上个月同事把一个 42MB 的 .mp4 从手机拷进车载 U 盘,车机屏幕上弹出一行「不支持的媒体格式」。同一个文件放回手机能播,拖进 Chrome 也能播。他先怀疑分辨率太高,用转码软件把 1080p 压成 720p,再拷一次,车机还是不认。

问题不在画面,也不在文件大小,而在文件开头那几十个字节。MP4 不是「一段视频」,它是一个装东西的盒子:盒子里面记着这个文件有几条轨道、每条轨道用什么编码、每一帧的数据在文件的哪个位置。播放器先读盒子,再按盒子里的地址去取画面。盒子写得不对,或者某个盒子放错了位置,画面再好也播不出来。

这篇从「同一个文件在不同设备上结果不同」这个现象出发,把 MP4 的 box 结构拆开:长度字段怎么算、盒子怎么一层套一层、ftyp 和 moov 各自负责什么、为什么 moov 在文件尾会让起播等上十几秒。看完你应该能拿一个播不了的文件,用几条命令判断它到底卡在哪一层。

现象真实原因第一步查什么
同一个 MP4 手机能播,车机报「不支持的媒体格式」车机只认特定编码档次和封装特性,H.265 或高位深可能不在支持列表里用 ffprobe 看 codec_name、profile、level 和 pix_fmt,再对照设备说明
浏览器里整段下载完才出画面moov 盒子在文件末尾,播放器要先拿到完整索引才能开始看文件前 1MB 里有没有 moov,或直接看 moov 的字节偏移
播放器能播,但拖进度条要等两三秒moov 在尾部,服务器又不支持 Range 请求,每次拖动都得重新取索引看 HTTP 响应有没有 206 和 Content-Range
剪辑软件导入后只有声音、没有画面视频轨道的 sample entry 用了软件不认识的标签,比如 hev1 而不是 hvc1查视频轨的 codec_tag_string 和 stsd 里的条目类型
文件能打开,播到第 37 秒开始花屏mdat 中间有坏块,或者 moov 里的偏移量与实际数据对不上用 ffmpeg 完整解码一遍,看错误从第几帧开始
想提取音轨,结果只得到一个几 KB 的空文件容器里根本没有音频轨道,或者音频是播放器不支持的编码列出所有 stream,确认音频轨的 index 和 codec
网页转码后文件更大,清晰度没变封装不负责压缩,换容器不会让画面变小,参数才是原因比较转码前后的码率、编码器和 CRF,而不是文件后缀
直播流切片后,每个分片单独下载能播,拼起来时间对不上分片 MP4 用 moof 记录每段的时间信息,拼接时要处理时间基准看每个分片的 tfdt 基准时间和序列号

同一个文件,四种结果

先把一个容易混淆的点说清楚:.mp4 这个后缀只告诉操作系统「用哪个程序打开」,不包含任何编码信息。Windows 上双击一个 .mp4,系统按注册表里的关联交给播放器;播放器打开文件后,真正读的是文件内部的盒子结构。后缀可以随便改,盒子不会跟着变。

所以同一个文件在四台设备上出现四种结果,是完全正常的。手机上的播放器可能带硬件解码器,能解 H.265 10bit;Chrome 的软件解码器支持一部分 H.265,但不支持某些封装标签;车机的芯片只做了 H.264 的 Baseline 和 Main 档次;老款电视只认 MPEG-4 Part 2。它们读的是同一份盒子,但各自能理解的编码和特性不一样。

这里要区分两层责任:容器负责「东西放在哪、什么时候播」,编码负责「画面怎么压」。车机报错可能是不支持容器里的某个特性,也可能是不支持编码本身。只看后缀和分辨率,永远分不清是哪一层出的问题。后面几节会按盒子逐个拆。

还有一个常见误会是「文件越大越清晰」。42MB 的十分钟视频和 42MB 的一分钟视频,码率差了十倍,后者通常清楚得多。文件大小是容器和编码共同的结果,跟盒子结构本身没有直接关系。

盒子:四个字节的长度,四个字节的名字

MP4 的底层单位叫 box,也有人叫 atom,两种说法指的是同一个东西。一个 box 最少八个字节:前四个字节是长度,后四个字节是类型名。长度按大端序存放,包含了这八个字节本身;类型名是四个 ASCII 字符,比如 ftyp、moov、mdat。

长度字段有两个特殊值。如果长度等于 1,说明真正的长度是 64 位的,紧跟在类型名后面再读八个字节,这种写法用于超过 4GB 的文件。如果长度等于 0,说明这个盒子一直延伸到文件末尾,通常只用在最后一个 mdat 上。除此之外,长度就是盒子占用的总字节数。

盒子可以嵌套。一个 moov 里面可以有多个 trak,一个 trak 里面有 tkhd 和 mdia,mdia 里又有 mdhd、hdlr、minf,minf 里再放 stbl。这种嵌套不是随便写的,它对应「文件、轨道、媒体、样本表」这几层概念。读的时候从外层往里走,每一层都靠长度字段跳过不需要的部分。

第一层:文件级ftyp 声明品牌,moov 放全部索引,mdat 放压缩后的帧数据,moof 用于分片
第二层:moov 内mvhd 记整体时间基准和时长,每个 trak 对应一条轨道
第三层:trak 内tkhd 记轨道宽高和变换,mdia 装媒体信息
第四层:mdia 内mdhd 记这条轨道的时间基准,hdlr 说明是视频还是音频,minf 装样本表
第五层:stbl 内stsd 记编码,stts 记每帧时长,stsz 记每帧大小,stco 记每帧在文件里的偏移

第五层是整份索引的核心。播放器不需要把 42MB 的 mdat 全部读进内存,它先读 stbl,知道第 900 帧的偏移是 12,345,678、大小是 8,192 字节,然后直接跳到那个位置取数据。这也解释了为什么 moov 这么重要:没有它,播放器面对 mdat 就是一堆没有地址的字节。

长度字段是按字节数跳转的,所以任何一个盒子的长度写错,后面的解析都会偏。常见的文件损坏不是画面数据坏了,而是 moov 里某个 length 多了或少了几字节,播放器读到一半就失去同步。用十六进制工具看文件头时,如果看到长度字段明显不合理,比如一个本应几百字节的盒子写了 0x7FFFFFFF,基本可以判断文件被截断或拼接错了。

ftyp、moov、mdat、moof 各管什么

ftyp 是文件身份声明,一般 8 到 32 字节,里面写主要品牌和一组兼容品牌,比如 isom、iso2、avc1、mp41。播放器看到不认识的主要品牌,可能会直接拒绝。它不决定编码,但能决定「这个文件属于哪一代 MP4 规范」。

moov 是总索引,装着所有轨道的元数据。一个两小时、每秒 30 帧的视频,样本表里有二十多万条记录,每条记录要记时长、大小、偏移,moov 长到几 MB 很常见。短视频的 moov 可能只有几百 KB。moov 的大小直接跟帧数成正比,这一点在后面的 faststart 里会有影响。

mdat 是媒体数据,也就是真正压缩后的画面和声音。它本身没有结构,播放器靠 moov 里的偏移和大小来切分。一个文件可以只有一个 mdat,也可以有多个,分片 MP4 通常每个分片一个 mdat。

moof 是分片 MP4 才有的盒子,用来替代「一个巨大的 moov」。每个 moof 描述紧跟其后的一小段 mdat,里面有 mfhd 序列号、traf 轨道分片、tfhd 和 trun 样本列表。直播和 DASH 用这种结构,因为录制端不需要等整个文件录完才写索引,可以边录边发。

此外还有 free、skip 这种占位盒子,mfra 分片随机访问索引,udta 用户元数据。它们不影响能不能播,但会影响文件大小和工具的行为。有些转码工具会在 moov 前面塞一个 free 盒子预留空间,后续改写 moov 时就不用移动整个 mdat。

普通 MP4:一个 moov 管到底

文件录完才写 moov,索引完整,拖动定位精确。缺点是 moov 可能很大,而且录制结束前文件不完整。手机相册和剪辑软件导出的文件大多是这种。

分片 MP4:一堆 moof 管一小段

每个分片自带索引,可以边录边播,适合直播和长录制。缺点是每个分片都有固定开销,老设备可能只认第一种结构,拿到 moof 文件直接报错。

moov 在前还是在后:起播为什么要等

大部分手机和相机是先写 mdat、最后写 moov。原因很实际:录制开始时不知道总共多少帧、每帧多大,只能先把数据写进去,等按下停止再回头生成索引。这样得到的文件,moov 在文件末尾。

本地播放时这不算大问题,硬盘随机读很快,播放器跳到文件尾读几百 KB 索引,再跳回来读第一帧,几十毫秒就完成。但把同一个文件放到 HTTP 服务器上,事情就变了。浏览器默认要从头下载,如果 moov 在 41.8MB 的位置,它必须先把前面 41.8MB 的 mdat 下完,才能拿到索引,然后才知道第一帧在哪。用户看到的就是「进度条走完了才出画面」。

支持 Range 请求的服务器可以缓解:播放器先发一个 Range: bytes=-300000 取文件尾部,拿到 moov,再按索引取前面的帧。但首次请求多了一个往返,拖动时的表现仍然不如 moov 前置的文件。如果服务器或 CDN 不支持 Range,那就只能整份下载。

解决办法叫 faststart:把 moov 移到 mdat 前面。ffmpeg 提供 -movflags +faststart,它在转码完成后重写一遍文件布局,不需要重新编码。命令里必须加 -c copy,否则会重新压一遍,画质和体积都会变。

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

重写布局是有代价的:要再写一份完整文件,磁盘上瞬间多占一倍空间;42MB 的文件在本机 SSD 上大约一秒完成,2GB 的文件可能要十几秒;录制中的文件不能做,因为 moov 还没生成。另一个办法是在录制时就分片写 moof,从根上避免大 moov,代价是兼容性和每片开销。

faststart 只改盒子顺序,不改编码、不改分辨率、不改码率。做完之后文件大小几乎不变,可能多出几十字节的 free 占位。如果转码后画质变差,原因一定在编码参数,不在 faststart。

还有一个容易忽略的细节:moov 移到前面后,mdat 里每个样本的绝对偏移都要跟着改。ffmpeg 会重写 stco 或 co64 里的偏移表,这一步如果实现得不对,文件能打开但一播就花屏。所以不要自己用脚本拼接盒子来「实现 faststart」,用成熟工具的 -c copy 更稳。

十分钟内查清楚:三层定位法

拿到一个播不了或者起播慢的文件,按三层查,基本能定位。第一层看盒子布局,第二层看轨道编码,第三层看实际解码有没有报错。

先看布局。下面这段 Python 只读每个盒子的头和长度,不解析内部,几十毫秒就能列出整个文件的顶层结构。它也能识别 64 位长度和「延伸到文件尾」这两种特殊情况。

import struct, os

def walk(path):
    total = os.path.getsize(path)
    pos = 0
    with open(path, "rb") as f:
        while pos < total:
            f.seek(pos)
            head = f.read(8)
            if len(head) < 8:
                break
            size, kind = struct.unpack(">I4s", head)
            if size == 1:
                size = struct.unpack(">Q", f.read(8))[0]
            elif size == 0:
                size = total - pos
            print(f"{pos:>10}  {kind.decode('ascii', 'replace'):<6} {size:>12}")
            if size < 8:
                print("长度异常,停止")
                break
            pos += size

walk("input.mp4")

在一个 42MB 的竖屏视频上跑,输出大致是这样:

         0  ftyp           32
        32  free            8
        40  mdat     41873408
  41873448  moov       287412

四行就把问题说明白了:moov 在 41.87MB 处,离文件尾只有 287KB。这个文件没有做 faststart。如果它放在不支持的 Range 的服务器上,浏览器必须下完 41.87MB 才能开始播。把同一份文件用 -c copy -movflags +faststart 处理后再跑一次,moov 会出现在第 40 字节附近,mdat 的偏移整体后移。

第二层看编码。ffprobe 会把每条轨道的编码、档次、像素格式、帧率都列出来,这些信息决定了设备能不能解:

ffprobe -v error -show_entries stream=index,codec_name,profile,level,codec_tag_string,width,height,pix_fmt,r_frame_rate -of default=noprint_wrappers=1 input.mp4

第三层看解码。布局和编码都没问题,但仍然花屏或中途停下,就用完整解码把错误逼出来:

ffmpeg -v error -i input.mp4 -f null -

没有输出说明解码全程干净;有输出会带上帧号和错误类型,比如 Invalid NAL unit size、Could not find codec parameters。这些错误通常指向 mdat 数据损坏或 moov 偏移错位,而不是播放器不支持。

边界与代价

盒子结构带来的是「先读索引、再取数据」的能力,代价也随之而来。索引越大,起播要读的头部越多;分片越细,固定开销越高;为了兼容老设备,又不能用太新的盒子类型。这些取舍没有唯一答案,要看文件最终在哪里播。

做法得到什么付出什么
moov 放文件尾录制时不用预知总帧数,写入简单网络播放要等索引,起播慢,拖动体验差
faststart 前置 moov首帧很快,拖动响应好,兼容性不变要重写整份文件,占双倍磁盘,耗时随体积增长
分片 MP4边录边播,适合直播和超长录制每片有 moof 开销,老设备可能不认
单个大 moov索引集中,随机访问精确两小时 30 帧的视频 moov 可达几 MB,前置也要读一会儿
多个 mdat便于分段写入和并行读取偏移表更复杂,拼接和校验更容易出错

还有一个实际边界:盒子里的时间是按轨道自己的 timescale 记的,不是毫秒。视频轨常用 90000 分之一秒,音频轨常用采样率。moov 里的 mvhd 用另一个时间基准记总时长。三个时间基准混在一起,做剪辑和拼接时很容易差几十毫秒。下一篇讲容器与编码时会再展开,这里先记住「时间不是统一的毫秒」。

不要用改后缀的方式「转换格式」。把 .mkv 改名成 .mp4,盒子结构一个字节都不会变,播放器打开后仍然看到 Matroska 的头部,只会报文件损坏或不支持。容器转换要用 remux 工具,编码转换要用转码工具,两者不是一回事。

最后一个边界是兼容性测试的成本。同一个文件在手机、浏览器、车机、电视上表现不同,你很难在本地复现全部环境。实际做法是准备一组固定样本,覆盖 H.264 Baseline、H.264 High、H.265 Main、带 AAC 和不带音频这几种组合,每次导出都过一遍。比起事后追着一个车机报错查,这套样本更省时间。

当天能自己验证的五个练习

  1. 用十六进制工具打开一个 MP4,读前 32 个字节,找到 ftyp,手算第一个盒子的长度,确认它和文件里的值一致。
  2. 用上面的 walk() 脚本列出手机里一段视频的顶层盒子,记录 moov 的偏移和大小,算出它占文件总大小的比例。
  3. 用 ffmpeg -c copy -movflags +faststart 处理同一个文件,再跑一遍脚本,对比 moov 位置和文件大小。
  4. 用 ffprobe 分别看一个 H.264 文件和一个 H.265 文件的 profile、level、pix_fmt,把三项抄下来,对照你手上设备的说明。
  5. 把一段 MP4 的 moov 长度字段手动改大 8 字节,另存一份,用播放器打开,记录它报什么错,再还原。

小结

三句话收尾:MP4 是一组带长度字段的盒子,盒子记着轨道、时间、每帧数据的位置;ftyp 声明身份,moov 是索引,mdat 是数据,moof 是分片索引;moov 放在文件尾会让网络播放先下完整个文件,faststart 通过重写布局把它提前,但不改变编码。

下一篇把「容器」和「编码」彻底分开。很多人以为把 .mkv 改成 .mp4 就能在更多设备上播,实际改的只是文件名,里面的编码和轨道结构一点没动。搞清楚这两层各自负责什么,才能判断一个文件是「装错了」还是「压坏了」。