音频编码压缩的必要性【音视频编码基础知识】

我们都知道，要想把音视频数据实时分享到世界的各个角落，有一个传输工具必不可少：网络。而要用好这个传输工具，有一个必须关注的点：网络带宽。

作为资深网民，大家肯定都了解过带宽。它指的是网络链路1秒钟内能传输的最大数据量，其单位一般使用 bps（bit per second），对应到推流（上传）/拉流（下载），可以相应分为上行带宽和下行带宽。如果把网络比喻为高速路，那么带宽就相当于这条路的宽度，音视频数据相当于路上来往的车辆。公路越宽，则允许并行通过的车辆越多，其运输能力就越强，如果道路太窄、需要并行通过的车辆又太多，可能会出现阻塞、甚至是车祸。对应的，网络带宽越大，单位时间能传输的数据越多，如果带宽不足，势必导致传输异常，产生卡顿、甚至数据丢失等影响用户体验的问题。

基于对带宽的了解，我们进一步看看纯音频场景对带宽的需求情况。我们已经知道，音频模拟信号经数字化处理会得到标准的数字⾳频数据裸流，其格式为 PCM。不妨先来计算一下，如果直接传输 PCM 数据需要多少带宽。

音频数据传输所需的带宽，可以通过音频码率来度量，在 音频必知必会之音频要素 一讲中，我们已经学习了音频码率的概念及计算方式。对于采样率 44.1K Hz，位深 16 bit 的双声道音频 PCM 数据，它的码率为：

采样率/Hz * 位深/bit * 声道数 * 时长(1s) = 44100 * 16 * 2 * 1 = 1411200 bps = 1.4112 Mbps（bps = bit per second）

也就是说，要求推流用户的上行带宽、拉流用户的下行带宽至少为：1.4112 Mbps。这是单条音频流的情况，如果将场景扩展到语聊房或在线会议，带宽要求还需要依据上麦人数翻 N 倍。而在一些特殊场景，比如曾风靡一时的 ClubHouse 或 势头正旺的 MetaWorld，它们甚至号称“不限制上麦人数”，对于带宽的要求必然会更高。根据统计数据显示，2021年我国宽带网络的上行速率中值约为35Mbps，考虑到实际场景中除了音频之外，还有其他数据需要传输（比如视频数据，所需带宽是音频的数十倍），综合考量下来，带宽也算是“寸土寸金”了，PCM 数据的码率着实让人“高攀不起”。

所以，如何高效利用带宽，如何在有限的带宽下传输更多的音频数据，是我们的重要课题。而音频编解码，就是这个课题的一个有效解决方案。

在 RTC 音视频数据的处理链路上，音频编码模块位于音频前处理模块之后、网络传输模块之前，其主要作用就是对原始音频数据进行编码压缩，以减小数据量、降低带宽消耗（音频解码模块位于网络接收之后，可以认为是音频编码的反向流程，也即对压缩后的数据进行解压缩、还原）。常见的编码算法，比如 AAC，能够实现相对于 PCM 数据1/15以上的压缩率，也即将码率 1.4112 Mbps 降低至 0.094 Mbps，带宽占用将得到显著的优化。对于 RTC 场景来说，更低的带宽消耗意味着更好的场景适配性、更好的弱网适应性，这对于 RTC 应用的普及、用户体验的保障都有裨益。除了带宽优化外，如果有保存音频为文件的需求，编码还能极大减轻存储空间的压力。

综上，“降低带宽消耗”和“降低存储空间占用”构成了音频编解码存在的必要性。了解其必要性之后，我们再进一步探究，为什么音频数据可以被编码压缩，编码压缩的“可行性”基础究竟是什么呢？