instantânea de Decodificação (IDR) — ou seja, o intervalo de quadros-chave. O intervalo de tempo equivale ao valor do GOP dividido pela taxa de quadros. Por exemplo, o ApsaraVideo VOD usa como padrão um GOP de 250 quadros a 25 FPS, resultando em um intervalo de 10 segundos.

Equilibre o tamanho do GOP considerando três fatores concorrentes:

• Tamanho do arquivo: GOPs maiores reduzem o tamanho do arquivo, mas quadros próximos ao final de um GOP excessivamente grande podem sofrer distorção, reduzindo a qualidade.

• Velocidade de busca: ao buscar uma posição, os players saltam para o quadro-chave mais próximo antes da posição desejada. GOPs maiores implicam mais quadros preditivos para decodificar antes de alcançar essa posição, aumentando o tempo de buffer.

• Eficiência de codificação: quadros P e B são mais complexos de codificar do que quadros I. Uma quantidade excessiva deles degrada a eficiência geral da codificação.

• Largura de banda: GOPs muito pequenos forçam uma taxa de bits maior para manter a qualidade, aumentando o uso da largura de banda.

Use pelo menos um quadro-chave por segundo como base. Mais quadros-chave melhoram a qualidade, mas aumentam o consumo de largura de banda.

Modo de varredura

• Varredura progressiva: cada quadro é renderizado em uma única passagem, varrendo todas as linhas sequencialmente de cima para baixo.

• Varredura entrelaçada: cada quadro é dividido em dois campos. O primeiro campo varre as linhas ímpares; o segundo campo varre as linhas pares. Os dois campos combinam-se para formar uma imagem completa.

Alinhamento de quadros IDR

Um quadro IDR (Instantaneous Decoding Refresh) é um tipo especial de quadro I com uma distinção fundamental: após um quadro I normal, quadros P e B subsequentes ainda podem referenciar quadros anteriores. Após um quadro IDR, nenhum quadro pode referenciar qualquer coisa que venha antes dele.

Os quadros IDR forçam uma atualização imediata do buffer de referência do decodificador, impedindo que erros se propaguem além do limite do IDR. Eles também permitem acesso aleatório verdadeiro — quando um player busca uma posição no vídeo, saltar para o quadro IDR mais próximo é a opção mais rápida, pois não requer análise regressiva.

Ao transcodificar um vídeo para múltiplas taxas de bits, ative o alinhamento de quadros IDR para sincronizar os quadros IDR em todas as versões de saída nos mesmos carimbos de data/hora. Assim, os players podem alternar entre taxas de bits sem travamentos visíveis ou artefatos de quadro.

Perfil de codificação

Um perfil é um conjunto nomeado de recursos de codificação projetado para casos de uso específicos. O H.264 define três perfis principais:

• Baseline: suporta quadros I e P com varredura progressiva e codificação de comprimento variável adaptativa ao contexto (CAVLC). Projetado para aplicações de baixa potência ou tolerantes a falhas, como videochamadas em dispositivos móveis.

• Main: adiciona suporte a quadros B, varredura entrelaçada e codificação aritmética binária adaptativa ao contexto (CABAC). Usado em eletrônicos de consumo convencionais, como players de MP4, players de vídeo portáteis, PSPs e iPods.

• High: estende o perfil Main com interpredição 8 × 8, quantização personalizada, codificação de vídeo sem perdas e formatos YUV estendidos (por exemplo, 4:4:4). Usado em radiodifusão, Blu-ray Disc e televisão de alta definição.

Taxa de bits

Taxa de bits é o número de bits transmitidos por segundo, medido em bits por segundo (bps). No contexto de vídeo e áudio codificados, taxa de bits equivale a bitrate — indica quantos bits representam cada segundo de conteúdo comprimido. Uma taxa de bits maior significa melhor qualidade, mas arquivos maiores; uma taxa de bits menor resulta em arquivos menores. Consulte a seção Taxa de bits para detalhes.

Método de controle de taxa de bits

O controle de taxa de bits determina como o codificador aloca bits durante a codificação. Três métodos são comumente usados:

• Taxa de bits variável (VBR): o codificador ajusta a taxa de bits dinamicamente com base na complexidade da cena — usando mais bits para cenas complexas e menos para cenas simples. O VBR prioriza a qualidade enquanto gerencia o tamanho do arquivo.

• Taxa de bits constante (CBR): a taxa de bits permanece fixa durante todo o arquivo, independentemente da complexidade do conteúdo. Arquivos CBR são maiores que arquivos VBR ou ABR para o mesmo nível de qualidade.

• Taxa de bits média (ABR): um meio-termo entre VBR e CBR. O ABR divide o fluxo em segmentos de aproximadamente 50 quadros (cerca de um segundo a 30 FPS) e aloca taxas de bits menores para segmentos mais simples e taxas maiores para segmentos complexos. A taxa de bits média ao longo do arquivo permanece no valor alvo ou próxima dele, embora picos locais possam excedê-lo.

  O ABR oferece tamanhos de arquivo previsíveis enquanto se adapta à complexidade do conteúdo. O ApsaraVideo VOD usa o ABR como método padrão de controle de taxa de bits.

Formato de codificação

Os formatos de codificação de áudio dividem-se em duas categorias: sem perdas e com perdas. Na prática, todos os métodos de codificação de áudio aproximam o sinal analógico original — alcançar uma reprodução exata é teoricamente impossível conforme o teorema da amostragem. A codificação PCM, que atinge a maior fidelidade prática, é convencionalmente tratada como sem perdas. Todos os formatos de áudio comuns na internet — incluindo MP3 e AAC — usam codificação com perdas.

Taxa de amostragem

Taxa de amostragem — também chamada de frequência de amostragem — é o número de amostras de áudio coletadas por segundo de um sinal analógico contínuo para produzir um sinal digital, medida em hertz (Hz). Taxas de amostragem mais altas capturam mais detalhes e reproduzem o som com maior precisão.

Taxa de bits

Consulte a seção Taxa de bits acima.

Canal de som

Um canal de som é um sinal de áudio independente capturado ou reproduzido a partir de uma posição espacial distinta. O número de canais corresponde ao número de fontes de áudio durante a gravação ou de alto-falantes durante a reprodução.

UTC (formato de hora padrão ISO 8601)

O Tempo Universal Coordenado (UTC) é o principal padrão internacional de tempo, baseado em segundos atômicos e estreitamente alinhado ao tempo universal. A sigla UTC é um compromisso entre a abreviação em inglês CUT e a abreviação em francês TUC.

Salvo especificação em contrário, o ApsaraVideo VOD retorna todos os campos de hora e espera todos os parâmetros de hora da API em UTC, usando o formato ISO 8601: YYYY-MM-DDThh:mm:ssZ. Por exemplo, 2017-01-11T12:00:00Z equivale a 20:00:00 em 11 de janeiro de 2017 no Horário Padrão da China (UTC+8).

Gravação de múltiplas sources

A gravação de múltiplas sources permite combinar várias origens de vídeo — como a alimentação de uma câmera e uma gravação de tela — em um único vídeo. As sources organizam-se usando layouts como lado a lado, parte superior e inferior ou Picture-in-Picture (PiP). Cada quadro na saída contém dados de todas as sources selecionadas simultaneamente.

Faixa

• Na gravação em dueto/@parmname, dois fluxos de vídeo são abstraídos como Faixa A e Faixa B. A Faixa A contém o vídeo capturado pela câmera. A Faixa B contém o vídeo de amostra. Essa abstração ajuda os desenvolvedores a entender os conceitos de layout de faixas.

• Na gravação de múltiplas sources/@parmname, várias sources de vídeo são abstraídas como faixas separadas. Por exemplo, a Faixa A contém o vídeo da câmera e a Faixa B contém o vídeo gravado da tela. Essa abstração ajuda os desenvolvedores a entender os conceitos de layout de faixas.

Layout

O layout é uma propriedade da faixa que define onde o vídeo da faixa aparece na saída final. Ele usa um sistema de coordenadas normalizado com duas dimensões: as coordenadas do ponto central e o tamanho da faixa (largura e altura).

• Layout de gravação em dueto:

  

  Neste layout, a Faixa A e a Faixa B ocupam, cada uma, metade da tela. Ambas as faixas têm largura 0,5 e altura 1,0. O ponto central da Faixa A é (0,25, 0,5). O ponto central da Faixa B é (0,75, 0,5).

  Duas classes principais gerenciam o layout nas APIs de gravação em dueto:

  • AliyunMixTrackLayoutParam: descreve o ponto central e o tamanho.

  • AliyunMixRecorderDisplayParam: inclui AliyunMixTrackLayoutParam, além de displayMode e layoutLevel. O DisplayMode controla se deve preencher ou recortar quando as proporções diferem. O LayoutLevel define a ordem de exibição — valores mais altos aparecem no topo. Quando as faixas se sobrepõem, a faixa com um layoutLevel maior cobre a outra.

• Layout de gravação de múltiplas sources:

  

  Neste layout, a Faixa A e a Faixa B ocupam, cada uma, metade da tela. Ambas as faixas têm largura 0,5 e altura 1,0. O ponto central da Faixa A é (0,25, 0,5). O ponto central da Faixa B é (0,75, 0,5).