避免卡顿抖动，视频直播带宽到底应该怎么算 ？

今天我们来做一道算术题——

做一次视频直播，到底需要多大的网络带宽。

废话不多说，我们直接开始。

我们先从最基本的图像开始计算。

图像，大家都知道，是由很多“带有颜色的点”组成的。这个点，就是“像素点（Pixel）”。

像素是图像显示的基本单位。我们通常说一幅图片的大小，分辨率是1920×1080，就是长度为1920个像素点，宽度为1080个像素点。乘积是2,073,600，也就是说，这个图片是两百万像素的。

对视频来说，常见的分辨率有：

注意：不同的标准，对2K/4K/8K的定义不同

那么，一个像素点是多少比特（bit）呢？

在计算机里，是用数字来表示颜色的。这就牵出了“彩色分量数字化”的概念。

以前我们美术课学过，任何颜色，都可以通过红色（Red）、绿色（Green）、蓝色（Blue）按照一定比例调制出来。这三种颜色，被称为“三原色”。

在计算机里，R、G、B也被称为“基色分量”。它们的取值，分别从0到255，一共256个等级（256是2的8次方）。

所以，任何颜色，都可以用R、G、B三个值的组合表示。

RGB=[183,67,21]

通过这种方式，一共能表达多少种颜色呢？256×256×256=16,777,216种，因此也简称为1600万色。RGB三色，每色有8bit，这种方式表达出来的颜色，也被称为24位色（占用24bit）。

这个颜色范围已经超过了人眼可见的全部色彩，所以又叫真彩色。再高的话，对于我们人眼来说，已经没有意义了，完全识别不出来。

我们按现在比较流行的1080p直播来举例计算吧，像素点是2,073,600。用24位色，也就是每张图片2,073,600×24bit=49,766,400bit，约5.9MB。

感觉有点大呀~ 别急，我们继续往下看。

接下来看帧率（Frame Rate）。

我们的视频，其实就是很多张静止的图像连续播放。

在视频中，一个帧（Frame）就是指一幅静止的画面。帧率，就是指视频每秒钟包括的画面数量（FPS，Frame per second）。

帧率越高，视频就越逼真、越流畅。

常见的帧率，有24fps（电影标准）、30fps、60fps。

我们就以24fps来算吧，接上前面的结果，那就是：

49,766,400bit×24=‭1,194,393,600‬bit=‭149,299,200‬byte（8bit 比特=1byte 字节）

也就是说，每秒视频大小约是142MB，每分钟是8.3GB，每小时是499.2GB。每部90分钟的电影，是748.8GB。

这不科学啊，我们平时看的电影，哪有这么大的？不就才几GB嘛？

没错，我们平时的视频确实没有那么大，因为我们对视频进行了编码压缩。

我们先来看看，视频从录制到播放的整个过程，如下：

首先是视频采集。通常我们会使用摄像机、摄像头进行视频采集。限于篇幅，我就不打算和大家解释CCD成像原理了。

采集了视频数据之后，就要进行模数转换，将模拟信号变成数字信号。其实现在很多都是摄像机（摄像头）直接输出数字信号。

信号输出之后，还要进行预处理，将RGB信号变成YUV信号。

前面我们介绍了RGB信号，那什么是YUV信号呢？

简单来说，YUV就是另外一种颜色数字化表示方式。

视频通信系统之所以要采用YUV，而不是RGB，主要是因为RGB信号不利于压缩。

在YUV这种方式里面，加入了亮度这一概念。

在最近十年中，视频工程师发现，眼睛对于亮和暗的分辨要比对颜色的分辨更精细一些，也就是说，人眼对色度的敏感程度要低于对亮度的敏感程度。

所以，工程师认为，在我们的视频存储中，没有必要存储全部颜色信号。我们可以把更多带宽留给黑—白信号（被称作“亮度”），将稍少的带宽留给彩色信号（被称作“色度”）。于是，就有了YUV。

YUV里面的“Y”，就是亮度（Luma），“U”和“V”则是色度（Chroma）。

YUV码流的存储格式其实与其采样的方式密切相关。（采样，就是捕捉数据。）

主流的采样方式有三种，YUV4:4:4，YUV4:2:2，YUV4:2:0。

具体解释起来有点繁琐，大家只需记住，通常用的是YUV4:2:0的采样方式，能获得1/2的压缩率。

这些预处理做完之后，就是正式的编码了。

编码的过程和原理我们就不解释了。目前比较流行的编码格式有H.264，H.265。

这些编码格式有着非常惊人的压缩率。以2013年推出的H.265为例，压缩率能够达到300~500:1（包括前面的视频输入信号YUV重采样）。

也就是说，刚才那个1080p的视频，我们要直播的话，如果采用H.265编码格式（按300:1算），码流就是：

1,194,393,600‬bit ÷ 300 = 3,981,312 bit/s

码流（Data rate）是视频文件在单位时间内使用的数据流量，我们可以理解为视频文件大小除以视频时长。一般来说，码流越大，视频的压缩比就越小，画面质量就越好。

是不是这样就算完啦？当然没有，我们还有音频没有计算呢。

音频的计算相对来说要简单一点。

声音是连续的模拟信号，我们对声音进行采样、量化、编码，最终变成数字信号，然后在网络中传输。

采样的指标是采样率，也就是单位时间内（每秒）用多少个数据来描述声音波形。

采样率越高，波形越接近，音质越好。

采样率通常有24KHz、44.1KHz、48KHz等。

常见的数字音频采样率

现在视频直播基本上都是用44.1KHz或48KHz采样率。

然后是采样位数，也称为位深、精度、比特。

这个值有点像前面所说的图像位色。它可以理解数字音频设备处理声音的解析度，即对声音的辨析度。这个数值越大，解析度就越高，录制和回放的声音就越真实（声音越细腻）。

声音的采样位数有8bit，16bit，24bit等。

一个bit数据大约可以记录6dB的声音，故定义0dB为峰值。常见的16bit（CD音质），可以记录大概96分贝的动态范围。24bit的声音动态范围-144dB（24×6）—0dB。

人耳的无痛苦极限声压是90分贝，所以，一般来说数字音频基本上都会采用16bit的采样位数。

声音通常会分为单声道或多声道（双声道、四声道等，两个以上的声道就属于立体声）。双声道的话，就是×2。

所以，在无损无压缩格式（例如wav格式）中，音频的码率=采样率（48k）× 位深度（16）× 通道数（2）= 1,536 kbps。

注意，如果是有损压缩（例如mp3格式），音频的码率不等于这个格式，因为原始信息已经被破坏了。

Mp3通过抽取音频中的一些频段来达到提高压缩比，降低码率，减少所占空间，但同时声音的细节如人声的情感、后期的混响等等都已经发生变形。盲听的话也很难较快地分辨出wav和mp3，需要借助设备。

Mp3目前是最为普及的声频压缩格式，可以最大程度地保留压缩前的音质。Mp3常见码率是128kbps、192kbps、224kbps、256kbps。320kbps是mp3格式的最高码率。

我们一般都是用有损压缩格式，192kbps已经够用了，我们以192kbps为例吧。

视频加音频，就是 3,981,312 bps + 192 kbps = 4,080 kbps。

一般来说，考虑到一些抖动和冗余，网络需求带宽≈视频码率×1.3。所以，带宽需求大约是 5,304 kbps。也就是说，差不多6Mbps的带宽，就可以满足了。

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。