FFmepg-- 38-ffplay源码-缓冲区 audio_buf调试

缓冲区 audio_buf 调试过程

采样率（Sample Rate）

定义：每秒钟对音频信号进行多少次采样。
单位：Hz（赫兹）
例子：48,000 Hz 表示每秒采集 48,000 个样本（每个声道）。
作用：决定音频的频率响应范围（根据奈奎斯特采样定理，最高可还原频率为采样率的一半，即 24 kHz）。
注意：采样率是时间维度上的密度，和“一帧有多少样本”无关。

每帧样本数（Samples per Frame）

定义：一次处理/传输的音频块中包含多少个采样点（每个声道）。
例子：1024 样本/帧 表示这一帧音频中，左声道有 1024 个 float 值，右声道也有 1024 个 float 值（因为是立体声）。
作用：影响延迟和处理效率。帧越大，延迟越高但 CPU 开销可能更低。
关键点：这是“批量处理”的单位，和采样率无直接关系，但结合采样率可以算出一帧持续多长时间：

帧时长= $\frac{1024\text{ samples}}{48000\text{ samples/sec}}\approx 21.33\text{ ms}$

总字节数的计算（重采样后，S16 格式）

重采样后的格式是 AV_SAMPLE_FMT_S16（packed signed 16-bit integer），立体声（2 声道），每帧仍是 1024 个样本（每声道）。

每个样本占多少字节？
S16：16 位 = 2 字节。

每帧总样本数是多少？
立体声：2 声道 × 1024 样本/声道 = 2048 个样本（注意：这里是“样本总数”，不是“每声道样本数”）。

总字节数 = 样本总数 × 每样本字节数
2048 samples × 2 bytes/sample = 4096 bytes
所以 4096 字节是正确的。

补充：为什么 SDL 回调请求 2048 字节？

SDL 音频回调函数每次被调用时，会要求提供 len 字节的 PCM 数据（这里是 2048 字节）。

2048 字节（S16, stereo）对应多少样本？
$\frac{2048\text{ bytes}}{2\text{ bytes/sample}\times 2\text{ channels}}=512\text{ samples per channel}$

一帧 1024 样本（每声道）可满足两次 SDL 回调（因为 1024 ÷ 512 = 2）。

解码输出的 AVFrame

格式：AV_SAMPLE_FMT_FLTP（planar float）
采样率：48,000 Hz
声道数：2（立体声）
每帧样本数：1024（每个声道 1024 个 float 样本）

SDL 设备实际支持格式（is->audio_tgt）

格式：AV_SAMPLE_FMT_S16（packed signed 16-bit int）
采样率：48,000 Hz
声道数：2
无需改变采样率或声道，但需格式转换（FLTP → S16）

重采样后数据大小计算

每样本 2 字节（S16）
总字节数 = 1024 samples × 2 channels × 2 bytes = 4096 bytes
SDL 回调每次请求：len = 2048 bytes（即每次要 2048 字节 PCM 数据）

缓冲区变量

is->audio_buf_size
含义：当前 audio_buf 缓冲区中有效 PCM 数据的总字节数。
单位：字节（bytes）
何时设置：
每次调用 audio_decode_frame() 成功后；
该函数完成解码 + 重采样，并将结果写入 is->audio_buf；
然后将实际写入的字节数赋值给 is->audio_buf_size。

📌 举例：
若重采样输出 1024 个 stereo S16 样本，则：
audio_buf_size = 1024 × 2（声道） × 2（字节/S16） = 4096

is->audio_buf_index
含义：下一次从 audio_buf 中读取数据的起始位置（偏移量）。
单位：字节（bytes）
初始值：每次填入新数据后被重置为 0
变化方式：
在 sdl_audio_callback 中，每拷贝一段数据到 SDL，就增加相应的字节数；
当 audio_buf_index >= audio_buf_size 时，表示当前缓冲区已读完，需要加载下一帧。

全局状态变量初始值（在播放开始前）

is->audio_buf        = NULL;     // 尚未分配
is->audio_buf_size   = 0;
is->audio_buf_index  = 0;

第一次 SDL 回调发生

SDL 调用回调

sdl_audio_callback(is, stream, 2048);

检查缓冲区是否可用

if (is->audio_buf_index >= is->audio_buf_size)  // 0 >= 0 → true

缓冲区为空，需要填充新数据。

调用 audio_decode_frame(is)
从音频帧队列 sampq 中取出一帧（FLTP, 48kHz, 2ch, 1024 samples）
检查格式：frame.format != is->audio_src.fmt（因为 audio_src 初始等于 audio_tgt，即 S16） → 需要重采样
创建 SwrContext（FLTP → S16，其他参数相同）
调用 swr_convert(…)，输出 4096 字节 S16 PCM 数据
分配/扩容 is->audio_buf 至至少 4096 字节
将重采样结果写入 is->audio_buf
设置：

is->audio_buf_size  = 4096;
is->audio_buf_index = 0;   // 重置读指针

从 audio_buf 拷贝数据到 SDL 的 stream

len1 = min(4096 - 0, 2048) = 2048
memcpy(stream, is->audio_buf + 0, 2048);

更新状态

is->audio_buf_index = 0 + 2048 = 2048;
// len -= 2048 → 0，退出 while 循环

第一次回调结束

已播放前 2048 字节（即前 512 个 stereo 样本）
audio_buf 还剩 2048 字节未读

第二次 SDL 回调发生（约 21.3ms 后）

48kHz 立体声下，2048 字节 = 2048 / (2×2) = 512 samples → 播放时长 = 512 / 48000 ≈ 10.7ms
两次回调间隔约 10~20ms，取决于 SDL 缓冲设置

SDL 调用回调

sdl_audio_callback(is, stream, 2048);

检查缓冲区

is->audio_buf_index = 2048
is->audio_buf_size  = 4096

2048 < 4096 → 缓冲区还有数据！跳过 audio_decode_frame

直接拷贝剩余数据

len1 = min(4096 - 2048, 2048) = 2048
memcpy(stream, is->audio_buf + 2048, 2048);

更新状态

is->audio_buf_index = 2048 + 2048 = 4096;

第二次回调结束

播放完剩下的 2048 字节（后 512 个 stereo 样本）
整个音频帧（1024 samples）已全部送出
audio_buf_index == audio_buf_size → 下次回调将触发新帧加载

第三次 SDL 回调发生

SDL 调用回调

sdl_audio_callback(is, stream, 2048);

检查缓冲区

is->audio_buf_index (4096) >= is->audio_buf_size (4096) → true

缓冲区耗尽，需要新数据。

再次调用 audio_decode_frame(is)
从队列取下一帧（假设同样是 FLTP, 48kHz, 2ch, 1024 samples）
此时 is->audio_src 已更新为上一帧的格式（FLTP…），而新帧格式相同 → 无需重建 SwrContext（复用已有上下文）
swr_convert 输出新的 4096 字节 S16 数据
覆盖写入 is->audio_buf（或原地重用内存）
重置：

is->audio_buf_size  = 4096;
is->audio_buf_index = 0;

拷贝前 2048 字节

memcpy(stream, is->audio_buf + 0, 2048);
is->audio_buf_index = 2048;

第三次回调结束

开始播放第二帧的前半部分
流程回到与第一次回调相同的状态

循环往复

只要播放不停止，这个“填满 → 分两次读完 → 再填满”的过程就会持续下去。

补充说明：边界情况处理

情况 1：一帧小于回调需求（如只有 1000 字节）
第一次回调：拷贝全部 1000 字节；
仍缺 1048 字节 → 继续循环，再次调用 audio_decode_frame 取下一帧；
从新帧中拷贝剩余 1048 字节；
→ 一次回调可能消耗多个音频帧

情况 2：队列为空（如刚 seek 或 EOF）
audio_decode_frame 返回 < 0；
ffplay 填充静音（silence_buf，全零）；
避免回调无数据导致爆音或崩溃。

总结：数据流与状态变迁

回调次数	触发动作	audio_buf_index 变化	数据来源
1	首次填充帧 → 重采样	0 → 2048	第1帧（重采样后）
2	直接读剩余	2048 → 4096	第1帧（剩余）
3	填充新帧 → 重采样（复用上下文）	0 → 2048	第2帧（重采样后）
4	读剩余	2048 → 4096	第2帧（剩余）