淺析DirectShow音視頻同步解決完整方案

多媒體處理，不可避免地要解決音視頻的同步問題。DirectShow是怎么來實現(xiàn)的呢？我們一起來學習一下。

　　大家知道，DirectShow結(jié)構(gòu)最核心的部分是Filter Graph Manager：向下控制Graph中的所有Filter，向上對τ貿(mào)絳蛺峁┍喑探涌?。其中，F(xiàn)ilter Graph Manager實現(xiàn)的很重要一個功能，就是同步音視頻的處理。簡單地說，就是選一個公共的參考時鐘，并且要求給每個Sample都打上時間戳，Video Renderer或Audio Renderer根據(jù)Sample的時間戳來控制播放。如果到達Renderer的Sample晚了，則加快Sample的播放；如果早了，則Renderer等待，一直到Sample時間戳的開始時間再開始播放。這個控制過程還引入一個叫Quality Control的反饋機制。

　　下面，我們來看一下參考時鐘(Reference Clock)。所有Filter都參照于同一個時鐘，才能統(tǒng)一步調(diào)。DirectShow引入了兩種時鐘時間：Reference time和Stream time。前者是從參考時鐘返回的絕對時間(IReferenceClock::GetTime)，數(shù)值本身的意義取決于參考時鐘的內(nèi)部實現(xiàn)，利用價值不大；后者是兩次從參考時鐘讀取的數(shù)值的差值，實際應(yīng)用于Filter Graph內(nèi)部的同步。Stream time在Filter Graph不同狀態(tài)的取值為：

　　1. Filter Graph運行時，取值為當前參考時鐘時間減去Filter Graph啟動時的時間(啟動時間是通過調(diào)用Filter上的IMediaFilter::Run來設(shè)置的)；

　　2. Filter Graph暫停時，保持為暫停那一刻的Stream time;

　　3. 執(zhí)行完一次Seek操作后，復(fù)位至零；

　　4. Filter Graph停止時，取值不確定。

　　那么，參考時鐘究竟是什么東西呢？其實，它只是一個實現(xiàn)了IReferenceClock接口的對象。也就是說，任何一個實現(xiàn)了IReferenceClock接口的對象都可以成為參考時鐘。在Filter Graph中，這個對象一般就是一個Filter。(在GraphEdit中，實現(xiàn)了參考時鐘的Filter上會顯示一個時鐘的圖標；如果同一個Graph中有多個Fiter實現(xiàn)了參考時鐘，當前被Filter Graph Manager使用的那個會高亮度顯示。)而且大多數(shù)情況下，參考時鐘是由Audio Renderer這個Filter提供的，因為聲卡上本身帶有了硬件定時器資源。接下來的問題是，如果Filter Graph中有多個對象實現(xiàn)了IReferenceClock接口，F(xiàn)ilter Graph Manager是如何做出選擇的呢？默認的算法如下：

　　1. 如果應(yīng)用程序設(shè)置了一個參考時鐘，則直接使用這個參考時鐘。(應(yīng)用程序通過IMediaFilter:: SetSyncSource設(shè)置參考時鐘，參數(shù)即為參考時鐘；如果參數(shù)值為NULL，表示Filter Graph不使用參考時鐘，以最快的速度處理Sample；可以調(diào)用IFilterGraph:: SetDefaultSyncSource來恢復(fù)Filter Graph Manager默認的參考時鐘。值得注意的是，這時候的IMediaFilter接口應(yīng)該從Filter Graph Manager上獲得，而不是枚舉Graph中所有的Filter并分別調(diào)用Filter上的這個接口方法。)

　　2. 如果Graph中有支持IReferenceClock接口的Live Source，則選擇這個Live Source。

　　3. 如果Graph中沒有Live Source，則從Renderer依次往上選擇一個實現(xiàn)IReferenceClock接口的Filter。如果連接著的Filter都不能提供參考時鐘，則再從沒有連接的Filter中選擇。這一步算法中還有一個優(yōu)先情況，就是如果Filter Graph中含有一個Audio Render的鏈路，則直接選擇Audio Renderer這個Filter(原因上面已經(jīng)提及)。

　　4. 如果以上方法都找不到一個適合的Filter，則選取系統(tǒng)參考時鐘。(System Reference Clock，通過CoCreateInstance創(chuàng)建，CLSID為CLSID_SystemClock。)

　　我們再來看一下Sample的時間戳(Time Stamp)。需要注意的是，每個Sample上可以設(shè)置兩種時間戳：IMediaSample::SetTime和IMediaSample::SetMediaTime。我們通常講到時間戳，一般是指前者，它又叫Presentation time，Renderer正是根據(jù)這個時間戳來控制播放；而后者對于Filter來說不是必須的，Media time有沒有用取決于你的實現(xiàn)，比如你給每個發(fā)出去的Sample依次打上遞增的序號，在后面的Filter接收時就可以判斷傳輸?shù)倪^程中是否有Sample丟失。我們再看一下IMediaSample::SetTime的參數(shù)，兩個參數(shù)類型都是REFERENCE_TIME，千萬不要誤解這里的時間是Reference time，其實它們用的是Stream time。還有一點，就是并不是所有的Sample都要求打上時間戳。對于一些壓縮數(shù)據(jù)，時間戳是很難打的，而且意義也不是很大(不過壓縮數(shù)據(jù)經(jīng)過Decoder出來之后到達Renderer之前，一般都會打好時間戳了)。時間戳包括兩個時間，開始時間和結(jié)束時間。當Renderer接收到一個Sample時，一般會將Sample的開始時間和當前的Stream time作比較，如果Sample來晚了或者沒有時間戳，則馬上播放這個Sample；如果Sample來得早了，則通過調(diào)用參考時鐘的IReferenceClock::AdviseTime等待Sample的開始時間到達后再將這個Sample播放。Sample上的時間戳一般由Source Filter或Parser Filter來設(shè)置，設(shè)置的方法有如下幾種情況：

　　1. 文件回放(File playback)：第一個Sample的時間戳從0開始打起，后面Sample的時間戳根據(jù)Sample有效數(shù)據(jù)的長度和回放速率來定。

　　2. 音視頻捕捉(Video and audio capture)：原則上，采集到的每一個Sample的開始時間都打上采集時刻的Stream time。對于視頻幀，Preview pin出來的Sample是個例外，因為如果按上述方法打時間戳的話，每個Sample通過Filter鏈路傳輸，最后到達Video Renderer的時候都將是遲到的；Video Renderer通過Quality Control反饋給Source Filter，會導(dǎo)致Source Filter丟幀。所以，Preview pin出來的Sample都不打時間戳。對于音頻采集，需要注意的是，Audio Capture Filter與聲卡驅(qū)動程序兩者各自使用了不同的緩存，采集的數(shù)據(jù)是定時從驅(qū)動程序緩存拷貝到Filter的緩存的，這里面有一定時間的消耗。

　　3. 合成(Mux Filters)：取決于Mux后輸出的數(shù)據(jù)類型，可以打時間戳，也可以不打時間戳。

　　大家可以看到，Sample的時間戳對于保證音視頻同步是很重要的。Video Renderer和Audio Renderer作為音視頻同步的最終執(zhí)行者，需要做很多工作。我們或許要開發(fā)其它各種類型的Filter，但一般這兩個Filter是不用再開發(fā)的。一是因為Renderer Filter本身的復(fù)雜性，二是因為微軟會對這兩個Filter不斷升級，集成DirectX中其它模塊的最新技術(shù)(如DirectSound、DirectDraw、Direct3D等)。

　　最后，我們再來仔細看一下Live Source的情況。Live Source又叫Push source，包括Video /Audio Capture Filter、網(wǎng)絡(luò)廣播接收器等。Filter Graph Manager是如何知道一個Filter是Live Source的呢？通過如下任何一個條件判斷：

　　1. 調(diào)用Filter上的IAMFilterMiscFlags::GetMiscFlags返回有AM_FILTER_MISC_FLAGS_IS_SOURCE標記，并且至少有一個Output pin實現(xiàn)了IAMPushSource接口。

　　2. Filter實現(xiàn)了IKsPropertySet接口，并且有一個Capture output pin(Pin的類型為PIN_CATEGORY_CAPTURE)。

　　Live Source對于音視頻同步的影響主要是以下兩個方面：Latency和Rate Matching。Latency是指Filter處理一個Sample花費的時間，對于Live Source來說，主要取決于使用緩存的大小，比如采集30fps的視頻一般采集完一幀后才將數(shù)據(jù)以一個Sample發(fā)送出去，則這個Filter的Latency為33ms，而Audio一般緩存500ms后才發(fā)送一個Sample，則它的Latency就為500ms。這樣的話，Audio與Video到達Renderer就會偏差470ms，造成音視頻的不同步。默認情況下，F(xiàn)ilter Graph Manager是不會對這種情況進行調(diào)整的。當然，應(yīng)用程序可以通過IAMPushSource接口來進行Latency的補償，方法是調(diào)用IAMGraphStreams::SyncUsingStreamOffset函數(shù)。Filter Graph Manager的實現(xiàn)如下：對所有實現(xiàn)IAMPushSource接口的Filter調(diào)用IAMLatency::GetLatency得到各個Source的Latency值，記下所有Latency值中的最大值，然后調(diào)用IAMPushSource::SetStreamOffset對各個Source設(shè)置偏移值。

　　這樣，在Source Filter產(chǎn)生Sample時，打的時間戳就會加上這個偏移量。Rate Matching問題的引入，主要是由于Renderer Filter和Source Filter使用的是不同的參考時鐘。這種情況下，Renderer對數(shù)據(jù)的播放要么太快，要么太慢。另外，一般Live Source不能控制輸出數(shù)據(jù)的速率，所以必須在Renderer上進行播放速率的匹配。因為人的聽覺敏感度要大于視覺敏感度，所以微軟目前只在Audio Renderer上實現(xiàn)了Rate Matching。實現(xiàn)Rate Matching的算法是比較復(fù)雜的，這里就不再贅述。

　　看到這里，大家應(yīng)該對DirectShow是如何解決音視頻同步問題的方案有一點眉目了吧。深層次的研究，還需要更多的測試、Base class源碼閱讀，以及DirectShow相關(guān)控制機制的理解，比如Quality Control Management等。