VOD 深度剖析（二）：视频编解码器 —— 为什么一部 4K 电影只需 5 GB

本文是 VOD 流媒体深度剖析 系列的第二篇。

---

先算笔账：未压缩的视频到底有多大？

从第一篇中我们知道：

一段 1080p、30 fps、YUV 4:2:0、8 比特的未压缩视频流：

Per-second size = 1920 × 1080 × 1.5 (YUV 4:2:0) × 30 ÷ 1024² ≈ 89 MB/sec

于是：

• 1 分钟 ≈ 5.3 GB
• 90 分钟的电影 ≈ 480 GB
• 4K 电影（像素量是其 4 倍）≈ 1.9 TB

而 Netflix 上一部真实的 4K 电影只有 5–15 GB。这意味着：

编码把视频压缩到了原始体积的 1% 以下。

这不是魔法，而是几十年数学积累的成果。下面就来看看它是怎么做到的。

---

编码与解码：一枚硬币的两面

Raw video (89 MB/s)          Compressed video (2 MB/s)        Display
    ┃                             ┃                            ┃
    ▼                             ▼                            ▼
 ┌──────┐    encode           ┌──────┐    decode            ┌──────┐
 │ Raw  │  ──────────────►   │ File │  ────────────────►   │ Play │
 │ file │    (x264/x265)     │      │   (player/hardware)  │      │
 └──────┘                    └──────┘                      └──────┘

• 编码（Encoding）：把大文件压缩成小文件 → 慢，极度消耗 CPU/GPU
• 解码（Decoding）：从压缩文件中重建图像 → 快，手机都有专用硬件

编码器（Encoder） + 解码器（Decoder） = 编解码器（Codec，coder-decoder）。

为什么编码要慢那么多？因为编码需要尝试所有可能，才能找到最优的压缩方案；而解码只是照着指令执行。就好比把一件奇形怪状的物品塞进箱子，与打开箱子拿出来的区别。

---

视频压缩的两条主线

主线一：帧内压缩（Intra-frame）

把每一帧单独压缩 —— 与 JPEG 类似：

• 人眼对低频信息（大块色彩）敏感，对高频细节（噪点、细小边缘）不敏感
• DCT（离散余弦变换，Discrete Cosine Transform） 把像素从空间域转换到频率域
• 不重要的高频系数在量化时被舍弃

由此产生 I 帧（I-frame） —— 每一帧都能独立解码。

主线二：帧间压缩（Inter-frame）

利用相邻帧几乎完全相同这一事实 —— 只存储差异。

Frame N (I-frame): Complete image
┌─────────────┐
│   🚗         │
│  ___________ │  ← Stored in full
└─────────────┘

Frame N+1 (P-frame): Only the difference
"Move the car in frame N 15 pixels to the right"
─────────► A few bytes to describe

其核心技术是 运动估计（Motion Estimation）+ 运动补偿（Motion Compensation）：

1. 把帧划分成小块（宏块，通常为 16×16 或 8×8）
2. 对每个块，在前一帧中搜索最佳匹配
3. 只记录运动向量（移动了多远）+ 残差（残留的微小差异）

帧间压缩的效率远高于帧内压缩 —— 这正是视频比一串 JPEG 图像序列小上好几个数量级的原因。

---

其他编解码技术（知道有它们即可，不必死记）

技术	作用	效果
变换（Transform）	DCT / 整数变换：像素 → 频率系数	为量化准备数据
量化（Quantization）	把系数除以一个整数并取整	质量/压缩的主旋钮
熵编码（Entropy Coding）	CABAC / CAVLC：常见符号用更少比特表示	无损的最终压榨
环内滤波（In-loop Filter）	消除块效应	图像更平滑
SAO / ALF（H.265+）	自适应样点偏移	减少边缘伪影
多参考帧（Multi-reference）	P/B 帧可参考多个历史帧	预测更准 → 残差更小

实际使用中，你通过编码器参数来控制这些技术 —— 无需自己去实现。

---

五大编解码器

H.264 / AVC（2003）：通用黄金标准

• 兼容性：几乎每一台能播放视频的设备都支持它
• 压缩率：作为我们对比的基准
• 专利：需付费（MPEG LA 专利池），但仍是行业默认
• 最适合：追求最大兼容性、算力受限的场景

H.264 已经问世 20 多年，至今仍是 YouTube、Facebook 和 Zoom 的兜底编解码器。

H.265 / HEVC（2013）：压缩更好，授权噩梦

• 压缩率：同等质量下相比 H.264 节省约 37% 码率
• 专利：混乱而昂贵 —— 三个专利池（MPEG LA、HEVC Advance、Velos Media）外加大量未入池专利
• 硬件解码：iPhone 7+（2016）、安卓 6+ 旗舰机、大多数 4K 电视
• 最适合：Apple 生态、4K 流媒体、对带宽敏感的场景

正是这一团糟的授权局面，导致 HEVC 在 Web 上的普及格外缓慢。Chrome 和 Firefox 都曾抵制加入对它的支持。

VP9（2013）：Google 的免费替代方案

• 出品方：Google（收购了 On2 Technologies）
• 压缩率：接近 H.265
• 专利：免版税
• 主要用途：YouTube、Google Meet
• 注意：iOS 不原生支持 VP9

AV1（2018）：免版税的下一代

• 出品方：AOMedia 联盟（Google、Netflix、Meta、Amazon、Cisco、Microsoft、Intel、Apple 等）
• 压缩率：相比 H.264 节省约 53%，比 H.265 再好约 25%
• 专利：免版税
• 硬件解码：iPhone 15 Pro+（2023）、Pixel 6+、骁龙 8 Gen 2+、Intel Arc、NVIDIA RTX 40+
• 编码速度：早期 SVT-AV1 实现已大幅提升；CPU 编码约比 H.265 慢 2–5 倍

Netflix、YouTube、TikTok 和 Meta 都在朝着以 AV1 为主力编解码器的方向迈进。

H.266 / VVC（2020）：最新一代，尚未成为主流

• 压缩率：相比 H.264 节省约 78%，比 AV1 再好约 25–30%
• 硬件：从 2024 年起在旗舰机上出现；消费端覆盖率仍很低
• 状态：观望

对比表

	H.264	H.265	VP9	AV1	H.266
年份	2003	2013	2013	2018	2020
相比 H.264 的节省	基准	37%	~30%	53%	78%
编码速度	最快	中	中	慢	最慢
解码负载	最轻	中	中	较高	重
兼容性	通用	很好	好（Web）	增长中	低
版税	付费	高且混乱	免费	免费	付费

这些百分比数字来自特定的测试集和测试条件（基于 VMAF/PSNR 的 BD-rate）。实际结果会因内容类型（动画 vs. 实拍 vs. 屏幕录制）而有很大差异。切勿把它们当作绝对的营销宣传口径。

---

实践中如何选择编解码器

Where do your users watch?
│
├── ① Web browsers + all phones + legacy set-top boxes
│     → Must have H.264 (fallback)
│     → Add H.265 (iOS) + AV1 (Android flagships / modern Chrome) for bandwidth savings
│
├── ② Native app only (iOS + Android + optional TV)
│     → H.264 + H.265 as primary; AV1 gradual rollout by device capability
│
├── ③ Web-first, global bandwidth cost matters (YouTube/Netflix scale)
│     → AV1 primary + H.264 fallback
│
└── ④ 4K / HDR premium content
      → H.265 / AV1 + Dolby Vision

一份典型的短视频编码阶梯

档位	分辨率	H.264 码率	H.265 码率	AV1 码率
低	360p	500 kbps	350 kbps	250 kbps
中	540p	900 kbps	650 kbps	480 kbps
主	720p	1.5 Mbps	1.0 Mbps	750 kbps
高	1080p	3.5 Mbps	2.2 Mbps	1.6 Mbps

---

上手实操：用 ffmpeg 压缩一段视频

基础 H.264

ffmpeg -i input.mov -c:v libx264 output.mp4

CRF 质量控制

ffmpeg -i input.mov \
  -c:v libx264 -preset medium -crf 23 \
  -c:a aac -b:a 128k \
  output.mp4

参数	含义
-preset medium	速度/压缩的权衡。可选：ultrafast → veryslow。越慢 = 同等质量下文件越小
-crf 23	质量目标，0–51。越低 = 质量越好、文件越大。默认值为 23。
-c:a aac -b:a 128k	音频：AAC，128 kbps

CRF 速查：18 = 视觉无损，23 = 高质量，28 = 可接受（能看出压缩痕迹）。

适配流媒体的 VOD 编码

ffmpeg -i input.mov \
  -c:v libx264 -preset slow -crf 22 \
  -profile:v high -level 4.0 \
  -g 60 -keyint_min 60 -sc_threshold 0 \
  -c:a aac -b:a 128k \
  -movflags +faststart \
  output.mp4

参数	原因
-g 60 -keyint_min 60	每 60 帧一个 I 帧。在 30 fps 下 = 2 秒的 GOP，与切片对齐。
-sc_threshold 0	关闭场景切换自动插入 I 帧。确保所有码率档位在相同位置都有 I 帧。
-movflags +faststart	把 MP4 的”目录”（moov box）移到文件开头 —— 从而支持边下边播。详见第四篇。
-profile:v high -level 4.0	兼容性：Level 4.0 最高支持到 1080p30。

H.265 编码

ffmpeg -i input.mov \
  -c:v libx265 -preset medium -crf 26 \
  -tag:v hvc1 \
  -c:a aac -b:a 128k \
  -movflags +faststart \
  output_hevc.mp4

注意：要达到同等视觉质量，H.265 的 CRF 值需要比 H.264 高约 3–5（CRF 26 ≈ H.264 的 CRF 22）。-tag:v hvc1 标签是 Apple 设备识别该文件所必需的。

压缩结果（1 分钟 4K 源片，约 2 GB 原始体积）

命令	输出大小	占比
未压缩 YUV	~2 GB	100%
H.264 CRF 23	~30 MB	1.5%
H.264 CRF 18	~80 MB	4%
H.265 CRF 26	~18 MB	0.9%
AV1（SVT-AV1 preset 8）	~12 MB	0.6%

压缩比达 100–500 倍，在手机屏幕上几乎看不出差别。

---

逐标题（Per-Title）与逐镜头（Per-Shot）编码

默认做法是对所有内容使用固定的码率阶梯。但问题在于：

• 一部卡通片（色块平坦、细节少）在 1080p@1000k 下就已经很好看
• 一场演唱会（灯光闪烁、运动剧烈）在 1080p@5000k 下仍能看出压缩痕迹

逐标题编码（Per-Title Encoding，Netflix，2015）：根据每部作品的视觉复杂度，为其单独计算最优的码率阶梯。

Traditional: Same ladder for every movie
  360p@500k / 720p@1500k / 1080p@4000k

Per-Title: Custom ladder per movie
  Cartoon:  360p@300k / 720p@800k / 1080p@1800k   (saves money)
  Concert:  360p@700k / 720p@2200k / 1080p@5500k  (needs more bits)

逐镜头编码（Per-Shot Encoding，Netflix，2018） 走得更远：按场景切换把电影拆分，再以 VMAF 为质量目标对每个镜头单独优化。据称在同等质量下可额外节省 17%。

对大多数平台而言，云厂商提供的”智能转码”模板（AWS MediaConvert QVBR、阿里云”窄带高清”）无需你自建体系，就能拿到其中的大部分收益。

---

硬件编码 vs. 软件编码

方式	实现	速度	质量	最适合
软件（CPU）	libx264 / libx265 / SVT-AV1	慢	最好	VOD 离线转码
硬件（GPU/ASIC）	NVIDIA NVENC、Intel QSV、Apple VideoToolbox	快 5–50 倍	略低	直播、实时场景

VOD 应当使用软件编码：你只需编码一次，而带宽节省会长久受益。直播则必须使用硬件编码 —— 你不可能花 10 秒去编码 1 秒的视频。

---

VMAF、PSNR、SSIM：衡量视觉质量

指标	全称	方法	取值范围	与人眼感知的相关性
PSNR	峰值信噪比（Peak Signal-to-Noise Ratio）	像素级差异	0–∞ dB（越高越好）	弱
SSIM	结构相似性（Structural Similarity）	亮度/对比度/结构	0–1（越高越好）	中
VMAF	视频多方法评估融合（Video Multi-Method Assessment Fusion）	多特征的机器学习融合	0–100（越高越好）	强

VMAF（由 Netflix 开源）是业界公认的感知质量标准：

• VMAF ≥ 93：视觉无损
• VMAF ≈ 80：高质量
• VMAF ≈ 60：可接受
• VMAF ≤ 40：明显的压缩伪影

---

关键要点

1. 视频压缩通过帧内压缩（逐帧压缩每张图像）+ 帧间压缩（只存储差异）将体积压到原始大小的 <1%。
2. 编码慢，解码快。编码器 + 解码器 = 编解码器（Codec）。
3. H.264 是通用兜底方案。H.265 节省 37% 但授权混乱。AV1 免费且节省 53%。VVC 是未来，但还没准备好。
4. VOD 转码要点：CRF 质量控制、GOP 对齐、faststart、关闭场景切换。
5. 逐标题 / 逐镜头编码是进阶优化；云端”智能转码”已能覆盖大部分收益。
6. VMAF 是业界标准的质量指标。

---

上一篇： 第一篇：视频基础

下一篇： 第三篇：音频基础