一位做课程录制的朋友发来一个 3.2GB 的 .mkv,说网页上传只认 .mp4,于是把后缀直接改成了 .mp4。上传成功了,但网页播放器转了两秒就报「媒体加载失败」,Windows 自带播放器报 0xC00D36C4,VLC 却能正常播。他很困惑:文件明明已经叫 mp4 了,为什么还是不行。

因为改后缀只改了文件名,文件内容一个字节都没动。.mkv 的内部结构是 Matroska,.mp4 的内部结构是 ISO BMFF,两者的头部签名、索引方式、轨道组织完全不同。播放器打开文件时读的是内容里的签名,不是扩展名。VLC 能播,是因为它同时认识这两种结构,跟后缀叫什么没关系。

这件事背后是两个经常被混为一谈的概念:容器和编码。容器负责装,管轨道、时间戳、字幕、章节和索引;编码负责压,决定画面和声音用多少字节表示。这篇把它们分开讲清楚,再给一张常见组合的兼容性表,最后说明「只换容器」和「重新编码」各自要付什么代价。

现象真实原因第一步查什么
把 .mkv 改成 .mp4,网页仍然报媒体加载失败文件内部还是 Matroska 结构,扩展名不参与解析看文件头几个字节,Matroska 是 1A 45 DF A3,MP4 是 66 74 79 70
VLC 能播,手机相册和网页不能播VLC 内置大量解码器和容器解析器,其它播放器只认白名单用 ffprobe 看容器格式、视频编码、音频编码三项
转成 MP4 后没有字幕了原字幕是 SRT 或 ASS,MP4 需要 mov_text 或另一套封装方式查字幕轨的 codec_name,确认目标容器支持哪些字幕类型
转成 MP4 后没有声音原音频是 Opus 或 FLAC,目标设备的 MP4 解析器不支持这种组合看音频 codec_name,必要时只把音频转成 AAC
只改封装,几秒钟完成,画质没变用了流复制,压缩后的帧数据原样搬过去,没有重新编码确认命令里是 -c copy,而不是重新指定编码器
重新编码后文件小了一半,画面也糊了编码器换了、码率降了或者 CRF 调高了,损失发生在编码层比较转码前后的码率、编码器和质量参数
同一个编码,MP4 比 MKV 小几十兆容器头和索引开销不同,MKV 还可能带章节、附件和封面比较两条轨道的总码率和容器开销,不要只看文件大小
电视能播 MP4,但播不了同编码的 MKV电视的解析器只实现了 MP4 的盒子结构,没实现 Matroska查设备支持列表里的容器格式,而不只是编码格式

改后缀为什么一点用都没有

文件格式的识别靠内容,不靠名字。播放器打开文件后,先读开头一段字节,用「魔数」判断类型。MP4 的前八个字节里一定有 ftyp 这个盒子类型;Matroska 开头是固定的四字节 1A 45 DF A3,后面跟 EBML 版本和文档类型。把 .mkv 改成 .mp4,播放器读到的仍然是 1A 45 DF A3,它要么不认识,要么按 Matroska 解析,绝不会因为后缀是 mp4 就当成 MP4 读。

操作系统层面的关联也会误导人。Windows 根据后缀决定用哪个程序打开,所以改后缀后双击图标变了,看起来像「转换成功」。但程序内部还是要自己解析文件,解析失败就报错。那个 0xC00D36C4 就是媒体 foundation 的「不支持的文件格式」,它说的是内容,不是名字。

更麻烦的是,有些工具看到后缀是 mp4,会按 MP4 的规则去读偏移,读出来的长度字段完全是另一套含义,于是报「文件损坏」或者直接崩溃。这类报错特别容易让人以为是文件坏了,其实文件好得很,只是被当成了另一种结构。

判断容器类型最省事的办法是看文件头。MP4 系列(包括 .m4v、.mov)开头是 ftyp;Matroska 系列(.mkv、.webm)开头是 1A 45 DF A3;MPEG-TS 开头是 47,而且每隔 188 字节重复一次。用十六进制工具看一眼,比猜后缀可靠。

容器负责什么:轨道、时间、字幕和索引

容器可以想成一个档案盒,里面放若干条轨道。视频是一条轨,音频是一条轨,字幕可以是一条或多条,有些文件还有章节、封面图、附件字体。每条轨道都有自己的编号、编码类型、语言、时间基准和时长。

容器还负责时间。它把每一帧和一个时间戳对应起来,播放器按时间戳决定什么时候显示哪一帧。音频和视频是两条独立轨道,容器要保证它们在播放时对齐。时间戳的精度由 timescale 决定,MP4 视频轨常用 90000 分之一秒,MKV 常用纳秒,差一点就会在长时间播放后出现音画不同步。

索引也是容器的活。MP4 用 moov 里的样本表记录每帧的偏移和大小,MKV 用 cues 记录关键帧的位置,MPEG-TS 没有完整索引,只能靠不断读取 PAT 和 PMT 找轨道。索引决定了能不能快速拖动,这也是上一篇文章里 moov 位置那么重要的原因。

容器在播放时做的事
读头部识别格式
列出轨道和编码
建立时间戳映射
按索引取帧数据
把帧交给解码器

注意最后一步:容器把压缩后的帧交给解码器,自己不解码。它不知道画面里是什么,只知道这段字节属于第几帧、多大、什么时间。所以容器换了,画面内容不会变;编码换了,画面才会变。这个分工是理解后面所有问题的关键。

容器还管一些容易被忽略的东西。字幕在 MP4 里通常转成 mov_text,这是一种专门给 MP4 用的字幕编码,样式信息基本丢失;MKV 可以直接装 ASS,保留字体、位置和特效。章节在 MP4 里用 udta 或 chpl,在 MKV 里是独立的章节结构。这些差异不影响「能不能播」,但影响「播出来是不是你想要的」。

多音轨文件更能说明容器的价值。同一部电影可以有国语、英语、导演评论三条音轨,每条带自己的语言标签和默认标记;播放器根据用户选择切换轨道,不需要重新读整个文件。字幕轨也一样,容器把「有哪些轨、每轨是什么语言、哪条默认开启」记在头部,播放器照着做就行。编码只关心一条轨道里的数据怎么压,跨轨道的组织完全是容器的事。

这也能解释一个现象:同一个视频,MKV 版本可能比 MP4 版本多几十兆,多出来的不是画面,而是第二条音轨、字幕、章节和字体附件。用播放器看画面几乎一样,但文件大小差很多。比较两个文件时,先把轨道列表打出来,看是不是在比同一条轨道。

编码负责什么:把画面压成字节

编码是真正的压缩环节。摄像头采集到的原始画面是一堆像素,1080p 一帧大约 1920×1080×1.5 字节,接近 3MB;每秒 30 帧就是 90MB。不压缩根本存不下。编码器要做的是用尽量少的字节,表示人眼看起来差不多的画面。

常见的视频编码有 H.264(也叫 AVC)、H.265(HEVC)、VP9、AV1。H.264 兼容性最好,几乎什么设备都能解;H.265 同画质下大约省三到五成码率,但专利和设备支持更复杂;VP9 和 AV1 主要在浏览器和流媒体平台用,硬件解码覆盖还不如前两代。

音频编码常见 AAC、MP3、Opus、FLAC。AAC 是 MP4 的默认搭配,兼容性最好;Opus 在低码率下质量更好,但 MP4 容器里的 Opus 支持并不普遍,WebM 或 MKV 更合适;FLAC 是无损,文件大,主要用于存档。

编码参数决定画质和体积。同一个 H.264 编码器,CRF 18 和 CRF 28 出来的文件可能差一倍大小,画质也差很多。分辨率、帧率、码率、preset 都是编码层的参数,跟容器无关。把 MKV 换成 MP4,这些参数一个都不会变;重新编码才会变。

还有一个经常被忽略的编码属性是 profile 和 level。profile 决定用了哪些编码工具,比如 Baseline 不用 B 帧、Main 支持更多工具、High 支持更高位深;level 决定解码器要处理多大的画面和多高的码率。两个文件都叫 H.264,一个 level 3.1,一个 level 5.1,老设备可能只认前者。查兼容性时,这两项比「是不是 H.264」更具体。

容器:装东西的盒子

决定轨道怎么组织、时间戳怎么记、字幕怎么存、索引放在哪。换容器只改变包装,压缩后的帧数据可以原样搬过去。它影响兼容性和起播速度,不影响画质。

编码:压东西的机器

决定画面用多少字节表示、丢掉哪些细节、关键帧隔多远。换编码要重新压一遍,画质和体积都会变。它影响清晰度、码率和解码所需的硬件。

把这两层分开之后,很多说法就能纠正。比如「MP4 比 MKV 清晰」是错的,清晰度由编码参数决定;「H.265 文件比 H.264 小」通常对,但小多少取决于编码器和码率控制;「转成 MP4 就能在网页播」也不一定,还要看里面的视频编码是不是浏览器支持的那几种。容器和编码是一张表的两列,不能只看一列。

常见组合与兼容性

实际文件永远是「容器加编码」的组合。下面这张表列的是常见搭配和大致支持情况,具体到某台设备还要查它的说明,但方向基本一致。

容器常见编码组合支持情况
MP4H.264 加 AAC兼容性最好,手机、浏览器、电视、车机基本都认,网页首选
MP4H.265 加 AAC新手机和 4K 电视支持,Chrome 视版本和硬件而定,老设备容易报错
MP4AV1 加 Opus新浏览器支持,苹果生态和多数车机还不认,适合网页内测
WebMVP9 加 OpusChrome、Firefox 支持好,Safari 原生播放支持有限,剪辑软件导入麻烦
MKVH.264 加 AAC 或 FLAC桌面播放器和部分安卓盒子支持,网页、手机相册、电视通常不认
MKVH.265 加多字幕适合本地收藏,能装 ASS 字幕和章节,移动端兼容性差
MPEG-TSH.264 加 AAC 或 MP2广电、机顶盒和部分电视支持,网页和移动端基本不用

从这张表能看出一个规律:兼容性好的组合通常是「老编码配老容器」,因为设备厂商优先实现的就是这套。想要最大兼容,选 MP4 加 H.264 加 AAC;想要更小体积,选 H.265 或 AV1,但要接受一部分设备播不了;想要字幕和章节完整,选 MKV,但基本只能在本地播放器里用。

只换容器,还是重新编码

要解决「播不了」的问题,有两条路。第一条叫 remux,也就是换封装:把原来的压缩帧原样搬进新容器,不解码也不重新编码。它非常快,3.2GB 的文件通常几十秒完成,画质和体积几乎不变。第二条叫转码:解码成原始画面,再用新编码器压一遍。它慢,画质会变,体积可能大也可能小。

能用 remux 解决就不要转码。MP4 和 MKV 都能装 H.264 和 AAC,把 MKV 里的这两条轨道搬进 MP4 就行:

ffmpeg -i input.mkv -c copy -movflags +faststart output.mp4

但 remux 有前提:目标容器必须支持原来的编码。Opus 音频搬进 MP4,很多播放器不认;ASS 字幕搬进 MP4,需要转成 mov_text 或者直接烧进画面;H.265 在 MP4 里还有 hvc1 和 hev1 两个标签的差别,苹果设备只认 hvc1。遇到这些情况,要么单独转那一条轨道,要么退回转码。

只转音频是常见折中。视频轨用 -c:v copy 原样保留,音频轨单独转成 AAC:

ffmpeg -i input.mkv -c:v copy -c:a aac -b:a 128k -movflags +faststart output.mp4

字幕也是同理。MKV 里的 ASS 字幕要进 MP4,可以转成 mov_text,但样式会大幅丢失;如果样式很重要,就只能烧进画面,那就必须重新编码视频。这里的取舍很清楚:保字幕样式就要牺牲画质和转码时间,保画质就要接受字幕变朴素。

不要为了「让文件变小」而盲目转码。一个已经用 H.264 CRF 20 压过的文件,再用 CRF 26 压一遍,体积会小,但画质是二次损失,暗部和细节最先坏。要减小体积,应该从原始素材重新压,而不是在成品上再压一层。

判断该用哪条路,有个简单的检查顺序:先用 ffprobe 看源文件的容器、视频编码、音频编码、字幕编码;再对照目标设备的支持列表,看哪一项不被支持;只有编码本身不被支持时才转码,否则只换容器。这个顺序能省掉大部分不必要的重编码。

边界与代价

容器和编码的分离带来灵活性,也带来一串实际代价。换容器快,但受目标容器能力限制;转码自由,但费时间且损失画质;兼容性最好的组合,往往也是体积最大的组合。

做法耗时画质适用场景
只改后缀瞬间不变,但通常播不了没有适用场景,不要做
remux 换容器几十秒到几分钟完全不变编码已被目标设备支持,只是容器不认
只转音频几分钟视频不变,音频略有损失视频编码没问题,音频不被支持
完整转码几十分钟到几小时有损失,取决于参数编码本身不被支持,或需要大幅减小体积
换容器并前置 moov比 remux 多一点完全不变网页播放,需要快速起播

还有一笔账是存储。保留原始素材、remux 版本和转码版本,同一份内容可能占三份空间。实际项目里通常只保留原始素材和最终分发版本,中间文件用完就删。转码前先算清楚目标码率和时长,能避免生成一堆用不上的中间档。

兼容性测试也不能只看编码。同一个 H.264 加 AAC 的 MP4,可能因为 profile 是 High 10、level 是 5.1,在老设备上仍然播不了。profile 和 level 是编码的「档位」,决定了需要多少解码能力。做分发时,H.264 选 Baseline 或 Main、level 4.0 以下,兼容性会明显好于 High 10。

remux 不会修复损坏的帧。源文件如果在第 12 分钟有坏块,换完容器坏块还在,只是换了个地方。remux 前先用 ffmpeg 解码一遍,确认源文件干净,否则问题会被带到新文件里,还会让人误以为是转换工具弄坏的。

当天能自己验证的五个练习

  1. 找一个 .mkv,复制一份改成 .mp4,用十六进制工具看开头四字节,确认它仍然是 1A 45 DF A3。
  2. 用 ffprobe 分别输出源文件和 remux 后文件的容器格式、视频编码、音频编码,确认三项里只有容器变了。
  3. 把一个带 ASS 字幕的 MKV remux 成 MP4,观察字幕是否还在、样式丢了多少。
  4. 用 -c:v copy -c:a aac 只转音频,记录耗时和文件大小,再和完整转码的耗时对比。
  5. 用 -c copy -movflags +faststart 处理一个文件,比较处理前后的 moov 偏移和首帧出现时间。

小结

三句话:容器负责装,管轨道、时间戳、字幕和索引;编码负责压,决定画面和声音占多少字节;改后缀既没换容器也没换编码,所以什么都不会变。遇到播不了,先分清是容器不认还是编码不认,能 remux 就不要转码。

下一篇进入编码内部,讲关键帧和帧间预测。理解了 I 帧、P 帧、B 帧和 GOP,你就能解释为什么拖动进度条要等,为什么剪掉片头之后画面会糊一下,以及为什么关键帧间隔设置得太大,会让 seeking 变得很难受。