今天我們來做一道算術(shù)題——

做一次視頻直播，到底需要多大的網(wǎng)絡(luò)帶寬。

廢話不多說，我們直接開始。

我們先從最基本的圖像開始計算。

圖像，大家都知道，是由很多“帶有顏色的點”組成的。這個點，就是“像素點（Pixel）”。

像素是圖像顯示的基本單位。我們通常說一幅圖片的大小，分辨率是1920×1080，就是長度為1920個像素點，寬度為1080個像素點。乘積是2,073,600，也就是說，這個圖片是兩百萬像素的。

對視頻來說，常見的分辨率有：

注意：不同的標(biāo)準(zhǔn)，對2K/4K/8K的定義不同

那么，一個像素點是多少比特（bit）呢？

在計算機里，是用數(shù)字來表示顏色的。 這就牽 出了 “彩色分量數(shù)字化” 的概念 。

以前我們美術(shù)課學(xué)過，任何顏色，都可以通過紅色（Red）、綠色（Green）、藍(lán)色（Blue）按照一定比例調(diào)制出來。這三種顏色，被稱為“三原色”。

在計算機里，R、G、B也被稱為“基色分量”。它們的取值，分別從0到255，一共256個等級（256是2的8次方）。

所以，任何顏色，都可以用R、G、B三個值的組合表示。

RGB=[183,67,21]

通過這種方式，一共能表達(dá)多少種顏色呢？256×256×256=16,777,216種，因此也簡稱為1600萬色。RGB三色，每色有8bit，這種方式表達(dá)出來的顏色，也被稱為24位色（占用24bit）。

這個顏色范圍已經(jīng)超過了人眼可見的全部色彩，所以又叫真彩色。再高的話，對于我們?nèi)搜蹃碚f，已經(jīng)沒有意義了，完全識別不出來。

我們按現(xiàn)在比較流行的1080p直播來舉例計算吧，像素點是2,073,600。用24位色，也就是每張圖片2,073,600×24bit=49,766,400bit，約5.9MB。

感覺有點大呀~ 別急，我們繼續(xù)往下看。

接下來看幀率（Frame Rate）。

我們的視頻，其實就是很多張靜止的圖像連續(xù)播放。

在視頻中，一個幀（Frame）就是指一幅靜止的畫面。幀率，就是指視頻每秒鐘包括的畫面數(shù)量（FPS，F(xiàn)rame per second）。  

幀率越高，視頻就越逼真、越流暢。

常見的幀率，有24fps（電影標(biāo)準(zhǔn)）、30fps、60fps。

我們就以24fps來算吧，接上前面的結(jié)果，那就是：

49,766,400bit×24=?1,194,393,600?bit=?149,299,200?byte

（8bit 比特=1byte 字節(jié)）

也就是說，每秒視頻大小約是142MB，每分鐘是8.3GB，每小時是499.2GB。每部90分鐘的電影，是748.8GB。

這不科學(xué)啊，我們平時看的電影，哪有這么大的？不就才幾GB嘛？

沒錯，我們平時的視頻確實沒有那么大，因為我們對視頻進(jìn)行了編碼壓縮。

我們先來看看，視頻從錄制到播放的整個過程，如下：

首先是視頻采集。通常我們會使用攝像機、攝像頭進(jìn)行視頻采集。限于篇幅，我就不打算和大家解釋CCD成像原理了。

采集了視頻數(shù)據(jù)之后，就要進(jìn)行模數(shù)轉(zhuǎn)換，將模擬信號變成數(shù)字信號。其實現(xiàn)在很多都是攝像機（攝像頭）直接輸出數(shù)字信號。

信號輸出之后，還要進(jìn)行預(yù)處理，將RGB信號變成YUV信號。

前面我們介紹了RGB信號，那什么是YUV信號呢？

簡單來說，YUV就是另外一種顏色數(shù)字化表示方式。

視頻通信系統(tǒng)之所以要采用YUV，而不是RGB，主要是因為RGB信號不利于壓縮。

在YUV這種方式里面，加入了亮度這一概念。

在最近十年中，視頻工程師發(fā)現(xiàn)，眼睛對于亮和暗的分辨要比對顏色的分辨更精細(xì)一些，也就是說，人眼對色度的敏感程度要低于對亮度的敏感程度。

所以，工程師認(rèn)為，在我們的視頻存儲中，沒有必要存儲全部顏色信號。我們可以把更多帶寬留給黑—白信號（被稱作“亮度”），將稍少的帶寬留給彩色信號（被稱作“色度”）。于是，就有了YUV。

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

YUV碼流的存儲格式其實與其采樣的方式密切相關(guān)。 （采樣，就是捕捉數(shù)據(jù)。 ）

主流的采樣方式有三種，YUV4:4:4，YUV4:2:2，YUV4:2:0。

具體解釋起來有點繁瑣，大家只需記住，通常用的是YUV4:2:0的采樣方式，能獲得1/2的壓縮率。

這些預(yù)處理做完之后，就是正式的編碼了。

編碼的過程和原理我們就不解釋了。目前比較流行的編碼格式有H.264，H.265。

這些編碼格式有著非常驚人的壓縮率。 以2013年推出的H.265為例，壓縮率能夠達(dá)到300~500:1（包括前面的視頻輸入信號YUV重采樣）。

也就是說，剛才那個1080p的視頻，我們要直播的話，如果采用H.265編碼格式（按300:1算），碼流就是：

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

碼流（Data rate）是視頻文件在單位時間內(nèi)使用的數(shù)據(jù)流量，我們可以理解為視頻文件大小除以視頻時長。一般來說，碼流越大，視頻的壓縮比就越小，畫面質(zhì)量就越好。

是不是這樣就算完啦？當(dāng)然沒有，我們還有音頻沒有計算呢。

音頻的計算相對來說要簡單一點。

聲音是連續(xù)的模擬信號，我們對聲音進(jìn)行采樣、量化、編碼，最終變成數(shù)字信號，然后在網(wǎng)絡(luò)中傳輸。

采樣的指標(biāo)是 采樣率 ， 也就是單位時間內(nèi)（每秒）用多少個數(shù)據(jù)來描述聲音波形。

采樣率越高，波形越接近，音質(zhì)越好。

采樣率 通常有24KHz、44.1KHz、48KHz等。

常見的數(shù)字音頻采樣率

現(xiàn)在視頻直播基本上都是用44.1KHz或48KHz采樣率。

然后是采樣位數(shù)，也稱為位深、精度、比特。

這個值有點像前面所說的圖像位色。它可以理解數(shù)字音頻設(shè)備處理聲音的解析度，即對聲音的辨析度。這個數(shù)值越大，解析度就越高，錄制和回放的聲音就越真實（聲音越細(xì)膩）。

聲音的采樣位數(shù)有8bit，16bit，24bit等。

一個bit數(shù)據(jù)大約可以記錄6dB的聲音，故定義0dB為峰值。常見的16bit（CD音質(zhì)），可以記錄大概96分貝的動態(tài)范圍。24bit的聲音動態(tài)范圍-144dB（24×6）—0dB。

人耳的無痛苦極限聲壓是90分貝，所以，一般來說數(shù)字音頻基本上都會采用16bit的采樣位數(shù)。

聲音通常會分為單聲道或多聲道（雙聲道、四聲道等，兩個以上的聲道就屬于立體聲）。雙聲道的話，就是×2。

所以，在無損無壓縮格式（例如wav格式）中，音頻的碼率=采樣率（48k）× 位深度（16）× 通道數(shù)（2）= 1,536 kbps。

注意，如果是有損壓縮（例如mp3格式），音頻的碼率不等于這個格式，因為原始信息已經(jīng)被破壞了。

Mp3通過抽取音頻中的一些頻段來達(dá)到提高壓縮比，降低碼率，減少所占空間，但同時聲音的細(xì)節(jié)如人聲的情感、后期的混響等等都已經(jīng)發(fā)生變形。盲聽的話也很難較快地分辨出wav和mp3，需要借助設(shè)備。

Mp3目前是最為普及的聲頻壓縮格式，可以最大程度地保留壓縮前的音質(zhì)。Mp3常見碼率是128kbps、192kbps、224kbps、256kbps。320kbps是mp3格式的最高碼率。

我們一般都是用有損壓縮格式，192kbps已經(jīng)夠用了，我們以192kbps為例吧。

視頻加音頻，就是 3,981,312 bps + 192 kbps = 4,080 kbps。

一般來說，考慮到一些抖動和冗余，網(wǎng)絡(luò)需求帶寬≈視頻碼率×1.3。所以，帶寬需求大約是 5,304 kbps。也就是說，差不多6Mbps的帶寬，就可以滿足了。

好啦，整個計算過程，大家有沒有看明白？這些都是音視頻的基礎(chǔ)知識，值得好好研究一下哦！

最后，感謝大家的支持！我們下期再見！

—— The End ——