撰文：Techub News 整理
在Lex Fridman的播客中，两位开源多媒体领域的重量级人物——传奇播放器VLC的首席开发者Jean-Baptiste Kempf（JB）和FFmpeg项目的核心贡献者Kieran Kunhya——进行了一场深度技术对话。他们拆解了从点击播放到画面呈现的「黑盒」过程，解释了为何视频压缩能高达千倍，并分享了FFmpeg与VLC如何成为互联网视频基础设施的基石。对于任何希望理解数字媒体底层逻辑的人，这都是一次不可多得的知识盛宴。
从点击播放到画面呈现：不为人知的复杂旅程
当你用VLC打开一个视频文件或点击一个流媒体链接时，一个庞大而精密的技术机器便开始无声运转。JB概括了整个过程：首先，播放器需要从一个地址（如URL、本地文件路径或DVD）获取原始数据流。这是与操作系统交互的第一步，得到的是一个连续的字节流。
接下来是关键的一步：解复用。容器（如MP4、MKV）就像一个包裹，里面封装了视频、音频、字幕等多个轨道的数据流。解复用器（Demuxer）的任务就是拆开这个包裹，将混杂的数据流分离成独立的视频流、音频流等。Kieran指出，这仅仅是开始，后续每一步都蕴含着巨大的复杂性。
分离出压缩的视频数据后，播放器需要判断使用何种方式解码。一个常见的误解是GPU硬件解码能处理一切。JB透露，实际上高达45%的视频文件无法被GPU解码，必须回退到软件解码。播放器需要探测视频流的编码语法，识别其具体变种，并比对不同GPU厂商的支持能力，才能做出正确决策。
如果使用软件解码，核心的数学解码过程便开始了。首先是熵解码，即使用霍夫曼编码或算术编码等方法，将高度压缩的比特流进行第一步解压缩。然后进入帧内预测阶段，处理视频中的关键帧（I帧）。I帧是空间域上的完整图像，解码器需要预测每个图像块，但预测总与真实值有差异，这个差异被称为残差。残差信息通常存储在频率域中并经过量化，解码器需要做反量化、反变换，将其转换回空间域，再与预测值相加，最终重建出原始图像块。
这只是静态图像（I帧）的解码。视频压缩的魔力更多体现在时间压缩上。通过运动估计与补偿，编码器只需存储帧与帧之间的变化部分，而非每一帧的完整信息，从而实现了巨大的压缩比。解码器则根据这些运动向量和残差信息，从已解码的参考帧中预测出当前帧。
最后，解码出的原始图像（通常是YUV色彩空间）需要经过色彩空间转换、缩放等后处理，再通过显卡渲染到屏幕上。音频流也经历类似的解码过程，最终通过声卡输出。正如Kieran所感慨的：“我们刚才描述的每一句话，都是某些人毕生的工作。每一句话背后都有专著论述，都有成千上万的行业人员在研究。”
压缩的艺术：为人类感知而“降级”
视频与音频压缩的目标与传统的文件压缩（如ZIP）有本质区别。ZIP追求无损，输入输出数据必须完全一致。而多媒体压缩是有损的，其核心哲学是在人类感知允许的范围内，尽可能多地剔除“不重要的”信息。
JB用数字说明了这种压缩的极端程度：从普通音频到MP3，压缩比大约是10倍。而视频压缩，目标则是惊人的200倍乃至1000倍。为了实现这种级别的压缩，必须深入理解人类感官的工作原理。
“所有编解码器，无论是音频还是视频，本质上都是在模仿人类的耳朵和眼睛的工作方式。” JB解释道。例如，视频编码并不直接处理常见的RGB色彩空间，而是使用YUV。Y代表亮度（Luminance），UV代表色度（Chrominance）。这模仿了人眼视网膜中视杆细胞（对明暗敏感）和视锥细胞（对颜色敏感）的不同特性。基于此，编码器可以大幅降低色度分量的分辨率（例如使用4:2:0采样），在不引起明显视觉察觉的情况下，直接将数据量减半。
随后，编码器运用强大的数学工具进行变换。最经典的是将图像块从空间域转换到频率域的离散余弦变换。在频率域中，能量集中在少数低频系数上，高频系数（代表细节）则可以被更激进地量化甚至丢弃。这就是为什么在低码率或解码错误时，我们看到的不是模糊，而是出现明显的“方块”——因为解码丢失了每个图像块内的高频细节。
Kieran补充了编解码器发展的一个关键趋势：每一代新标准（如从H.264到H.265/HEVC，再到AV1）通常能在相同画质下带来约30%的码率节省。但这节省的代价是巨大的。“为了提升这30%的效率，所需的编码计算复杂度可能增加一个甚至两个数量级。” 这意味着更强大的CPU/GPU和更长的编码时间。
容器与编解码器：被行业混淆的“房子”与“家具”
一个普遍的技术混淆点在于容器格式和视频编解码器。JB和Kieran对此进行了澄清。
容器（如MP4、MKV、MOV、AVI）就像一栋房子，它是一个封装格式，内部可以容纳视频轨、音频轨、字幕轨等多种数据流。容器的另一个名称是“复用器”（Muxer），而解封装的过程就是“解复用”（Demux）。
编解码器（Codec，编码器/解码器合称）则像是房子里的家具，如H.264、AV1、AAC等，是实际对音视频数据进行压缩和解压缩的算法。
“人们经常把MP4和H.264搞混，这其实不能全怪用户。” Kieran说，这很大程度上是行业命名混乱造成的。H.264的官方标准名是MPEG-4 Part 10（高级视频编码，AVC）。而MPEG-4是一个庞大的标准家族，其中还包含MPEG-4 Part 2（一种较老的视频编码）、AAC音频编码等。MP4容器则是基于MPEG-4标准定义的另一种东西。因此，技术上你可以把几乎任何编解码器（如AV1视频）塞进MP4容器，尽管这并不常见。
JB指出，在实际应用中，VLC和FFmpeg基本不信任文件扩展名。一个标着“.mp4”的文件，内部可能是MOV或MKV的格式，甚至视频编码可能不是H.264。播放器的策略是：扩展名仅作为初始探测的提示，提高对应解析模块的优先级。但最终，它们会深入分析文件头的实际二进制数据，来判定真正的容器格式和编码类型。这种“不信任输入”的原则，是它们能够处理各种“奇怪”或损坏文件的关键。
VLC的哲学：在混乱的现实世界中保持坚韧
VLC为何能以“能播放一切”而闻名？这源于其诞生之初的设计哲学。JB回顾道，VLC最初是VideoLAN项目的一个客户端，用于接收网络流（通常是UDP协议）。网络传输中丢包是常态，因此必须处理不完整、损坏的输入数据。
这种“不信任输入，并对抗损坏”的理念被深深植入VLC的基因和文化中。它使得VLC在早期文件分享（盗版）盛行的时代大放异彩。当时常见的AVI格式，其元数据（索引）位于文件末尾。当用户从网上下载一个未完成的文件时，大多数播放器会因为找不到索引而无法播放。而VLC则会尝试主动解析、推测文件结构，尽最大努力播放出已有的内容。
“这就是VLC流行的原因之一。” JB说。这种鲁棒性设计，在今天看来也是优秀安全实践的体现——永远对输入进行严格的验证和容错处理。
编解码器的本质：榨干冗余的数学魔法
那么，视频编解码器究竟在做什么？其核心任务是消除视频数据中的冗余——包括空间冗余（同一帧内相邻像素的相似性）和时间冗余（相邻帧之间的相似性）。
JB用一个生动的例子解释时间冗余：在电影中，摄像机平移拍摄时，背景的云朵可能在几十秒内几乎没有变化。编码器可以只存储一次云朵的完整信息，在后续帧中只需指示“这里和上一帧的某部分相同”。同样，如果画面中有大面积的纯色背景（如黑色），编码器只需用极少的比特描述“这一大片区域都是黑色”。
压缩与解压缩是高度不对称的。Kieran强调，编码端通常比解码端需要高出几个数量级的计算力。这是因为编码器需要在海量的可能性中（如从过去数百帧的4K图像中寻找匹配块）做出最优决策，以找到最有效的压缩方式。而解码器只需按部就班地执行编码器指定的重建指令。这种不对称是合理的，因为一个视频通常只被编码一次，却可能被解码播放数百万次。
编解码器的设计充满了权衡：是追求极限压缩率（但解码复杂），还是追求快速编码（适合实时通讯）？是优化电影内容，还是优化屏幕录制或动画？JB指出，现代最先进的编解码器如AV1、VVC，实际上已不再是单一的算法，而是一个庞大的工具集合。它们包含了针对不同类型内容（自然视频、文字、动画）的多种编码工具。在视频通话中，当你从共享PPT切换到播放一段视频时，编码器可能会动态切换其内部使用的工具集，以达到当前内容的最佳压缩效果。
这场对话揭示了一个常被忽略的事实：我们每日享受的流畅高清视频体验，背后是数十年学术研究、工程实践和开源协作的结晶。从人类感知模型到复杂的数学变换，从比特流解析到GPU硬件加速，每一个环节都凝聚着无数工程师的智慧。FFmpeg和VLC，作为这个生态的核心支柱，以其开放性、鲁棒性和卓越性能，真正实现了“让所有人自由使用媒体”的愿景。
