iOS 音频处理框架及重点 API 合集丨音视频工程示例

2024-04-09 18:50:37 阅读数 1601

vx 搜索『gjzkeyframe』关注『关键帧Keyframe』来及时获得最新的音视频技术文章。

毕加索《手里捧着鸽子的孩子》像素版

这个公众号会路线图 式的遍历分享音视频技术：音视频基础(完成) → 音视频工具(完成) → 音视频工程示例(进行中) → 音视频工业实战(准备)。

iOS/Android 客户端开发同学如果想要开始学习音视频开发，最丝滑的方式是对音视频基础概念知识有一定了解后，再借助 iOS/Android 平台的音视频能力上手去实践音视频的采集 → 编码 → 封装 → 解封装 → 解码 → 渲染过程，并借助音视频工具来分析和理解对应的音视频数据。

在音视频工程示例这个栏目的前面 6 篇 AVDemo 文章中，我们拆解了音频的采集 → 编码 → 封装 → 解封装 → 解码 → 渲染流程并基于 iOS 系统 API 实现了 Demo：

你可以在关注本公众号后，在公众号发送消息『AVDemo』来获取 Demo 的全部源码。

如果你看完这些 Demo，对 iOS 平台的音视频开发多多少少会有一些认识了，在这个基础上我们来总结一下 iOS 音频处理框架，以及在前面的 Demo 中我们用到的主要 API 和数据结构有哪些。

1、iOS 音频框架

当我们想要了解 iOS 的音频处理框架时，以下是我们能比较容易找到的两张官方架构图。它们分别出自 Audio Unit Hosting Guide for iOS[1] 和 Core Audio Overview[2] 这两篇文档。

iOS Audio Frameworks

iOS Audio Framework

Core Audio API Layers

但这两篇文档已经比较陈旧了，是多年之前的文档，以至于和最新的 iOS 15 的框架有不少的出入。而新版本的 iOS 官方技术文档也没有给出比较清晰的音频架构图。所以在这里我们就按照 Demo 中涉及的系统 API 来挑选介绍几个相关的 Framework：

Audio Unit Framework
Core Media Framework
Audio Toolbox Framework
AVFoundation Framework

2、Audio Unit Framework

Audio Unit Framework[3]：最底层的音频处理 API，功能强大，直接驱动底层硬件，提供快速、模块化的音频处理。当你要实现低延迟的音频处理（比如 VoIP）、对合成声音进行响应式的播放（比如音乐游戏、合成乐器声音）、实现特定的音频能力（比如回声消除、混音、声音均衡）、实现音频处理链支持灵活组装音频处理单元时，你可以选择使用 Audio Unit 的 API。

需要注意的是，在最新的 iOS 系统库架构中，Audio Unit Framework 的实现都已经迁移到 Audio Toolbox Framework 中去了。

下面是 Audio Unit 框架的主要模块：

1）Audio Component Services[4]：定义了发现、开启和关闭音频单元（audio unit）以及音频编解码器的接口。

常用的数据类型：

AudioComponent[5]：表示音频组件。一种音频组件通常由 type、subtype、manufacturer 三属性来唯一标识。
AudioComponentDescription[6]：表示音频组件的描述。其中 type、subtype、manufacturer 三属性组合起来标识一种音频组件。
AudioComponentInstance[7]：表示音频组件的实例。通常我们使用查找方法（AudioComponentFindNext）来找到符合描述的音频组件，然后再去使用创建方法（AudioComponentInstanceNew）创建一个对应的音频组件实例。

常用的接口：

AudioComponentFindNext(...)[8]：用于查找符合描述的音频组件。
AudioComponentGetDescription(...)[9]：用于获取一种音频组件对应的描述。
AudioComponentInstanceNew(...)[10]：创建一个音频组件实例。
AudioComponentInstanceDispose(...)[11]：释放一个音频组件实例。

2）Audio Unit Component Services[12]：提供了使用音频单元（audio unit）的 C 语言接口。一个音频单元（audio unit）是用来进行音频数据处理或者音频数据生成的插件单元。要发现、开启、关闭音频单元（audio unit）则可以使用 Audio Component Services。

常用的数据类型：

AudioUnit[13]，typedef AudioComponentInstance AudioUnit;。AudioUnit 就是一种 AudioComponentInstance。
AudioUnitParameter[14]：表示 AudioUnit 的参数，一个 AudioUnit 参数由 scope、element、parameterID 三属性定义。
AudioUnitProperty[15]：表示 AudioUnit 的属性，一个 AudioUnitProperty 由 scope、element、propertyID 三属性定义。

常用的接口：

AudioUnitInitialize(...)[16]：初始化一个 AudioUnit。如果初始化成功，说明 input/output 的格式是可支持的，并且处于可以开始渲染的状态。
AudioUnitUninitialize(...)[17]：卸载一个 AudioUnit。一旦一个 AudioUnit 被初始化后，要想改变它的状态来响应某些环境变化，就需要先卸载。这时候会使得 AudioUnit 释放它的资源。此后，调用者可以重新配置这个 AudioUnit 来适配新的环境，比如处理与之前不同的采样率。在这之后，可以重新初始化这个 AudioUnit 来应用这些更改。
AudioUnitRender(...)[18]：渲染输入的音频数据，数据量为 inNumberOfFrames。渲染结果的数据存储在 ioData 中。注意调用方需要提供音频时间戳，这个时间戳应该满足单调递增。
AudioUnitGetProperty(...)[19]：获取 AudioUnit 的属性。
AudioUnitSetProperty(...)[20]：设置 AudioUnit 的属性。
AudioUnitGetParameter(...)[21]：获取 AudioUnit 的参数。
AudioUnitSetParameter(...)[22]：设置 AudioUnit 的参数。

常用的回调：

AURenderCallback[23]：在以下几种情况会被系统调用：当 AudioUnit 需要输入采样数据；在一个渲染操作前；在一个渲染操作后。
AudioUnitPropertyListenerProc[24]：当一个指定的 AudioUnit 的 property 发生改变时，会被系统调用。

3）Output Audio Unit Services[25]：提供了 start、stop 用于 I/O 的音频单元（通常是用于输出的音频单元）的 C 语言接口。

常用的接口：

AudioOutputUnitStart(...)[26]：启动一个 I/O AudioUnit，同时会启动与之连接的 AudioUnit Processing Graph。
AudioOutputUnitStop(...)[27]：关闭一个 I/O AudioUnit，同时会关闭与之连接的 AudioUnit Processing Graph。

3、Core Media Framework

Core Media Framework[28]：定义和封装了 AVFoundation 等更上层的媒体框架需要的媒体处理流水线（包含时间信息）以及其中使用的接口和数据类型。使用 Core Media 层的接口和数据类型可以高效的处理媒体采样数据、管理采样数据队列。下面是 Core Media 框架的主要模块：

1）Sample Processing[29]：采样数据处理。常用的数据类型：

CMSampleBuffer[30]：系统用来在音视频处理的 pipeline 中使用和传递媒体采样数据的核心数据结构。你可以认为它是 iOS 音视频处理 pipeline 中的流通货币，摄像头采集的视频数据接口、麦克风采集的音频数据接口、编码和解码数据接口、读取和存储视频接口、视频渲染接口等等，都以它作为参数。通常，CMSampleBuffer 中要么包含一个或多个媒体采样的 CMBlockBuffer，要么包含一个 CVImageBuffer。
- CMSampleBufferCreateReady(...)[31]：基于媒体数据创建一个 CMSampleBuffer。
- CMSampleBufferCreate(...)[32]：创建一个 CMSampleBuffer，支持设置数据已准备好的回调。
- CMSampleBufferSetDataBufferFromAudioBufferList(...)[33]：为指定的 CMSampleBuffer 创建其对应的 CMBlockBuffer，其中的数据拷贝自 AudioBufferList。
- CMSampleBufferGetFormatDescription(...)[34]：返回 CMSampleBuffer 中的采样数据对应的 CMFormatDescription。
- CMSampleBufferGetDataBuffer(...)[35]：返回 CMSampleBuffer 中的 CMBlockBuffer。注意调用方不会持有返回的 CMBlockBuffer，如果想要维护指向它的指针，需要显式 retain 一下。
- CMSampleBufferGetPresentationTimeStamp(...)[36]：获取 CMSampleBuffer 中所有采样的最小的 pts 时间戳。
CMBlockBuffer[37]：一个或多个媒体采样的的裸数据。其中可以封装：音频采集后、编码后、解码后的数据（如：PCM 数据、AAC 数据）；视频编码后的数据（如：H.264 数据）。
- CMBlockBufferCreateWithMemoryBlock(...)[38]：基于内存数据创建一个 CMBlockBuffer。
- CMBlockBufferGetDataPointer(...)[39]：获取访问 CMBlockBuffer 中数据的地址。
CMFormatDescription[40]：用于描述 CMSampleBuffer 中采样的格式信息。
- CMFormatDescriptionCreate(...)[41]：创建一个 CMFormatDescription。
CMAudioFormatDescription[42]：typedef CMFormatDescriptionRef CMAudioFormatDescriptionRef;。CMAudioFormatDescription 是一种 CMFormatDescriptionRef。
- CMAudioFormatDescriptionCreate(...)[43]：基于 AudioStreamBasicDescription 来创建一个 CMAudioFormatDescription。
- CMAudioFormatDescriptionGetStreamBasicDescription(...)[44]：返回一个指向 CMFormatDescription（通常应该是一个 CMAudioFormatDescription）中的 AudioStreamBasicDescription 的指针。如果是非音频格式，就返回 NULL。
CMAttachment[45]：为 CMSampleBuffer 添加支持的 metadata。

这里我们还要补充介绍 CoreAudioTypes Framework 中的几种数据类型：

AudioStreamBasicDescription[46]：用于描述音频流数据格式信息，比如采样位深、声道数、采样率、每帧字节数、每包帧数、每包字节数、格式标识等。
AudioBuffer[47]：存储并描述音频数据的缓冲区。mData 中存储着数据。可以存储两种不同类型的音频：1）单声道音频数据；2）多声道的交错音频数据，这时候 mNumberChannels 指定了声道数。
AudioBufferList[48]：一组 AudioBuffer。
AudioTimeStamp[49]：从多维度来表示一个时间戳的数据结构。

2）Time Representation[50]：时间信息表示。常用的数据类型：

CMTime[51]：用 value/timescale 的方式表示时间。这样可以解决浮点运算时的精度损失问题。timescale 表示时间刻度，通常在处理视频内容时常见的时间刻度为 600，这是大部分常用视频帧率 24fps、25fps、30fps 的公倍数，音频数据常见的时间刻度就是采样率，比如 44100 或 48000。
CMTimeRange[52]：用 start+duration 的方式表示一段时间。
CMSampleTimingInfo[53]：一个 CMSampleBuffer 的时间戳信息，包括 pts、dts、duration。

3）Queues[54]：数据容器。常用的数据类型：

CMSimpleQueue[55]：一个简单地、无锁的 FIFO 队列，可以放 (void *) 元素，元素不能是 NULL 或 0，如果元素是指向分配内存的指针，其内存生命周期要在外面自己管理。可以用作音视频采样数据（CMSampleBufferRef）的队列，不过要自己加锁。
CMBufferQueue[56]：支持存储任何 CFTypeRef 类型的数据，但是数据类型需要有 duration 的概念，在创建 CMBufferQueue 的时候，会有一些回调，其中一个必须的回调是要返回队列中对象的 duration。CMBufferQueue 是设计用于在生产者/消费者模型中在不同的线程中读写数据。通常是两个线程（一个是生产者入队线程，一个是消费者出队线程），当然更多的线程也是可以的。
CMMemoryPool[57]：内存池容器，对使用大块的内存有优化。一个 CMMemoryPool 的实例实际上维护一个最近释放内存的池子用于内存分配服务。这样的目的是加快随后的内存分配。在需要重复分配大块内存时，比如输出视频编码数据，可以使用这个数据结构。

4、Audio Toolbox Framework

Audio Toolbox Framework[58]：提供了音频录制、播放、流解析、编码格式转换、Audio Session 管理等功能接口。下面是 Audio Toolbox 框架的主要模块：

1）Audio Units[59]：音频单元。关于 Audio Unit 的内容，还可以参考上面讲到的 Audio Unit Framework。

Audio Unit v3 Plug-Ins[60]：基于 AUv3 应用扩展接口来提供自定义的音效、乐器及其他音频能力。
Audio Components[61]：定义了发现、加载、配置和关闭音频组件（包括音频单元（audio unit）、音频编解码器（audio codec））的接口。
Audio Unit v2 (C) API[62]：配置一个音频单元（audio unit）以及进行音频渲染。
Audio Unit Properties[63]：获取有关内置混音器、均衡器、滤波器、特效及音频应用扩展的信息。
Audio Unit Voice I/O[64]：配置系统语音处理、响应语音事件。

2）Playback and Recording[65]：音频播放和录制。

Audio Queue Services[66]：提供了简单的、低开销的方式来录制和播放音频的 C 语言接口。支持 Linear PCM、AAC 的录制和播放。实现了连接音频硬件、管理内存、根据需要使用解码器解码音频、调解录音和播放。但是要实现低延迟、回声消除、混音等功能，还得使用 AudioUnit。
Audio Services[67]：提供了一组 C 语言接口来实现播放短声或触发 iOS 设备的振动效果。
Music Player[68]：支持播放一组音轨，并管理播放的各种的事件。

3）Audio Files and Formats[69]：音频文件和格式。

Audio Format Services[70]：获取音频格式和编解码器的信息。
Audio File Services[71]：从磁盘或内存读写各种音频数据。
Extended Audio File Services[72]：通过组合 Audio File Services 和 Audio Converter Services 来提供读写音频编码文件或 LPCM 音频文件。
Audio File Stream Services[73]：解析音频流数据。
Audio File Components[74]：获取音频文件格式以及文件中包含的数据的信息。
Core Audio File Format[75]：解析 Core Audio 文件的结构。

4）Utilities[76]：其他音频功能支持。

Audio Converter Services[77]：音频编解码。支持 LPCM 各种格式转换，以及 LPCM 与编码格式（如 AAC）的转换。常用的接口：
- AudioConverterNew(...)[78]：根据指定的输入和输出音频格式创建对应的转换器（编解码器）实例。
- AudioConverterNewSpecific(...)[79]：根据指定的 codec 来创建一个新的音频转换器（编解码器）实例。
- AudioConverterReset(...)[80]：重置音频转换器（编解码器）实例，并清理它的缓冲区。
- AudioConverterDispose(...)[81]：释放音频转换器（编解码器）实例。
- AudioConverterGetProperty(...)[82]：获取音频转换器（编解码器）的属性。
- AudioConverterSetProperty(...)[83]：设置音频转换器（编解码器）的属性。
- AudioConverterConvertBuffer(...)[84]：只用于一种特殊的情况下将音频数据从一种 LPCM 格式转换为另外一种，并且前后采样率一致。这个接口不支持大多数压缩编码格式。
- AudioConverterFillComplexBuffer(...)[85]：转换（编码）回调函数提供的音频数据，支持不交错和包格式。大部分情况下都建议用这个接口，除非是要将音频数据从一种 LPCM 格式转换为另外一种。
- AudioConverterComplexInputDataProc[86]：为 AudioConverterFillComplexBuffer(...) 接口提供输入数据的回调。
- Audio Codec[87]：提供了支持将音频数据进行编码格式转换的 API。具体支持哪些编码格式取决于系统提供了哪些编解码器。

5、AVFoundation Framework

AVFoundation Framework[88] 是更上层的面向对象的一个音视频处理框架。它提供了音视频资源管理、相机设备管理、音视频处理、系统级音频交互管理的能力，功能非常强大。如果对其功能进行细分，可以分为如下几个模块：

Assets，音视频资源管理。
Playback，媒体播放及自定义播放行为支持。
Capture，内置及外置的相机、麦克风等采集设备管理，图片、音视频录制。
Editing，音视频编辑。
Audio，音频播放、录制和处理，App 系统音频行为配置。
Speech，文本语音转换。

在我们前面的 Demo 中封装 Muxer 和 Demuxer 及设置 AudioSession 时会用到 AVFoundation Framework 的一些能力，我们这里对应地介绍一下。

AVAssetWriter[89]：支持将媒体数据写入 QuickTime 或 MPEG-4 格式的文件中，支持对多轨道的媒体数据进行交错处理来提高播放和存储的效率，支持对媒体采样进行转码，支持写入 metadata。需要注意的是，一个 AVAssetWriter 实例只能对应写一个文件，如果要写入多个文件，需要创建多个 AVAssetWriter 实例。
- canAddInput:[90]：检查 AVAssetWriter 是否支持添加对应的 AVAssetWriterInput。
- addInput:[91]：给 AVAssetWriter 添加一个 AVAssetWriterInput。注意必须在 AVAssetWriter 开始写入之前添加。
- startWriting[92]：开始写入。必须在配置好 AVAssetWriter 添加完 AVAssetWriterInput 做好准备后再调用这个方法。在调用完这个方法后，需要调用 startSessionAtSourceTime: 开始写入会话，此后就可以使用对应的 AVAssetWriterInput 来写入媒体采样数据。
- startSessionAtSourceTime:[93]：开启写入会话。在 startWriting 后调用，在写入媒体采样数据之前调用。
- endSessionAtSourceTime:[94]：结束写入会话。结束时间是会话结束时样本数据在时间轴上的时刻。如果没有显示调用这个方法，系统会在你调用 finishWritingWithCompletionHandler:结束写入时自动调用。
- finishWritingWithCompletionHandler:[95]：标记 AVAssetWriter 的所有 input 为结束，完成写入。为了保证 AVAssetWriter 完成所有采样数据的写入，要在调用添加数据正确返回后调用这个方法。
- cancelWriting[96]：取消创建输出文件。如果 AVAssetWriter 的状态是 Failed 或 Completed，调用这个方法无效，否则，调用它会阻塞调用线程，直到会话取消完成。如果 AVAssetWriter 已经创建了输出文件，调用这个方法会删除这个文件。
AVAssetWriterInput[97]：用于向 AVAssetWriter 实例的输出文件的一个轨道添加媒体采样数据。一个实例只能对应一个轨道媒体数据或 metadata 数据的写入，当使用多个实例向多个轨道写入数据时，需要注意检查 AVAssetWriterInput 的 readyForMoreMediaData 属性。
- expectsMediaDataInRealTime[98]：输入是否为实时数据源，比如相机采集。当设置这个值为 YES 时，会优化用于实时使用的输入来精准计算 readyForMoreMediaData 的状态。
- readyForMoreMediaData[99]：表示 AVAssetWriterInput 是否已经准备好接收媒体数据。
- requestMediaDataWhenReadyOnQueue:usingBlock:[100]：告诉 AVAssetWriterInput 在方便的时候去请求数据并写入输出文件。在对接拉取式的数据源时，可以用这个方法。
- appendSampleBuffer:[101]：通过 AVAssetWriterInput 向输出文件添加媒体数据，但是添加之前媒体数据的顺序需要自己处理。注意，调用这个方法添加采样数据后，不要更改采样数据的内容。
- markAsFinished[102]：标记 AVAssetWriterInput 为完成，表示已经完成向它添加媒体数据了。
AVAssetReader[103]：用于从 AVAsset 资源中读取媒体数据。这个 AVAsset 可以是 QuickTime 或 MPEG-4 文件，也可以是编辑创作的 AVComposition。
- canAddOutput:[104]：检查 AVAssetReader 是否支持添加对应的 AVAssetReaderOutput。
- addOutput:[105]：给 AVAssetReader 添加一个 AVAssetReaderOutput。注意必须在 AVAssetReader 开始读取之前添加。
- startReading[106]：开始读取。
- cancelReading[107]：在读完数据之前取消读取可以调用这个接口。
AVAssetReaderOutput[108]：一个抽象类，定义了从 AVAsset 资源中读取媒体采样数据的接口。通常我们可以使用 AVAssetReaderTrackOutput、AVAssetReaderVideoCompositionOutput 等具体的实现类。
AVAssetReaderTrackOutput[109]：
- alwaysCopiesSampleData[110]：是否总是拷贝采样数据。如果要修改读取的采样数据，可以设置 YES，否则就设置 NO，这样性能会更好。
- copyNextSampleBuffer[111]：从 Output 拷贝下一个 CMSampleBuffer。
AVAudioSession[112]：在最新版本的 iOS 系统库中，AVAudioSession 已经迁移到 AVFAudio Framework 中了。AVAudioSession 是系统用来管理 App 对音频硬件资源的使用的，比如：设置当前 App 与其他 App 同时使用音频时，是否混音、打断或降低其他 App 的声音；手机静音键打开时是否还可以播放声音；指定音频输入或者输出设备；是否支持录制或边录制边播放；声音被打断时的通知。我们这里只简单介绍下 Demo 中用到的接口：
- setCategory:withOptions:error:[113]：设置 AudioSession 的类型和选项参数。比如类型为 AVAudioSessionCategoryPlayback 表示支持播放；AVAudioSessionCategoryPlayAndRecord 表示同时支持播放和录制等等。
- setMode:error:[114]：设置 AudioSession 的模式。AudioSession 的类型和模式一起决定了 App 如何使用音频。通常需要在激活 AudioSession 之前设置类型和模式。比如模式为 AVAudioSessionModeVideoRecording 表示当期要录制视频；AVAudioSessionModeVoiceChat 表示语音聊天。
- setActive:withOptions:error:[115]：激活或释放 AudioSession 的使用。