iOS：制作简易的 AAC 播放器 —— 了解音频的播放流程

常用的播放文件，如 mp3、aac 都是已经封装的音频格式，将它们的文件提供到系统音频库或者第三方音频库，如 AVPlayer、IJKPlayer 等这些框架和播放器，然后声音就会由扬声器或耳机播放出来。如果读者对这些神奇的过程有兴趣，那就进入本次的了解旅程。

《iOS 视音频入门系列》

• [iOS 隐形水印之 LSB 实现]
• [图像の二值图]

之前的都是针对图像，而本次来聊聊音频。

前言

本次将基于 iOS 实现对aac(ADTS)文件的播放来讲解音频的播放流程。它将包括如下内容，可能大伙对这些名称有所耳闻：解封装、解编码等。流媒体的播放其实就是基于这些步骤来实现的。

 _______              ______________              ________
|       |            |              |            |        |
|  aac  |  demuxer   |    audio     |  decoder   | audio  |
| file  | ---------> | encoded data | ---------> | raw    |
|_______|            |______________|            |________|

AAC

aac 的应用很广泛，在直播 rtmp 和 http-flv 中也使用的此音频格式。

❝AAC，全称Advanced Audio Coding，是一种专为声音数据设计的文件压缩格式。与MP3不同，它采用了全新的算法进行编码，更加高效，具有更高的“性价比”。利用AAC格式，可使人感觉声音质量没有明显降低的前提下，更加小巧。

Demo 使用的 aac 音频信息如下：

Input #0, aac, from 'video.aac':
  Duration: 00:00:30.45, bitrate: 133 kb/s
  Stream #0:0: Audio: aac (LC), 44100 Hz, stereo, fltp, 133 kb/s

解封装

解封装的最重要的目的是将 音频 的 音频的信息 & 音频的编码数据 分离出来。

而 aac 是由多个 header + es body 组成。header 固定 7 个字节，所以只需每次读取 7 个字节，然后再读出 size，就能得到得到对应块的数据，从而得到 raw 数据。

// 读取 header
int head_buf_size = 7;
int *head_buf = malloc(head_buf_size);
fread(head_buf, 1, head_buf_size, _in_file);

// 读取 size
int s1 = ((int)(*(((uint8_t *)head_buf) + 3))&0x3) << 11;
int s2 = ((int)(*(((uint8_t *)head_buf) + 4))) << 3;
int s3 = (int)(*(((uint8_t *)head_buf) + 5)) >> 5;
int size = s1 + s2 + s3;

// 读取 raw
int raw_buf_size = size - head_buf_size;
int *raw_buf = malloc(raw_buf_size);
fread(raw_buf, 1, raw_buf_size, _in_file);

header 还包含其他音频信息，它们是解码时需要的，如采样率、声道数等

int head_buf_size = 7;
int *head_buf = malloc(head_buf_size);
fread(head_buf, 1, head_buf_size, file);

// 采样率标识
int freqIdx = ((int)(*(((uint8_t *)head_buf) + 2))&0x3C) >> 2;
// 声道数
int c1 = ((int)(*(((uint8_t *)head_buf) + 2))&0x1) << 2;
int c2 = ((int)(*(((uint8_t *)head_buf) + 3))&0xC0) >> 6;
int chanCfg = c1 + c2;

// 返回
complete(freqIdx == 3 ? 48000 : 44100, chanCfg);

上面的格式是 aac 的格式协议制定的，只要按照要求读取即可，就是哪几个字节，哪几个bit 对应的哪些内容，它的值表示什么都是约定的。

Demo 只读出了 aac 的 raw、sample_rate、channels。

解码

解码的是使用 AudioConverterRef，可能有人问这里的细节，但这里不会展开，因为有点超纲，大伙可以搜搜 AAC解码原理 之类的标题（PS：别问，问就是不废）。

而使用 AudioConverterRef 就可以轻松的完成解码，只需配置输入&输出的 AudioStreamBasicDescription，然后将读取的 raw 写入即可得到解码后的数据。

// 输入
- (AudioStreamBasicDescription)createAACAduioDes {
    UInt32 channels = _channels;

    AudioStreamBasicDescription audioDes ={0};
    audioDes.mSampleRate = _sampleRate;
    audioDes.mFormatID = kAudioFormatMPEG4AAC;
    audioDes.mFormatFlags = kMPEG4Object_AAC_LC;
    audioDes.mBytesPerPacket = 0;
    audioDes.mFramesPerPacket = 1024;
    audioDes.mBytesPerFrame = 0;
    audioDes.mChannelsPerFrame = channels;
    audioDes.mBitsPerChannel = 0;
    audioDes.mReserved = 0;

    return audioDes;
}

// 输出
- (AudioStreamBasicDescription)createPCMAduioDes {
    UInt32 bytesPerSample = sizeof(SInt32);
    UInt32 channels = _channels;

    AudioStreamBasicDescription audioDes ={0};
    audioDes.mSampleRate = _sampleRate;
    audioDes.mFormatID = kAudioFormatLinearPCM;
    audioDes.mFormatFlags = kLinearPCMFormatFlagIsNonInterleaved | kAudioFormatFlagIsFloat | kAudioFormatFlagIsPacked;
    audioDes.mBytesPerPacket = bytesPerSample;
    audioDes.mFramesPerPacket = 1;
    audioDes.mBytesPerFrame = bytesPerSample;
    audioDes.mChannelsPerFrame = channels;
    audioDes.mBitsPerChannel = 8 * bytesPerSample;
    audioDes.mReserved = 0;

    return audioDes;
}

// decode
AudioConverterFillComplexBuffer(self->_audioConverter, 
          inputDataProc,/*输入数据的函数*/ 
          (__bridge void * _Nullable)(self), 
          &ioOutputDataPacketSize, 
          outAudioBufferList,/*构造返回的数据*/ 
          NULL);

以上代码的过程就是将上一步解封装后的 data 转成 AudioBufferList，再通过 AudioConverter 解码，从输出的 AudioBufferList 获取 pcm 数据。

播放

播放使用AudioUnit & AUGraph，这是 iOS 底层的音频框架，通过它还可以进行很多有趣的自定义，如变音。对于 AudioUnit 的学习内容就很多，可以自行搜索学习即可。此处播放，只需按 Demo 操作固定步骤即可。

OSStatus status;
status = NewAUGraph(&_auGraph);
[self addAUNode];
status = AUGraphOpen(_auGraph);
[self getAUsFromNodes];
[self setAUProperties];
[self makeAUConnects];
CAShow(_auGraph);
status = AUGraphInitialize(_auGraph);

到这一步，只要把 encode raw 给到 AudioUnit 就可以播放。此音频播放器属于消费者模式，它是反向跟前面要数据来播放，如下：

 ___________              ______________  
|           | 1.playback |              |  
|  demuxer  | <--------- |  AudioUnit   |  
|  decoder  | ---------> |              |  
|___________|   2.pcm    |______________|  

1. AudioUnit 向 decoder 要 pcm 数据
2. decoder 将解码数据给过去，数据够直接提供，数据不够向 demuxer 要
3. demuxer 去解封装更多源数据，返回给 decoder 解码

// 数据不够
if (self.data.length < size) {
 // 解封装
    NSData *d = [_reader read_aac_raw_buf];
    if (d == nil) {
        return nil;
    }
    // 解码
    AudioBufferList *b = [_decoder decodeAudioSamepleBuffer:d];

    // 保存
    [self.data appendBytes:b->mBuffers[0].mData length:b->mBuffers[0].mDataByteSize];
}

// 返回 AudioUint 需要的数据   
NSData *b = [self.data subdataWithRange:NSMakeRange(0, size)];

这样处理可以避免一次性将 aac 解码，封装的目的就是降低文件大小，方便传输和保存。如果全部解码出来，对于高音质的音频文件就会生成很大的文件，占用大量的内存，并且播放时，快进或者直接结束，没有播放的部分即浪费空间又浪费算力。因此需要播放的部分才去解封装 & 解码更好。

❝这里的 video.aac 文件大概是 500kb，解码后的 pcm 是 5.5M

播放器 Demo

• QHAudioConverterMan: acc 播放器 https://gitee.com/chenqihui/qhaudio-converter-man

Demo 代码只供参考，暂没优化。

转码

由于近期直播需要字幕识别，而语音的识别对音频格式有要求限制，搜狗和讯飞的格式是一样的。以讯飞官方要求为例：> ❝讯飞语音能力一般情况下支持如下音频格式：

pcm（pcm_s16le），wav，speex(speex-wb) 采样率为16000 或者 8000. 推荐使用16000，比特率为16bit 单声道

而这里可以使用 <span style="font-size: 16px;">AudioConverterRef 进行转码，让 pcm 符合要求

下面是 44100_32f_1 to 16000_16f_1 的波形图：

虽然波形图看着差不多，但其实还是有很大的不同。导致转码失真，应该是某些参数设置有误差或者本人写的读取测试代码有误。由于这里只是顺便写的转码代码，暂时忽略它。

而使用 ffmpeg 命令的转码，如下：

效果相当地好啊，肉眼可见的，不过也有小小的失真，你们切换频谱图看看就知道哈，这里就不展示了。

ffmpeg -ac 1 -ar 44100 -f f32le -i of111.pcm -ac 1 -ar 16000 -f s16le ff_out.pcm

参考

• 音频属性相关：声道、采样率、采样位数、样本格式、比特率https://www.cnblogs.com/yongdaimi/p/10722355.html#_label5

• AAC ADTS格式分析

  https://zhuanlan.zhihu.com/p/162998699

• AAC ADTS格式分析https://blog.csdn.net/tantion/article/details/82743942

本文由哈喽比特于2年以前收录，如有侵权请联系我们。
文章来源：https://mp.weixin.qq.com/s/8v2C4TyjBoqnj6LdUzQTfA