同事接了一个课程平台的活,原素材是 720p、2Mbps 的录屏,平台要求上传 1080p。他用一条命令转码:把分辨率拉到 1920×1080,把码率设成 4Mbps。转完文件从 630MB 涨到 1.26GB,上传多花了一倍时间,审核却打回来说「比原片还糊,字幕边缘有毛刺」。
他不理解:码率翻了倍,分辨率也提上去了,为什么反而更糊。原因很简单:源文件里只有 720p 的信息量,拉到 1080p 不会凭空长出细节,只会把原来的像素插值放大。编码器再花力气去压这张被放大的画面,4Mbps 里有相当一部分用来描述插值产生的模糊边缘,真正有用的细节反而被挤掉了。
这篇把码率、分辨率、编码参数这三件事分开:码率衡量的是每秒多少数据,不是清晰度本身;放大画面不会增加信息;CRF 和 preset 才决定编码器怎么分配这些数据。最后给一张按场景选参数的决策表,以及一套比 PSNR 更靠谱的验证方法。
| 现象 | 真实原因 | 第一步查什么 |
|---|---|---|
| 2Mbps 转 4Mbps,文件大了一倍,画面更糊 | 输出分辨率被拉到源没有的尺寸,码率花在插值出的模糊细节上 | 比较源和输出的分辨率,确认有没有做上采样 |
| 码率调高后,画面还是有大块噪点 | 编码器 preset 太激进或 VBV 缓冲太小,码率没有真正用在该用的地方 | 看 x264 日志里的平均 QP、码率偏差和 buffer 设置 |
| 同 CRF 下,1080p 文件比 720p 大一倍多 | 像素数多了 2.25 倍,编码器要保持同样观感就要更多数据 | 算每像素比特数,比较两个分辨率的 bpp |
| 转码后颜色发灰、对比度变低 | 色彩范围或色彩矩阵没有正确标记,播放端按另一套规则解释 | 查 color_range、color_space、color_transfer |
| 动画片边缘出现一圈蚊噪 | 码率不足,或者 psy 优化参数不适合平涂画面 | 看 CRF 和 tune 设置,尝试 animation 调优 |
| 转码时间翻了三倍,画质几乎没变 | preset 变慢只提升编码效率,画质上限仍由 CRF 决定 | 固定 CRF 比较不同 preset 的体积和耗时 |
| PSNR 三十多 dB,肉眼却觉得糊 | PSNR 只看均方误差,模糊画面和原图的误差可能很小 | 补测 SSIM 或 VMAF,并做同分辨率并排对比 |
| 直播码率拉高,观众端还是卡 | 上行带宽、CDN 或解码能力不足,码率超过了链路承载 | 看推流端丢帧、观众端缓冲和 CDN 带宽 |
4Mbps 为什么不如 2Mbps 清楚
先算一笔账。720p 是 1280×720,约 92 万像素;1080p 是 1920×1080,约 207 万像素,后者是前者的 2.25 倍。2Mbps 的 720p,每像素每秒分到约 0.072 bit;4Mbps 的 1080p,每像素每秒分到约 0.064 bit。看起来差不多,但后者还要额外描述插值放大产生的模糊过渡,实际用于有效细节的比特更少。
更关键的是信息量。源文件在录制时已经把 720p 能保留的细节定死了,编码器再聪明也变不出原本不存在的纹理。放大到 1080p,每个原始像素被摊到 2.25 个位置上,画面变大了,信息没变。此时编码器面对的是一个「大而软」的画面,它会把平坦区域压得很省,把边缘附近多花一些码率,结果就是边缘出现毛刺、字幕发虚。
这和照片放大是同一个道理。一张 800×600 的图拉到 4K,显示器上看着更大,但凑近看只会更糊。视频多了一层时间维度,但空间上的信息量守恒没有变。真正能提升清晰度的,只有重新拍摄、重新渲染,或者从更高分辨率的源转下来。
所以第一个结论是:转码时不要轻易上采样。源是 720p,输出就保持 720p,把码率或 CRF 用在提升编码质量上,观感会比 1080p 好。如果平台硬性要求 1080p,那就接受它只是「容器尺寸」变了,不要指望清晰度提升。
码率衡量什么:每秒的数据量,不是清晰度
码率的单位是 bit per second,简写 bps。2Mbps 就是每秒两百万比特,换算成字节是每秒 250KB。一小时的 2Mbps 视频,理论大小是 2,000,000×3600÷8,约 900MB;加上音频和容器开销,实际在 920MB 左右。4Mbps 翻一倍,一小时约 1.8GB。这些数字可以用来估算存储和带宽,但不能直接用来比较清晰度。
清晰度取决于「每个像素分到多少比特」和「编码器怎么用这些比特」。同样的 4Mbps,给一个静态的 PPT 录屏,画面可以非常干净;给一场雨夜球赛,可能到处是块状噪点。因为后者运动大、纹理多、噪声多,预测做不准,残差占比高,同样的比特要覆盖更多信息。
还有音频和容器的开销。标称 4Mbps 通常指视频轨,音频另外算。AAC 128kbps 一小时约 57MB,占比不大但不能忽略。容器的索引和头部通常只占千分之几,MKV 带多音轨和字幕时会多一点。做容量规划时,把视频、音频、容器三部分加起来,再留 5% 余量。
码率还分几种控制方式。CBR 是固定码率,每秒尽量保持一致,适合直播和固定带宽;VBR 是可变码率,复杂的片段多给,简单的片段少给,平均下来更省;ABR 介于两者之间,设定一个目标平均码率。CRF 不设目标码率,只设质量等级,由编码器自己决定用多少数据。最后一种在点播场景里通常效果最好。
固定码率:带宽可预测
每秒数据量稳定,适合直播、弱网和需要平滑缓冲的场景。缺点是复杂画面不够用、简单画面浪费,同码率下观感波动明显。
固定质量:观感更稳定
CRF 让编码器按画面复杂度分配比特,简单片段省,复杂片段多花。文件大小不可预测,但同观感下通常比固定码率更小。
分辨率与重采样:放大不会长出新细节
重采样是把一张画面从一种像素网格映射到另一种网格。缩小叫下采样,放大叫上采样。常见算法有最近邻、双线性、双三次、Lanczos。最近邻最快,但边缘有锯齿;双三次和 Lanczos 更平滑,但会引入 ringing,也就是边缘附近出现一圈亮暗波纹。放大倍数越大,插值痕迹越明显。
上采样之后,画面尺寸变大,但高频信息没有增加。编码器看到的是平滑过渡的像素,它用变换和量化去描述这些过渡,码率花在了「描述模糊」上。更糟的是,放大后的边缘更宽,编码器为了保住边缘会分配更多比特,结果整体码率上升,细节却没有回来。
反过来,下采样经常能提升观感。把 1080p、2Mbps 的视频降到 720p、2Mbps,像素少了 55%,每个像素分到的比特更多,压缩伪影会明显减少,画面看起来更锐利。当然,绝对细节少了,但在一屏大小观看时,干净的 720p 往往比满是块的 1080p 舒服。这也是很多平台给移动端发 720p 的原因。
缩放还会影响色彩和锐度。有些工具默认用双线性,放大后画面偏软;换成 Lanczos 会锐一点,但可能过冲。更好的做法是避免不必要的缩放:源是什么分辨率,就按什么分辨率编码;需要多档分发时,从源分别缩到目标尺寸,而不是拿一档成品再缩第二次。每缩一次都会损失一点信息。
这条链上,解码和封装几乎不改变画质,缩放和编码才是决定结果的两步。很多人只盯着码率数字,忽略了前面还有一步缩放。如果这一步把画面放大了,后面码率再高也补不回来。
CRF 与 preset:编码器怎么花这些比特
CRF 是恒定质量因子,Constant Rate Factor。它给编码器一个质量目标,数值越低质量越高。x264 的经验范围是 18 到 28:18 接近视觉无损,23 是默认,28 适合体积优先。CRF 不保证文件大小,同一个 CRF 下,动画和实拍的体积可能差好几倍。
preset 是编码速度档位,从 ultrafast 到 placebo。越慢的档位,编码器愿意尝试更多块划分、更细的运动搜索和更好的率失真决策,同 CRF 下体积更小或同体积下质量更高。但它不改变 CRF 设定的质量目标,只是让编码器更接近这个目标。把 preset 从 medium 改到 slow,体积可能小 5% 到 10%,耗时可能翻倍。
tune 是针对内容的微调。film 保留胶片颗粒,animation 优化平涂和重复边缘,grain 保留噪点,stillimage 适合静态图。用错 tune 不会报错,但会让编码器把比特花在不该花的地方。比如给动画片用 film,编码器会努力保留本来就不存在的颗粒,码率上去,画面反而更脏。
码率控制还有 VBV 缓冲。它限制编码器在任意短时间窗口内最多用多少比特,防止瞬时码率冲高导致播放端缓冲不够。直播和硬件解码器通常要求 VBV 设得比较紧,代价是复杂画面会被压得更狠。点播不设硬限制,编码器可以自由分配,观感更均匀。
ffmpeg -i input.mp4 -c:v libx264 -preset slow -crf 20 -c:a aac -b:a 128k output.mp4
这条命令没有指定分辨率,所以不会触发缩放。如果源是 720p,输出就是 720p。想验证参数有没有生效,看 x264 打印的统计:平均 QP、码率、I/P/B 帧数量和大小。平均 QP 明显高于预期,说明 CRF 被别的参数覆盖了;码率远低于目标,说明画面太简单或者被 VBV 卡住了。
怎么量:PSNR、SSIM 和它们的盲区
PSNR 是峰值信噪比,用均方误差算两个画面之间的差异,单位是 dB。数值越高越接近原图。它计算简单,但只看像素差,不看人眼怎么感知。一张整体模糊但亮度接近的图,PSNR 可能很高;一张锐利但有一点点位移的图,PSNR 可能很低。用它判断转码质量,容易被「平滑但糊」的结果骗过去。
SSIM 是结构相似性,比较亮度、对比度和结构三部分,比 PSNR 更接近人眼。它对模糊和结构丢失更敏感,但仍然是逐帧计算,不关心时间上的闪烁和抖动。视频里常见的「块状边缘随时间跳动」,SSIM 不一定能抓到。
VMAF 是 Netflix 提出的视频质量指标,用机器学习模型训练人眼主观评分,综合考虑多尺度细节和时间信息。它比前两者更贴近观感,但计算更慢,也需要额外的模型文件。做重要的分发版本时值得跑一次,日常转码用 SSIM 加人眼抽帧对比就够了。
ffmpeg -i source.mp4 -i output.mp4 -lavfi "[0:v][1:v]ssim" -f null -
ffmpeg -i source.mp4 -i output.mp4 -lavfi "[0:v][1:v]psnr" -f null -
比较有一个前提:两个视频的分辨率、帧数、色彩范围必须一致。拿 1080p 的输出和 720p 的源直接算 PSNR,工具会报尺寸不匹配,或者自动缩放后得到一个没有意义的分数。正确做法是先把输出缩回源的分辨率,再逐帧比较。
按场景选参数:一张决策表
下面这张表把常见场景和推荐参数放在一起。它不是绝对规则,但能避开大多数「码率越高越糊」的坑。默认编码器是 libx264,其它编码器的参数名不同,思路一致。
| 场景 | 分辨率 | 质量参数 | 说明 |
|---|---|---|---|
| 课程录屏、PPT | 保持源尺寸 | CRF 26 到 28,preset medium | 画面简单,低码率也能很干净,不要上采样 |
| 实拍点播,源 1080p | 1080p | CRF 20 到 23,preset slow | 细节多,优先保质量,文件大小可接受 |
| 移动端分发 | 720p | CRF 23 到 25,preset fast | 小屏观看,降分辨率比降码率更有效 |
| 动画片 | 保持源尺寸 | CRF 20 到 22,tune animation | 平涂区域多,用对 tune 能省不少码率 |
| 体育、动作片 | 1080p | CRF 18 到 20,preset slow | 运动大,残差多,质量参数要给足 |
| 直播推流 | 720p 或 1080p | CBR 3 到 6Mbps,关键帧 2 秒 | 带宽要可预测,VBV 设紧,别用 CRF |
| 归档保存 | 保持源尺寸 | CRF 16 到 18,preset slower | 尽量接近视觉无损,不接受明显损失 |
这张表里有两条反复出现的规律。第一,分辨率不要超过源,除非你只是为了让某个平台接受这个尺寸,并且接受画质不会提升。第二,码率只是结果,不是输入;用 CRF 设定质量目标,让编码器自己决定码率,比手动拍一个数字更稳。
如果平台硬性要求某个码率,比如「必须 4Mbps」,那就用两遍编码或者 CRF 加 maxrate 约束。单遍 ABR 在短片里可能偏差很大,前面几秒冲高、后面不够。两遍编码先分析一遍复杂度,再分配码率,结果更接近目标。代价是耗时翻倍,适合离线分发,不适合直播。
边界与代价
提高码率、放慢 preset、换更好的编码器,收益都不是线性的。到某个点之后,人眼已经看不出差别,继续投入只是让文件更大、转码更慢。判断这个点,比记住具体参数更重要。
| 手段 | 收益 | 代价 |
|---|---|---|
| 提高码率 | 复杂画面伪影减少 | 文件和带宽线性增长,简单画面浪费 |
| 降低 CRF | 细节和暗部更好 | 体积可能成倍增长,收益递减 |
| 放慢 preset | 同质量体积更小 | 编码时间成倍增加,CPU 和电费上升 |
| 提高分辨率 | 大屏观看更细腻,仅当源本身足够清晰 | 源不够清晰时反而更糊,码率需求更高 |
| 换新一代编码器 | 同质量省三到五成码率 | 编码更慢,老设备解码兼容性差 |
还有一个常被忽略的代价是反复转码。每一次有损转码都会再损失一点,尤其是低码率素材。把 2Mbps 的源转成 4Mbps,再转回 2Mbps,两次之后画面会明显变软。正确做法是从原始素材重新导出,而不是在成品上反复处理。素材 archive 要保留最高质量的版本,分发版本按需生成。
最后一个边界是播放端。编码参数再漂亮,如果目标设备只能软解,或者屏幕本身是 720p,提升也感知不到。给电视做 4K 分发,要考虑电视的面板尺寸和观看距离;给手机做 1080p,要考虑屏幕实际像素和流量。编码是为观看场景服务的,不是为参数表服务的。
当天能自己验证的五个练习
- 拿一个 720p 源,分别导出 720p CRF 20 和 1080p 4Mbps 两个版本,在同一块屏幕上并排看字幕边缘。
- 把同一个源用 CRF 18、23、28 各导一次,记录文件大小和肉眼能看出的差异,找出你的可接受上限。
- 把 preset 从 veryfast 改到 slow,固定 CRF,记录体积变化和耗时变化,算一下每省 1MB 多花多少秒。
- 用 ffmpeg 的 ssim 和 psnr 滤镜比较源与输出,先把输出缩回源分辨率,再看分数是否合理。
- 把 1080p 2Mbps 的视频降到 720p 2Mbps,对比两者的块状伪影和字幕清晰度。
小结
三句话:码率是每秒的数据量,不是清晰度;上采样只放大画面,不增加信息,源不够清晰时反而更糊;CRF 决定质量目标,preset 决定编码器花多少力气,两者都比手动码率数字更可靠。验证要看同分辨率并排对比,别只看 PSNR。
下一篇开始动手设计一个自己的视频格式。前面讲的容器、轨道、时间戳、关键帧,都会变成具体的字段:文件头怎么写、样本表怎么排、索引怎么建。我们会用一个叫 SVF1 的小格式,把抽象概念落到字节上。