213
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。
好啦，整个计算过程，大家有没有看明白？这些都是音视频的基础知识，值得好好研究一下哦！
最后，感谢大家的支持！我们下期再见！
下载ECAD模型
