(详情请参考：3GPP TS 26.071: "Mandatory Speech CODEC speech processing functions; AMR Speech CODEC; General description".)
- (详情请参考：ISO/IEC 14496-2:2004: "Information technology – Coding of audio-visual objects – Part 2: Visual".)
- (详情请参考：ITU-T Recommendation H.263 (01/05): "Video coding for low bit rate communication".)
- (详情请参考：ITU-T Recommendation H.264 (03/05): "Advanced video coding for generic audiovisual services"
ISO/IEC 14496-10:2005: "Information technology – Coding of audio-visual objects – Part 10: Advanced Video Coding".)
- (详情请参考：3GPP TS 26.245: "Transparent end-to-end packet switched streaming service (PSS); Timed text format".)
其中手机最普遍支持的格式是 amr（音频） ＋h263（视频）
文件类型包：(FileTypeBox,简称代码'ftyp')
ftyp:文件类型包相当于文件头，说明了文件所使用的协议版本，编码格式等信息
+[4]-+[4]-+[4]-+[4]-+[4]-+
|size|ftyp|mjbr|mivs|cpbr|
+----+----+----+----+----+
mjbr:major_brand 版本分支
mivs:minor_version 版本号
cpbr:compatible_brands 兼容分支
媒体数据包：(Media Data Box,简称代码'mdat')
"Media Data Box
Box类型: ‘mdat’
容器: 文件
是否必须: 否
数量: 任意个. "－luxh
mdat box 存放了音频视频和其他的数据，一般的文件至少有2个mdatbox， 一个用于音频，一个用于视频， 通常还会有一些文本信息也放在mdatbox中，各种信息的顺序不固定。 如果只是存放音乐一个mdat就够用了。
你可能会问这么多box 都叫mdat我怎么知道音频放哪里视频放哪里呢？别着急这些相关信息都放在moovbox里面
影片包：(moov box:Movie Box:)是一个3gp文件中最复杂最重要的文件。
看到这里你可能会问"moovbox里面的方框都分别代表什么含义呀？媒体描述信息是怎么存放的?",别着急咱们来慢慢分析一下。
"Movie Box
Box类型: 'moov';
容器: 文件
是否必须: 是
数量: 一个,并且只能是一个.
媒体的原始数据被放置在这个box中，这个box位于文件的最高级别，一般来说这个box接近于文件的开始或者末尾，尽管这并不被要求。语法如下:
a ligned(8) class MovieBox extends Box(‘moov’) {} "－luxh
moovbox 有两个必要的子box他们是影片头包和轨迹包
影片头包movie header,简称代码'mvhd'
首先剖析一下影片头包，顺便以此为例理解一下包的结构。
每一个包开头的4个字节都是一个整数存放了本包的长度。
接下来的4个字节是个字符串存放了本包的类型。如'moov','mvhd'。
基本上包都是这模样的：
+[4]-+[4]-+[size-8]-------------------+
|size|type|data |
+----+----+---------------------------+
很多box是这样的我们可以称之为全包(full box)
+[4]-+[4]-+-+---+[size-8]-------------------+
|size|type|v|flg|data |
+----+----+-+---+---------------------------+
简记为
+[4]-+[4]-+[4]-+[size-8]-------------------+
|size|type|vsfl|data |
+----+----+----+---------------------------+
其中vsfl:版本号标志
+-+---+
|v|flg|
+-+---+
v :version
flg:flages
在影片头包中接下来的是版本标志等信息。
MVHD 是媒体信息头,存放媒体的全局性的信息。
+[4]-+[4]-+[4]-+[4]-+[4]-+[4]-+[4]-+[76]----...---------+[4]-+
|size|mvhd|vsfl|cttm|mdtm|tmsc|mxtl|reserved... |ntid|
+----+----+----+----+----+----+----+--------...---------+----+
size:box长度
type:文件类型标识内容为"mvhd"
vsfl:版本号标志
cttm:creat time 文件创建时间
mdtm:modification time 文件修改时间
tmsc:timescale 时间缩放因数
mxtl:maxTrackLen duration of longest track 最长播放时间
reserved： 保留字段
ntid-next trak id 下一个频道标识
轨迹包TRAK 也是一个容器，是单个媒体流频道的信息的容器，它有两个必要的子box:TKHD,MDIA。
TKHD 存放本trak的信息，有两个版本
v=0
+[4]-+[4]-+[4]-+[4]-+[4]-+[4]-+[4]-+[4]-+
|size|tkhd|vsfl|cttm|mdtm|tkid|resv|duat|
+----+----+----+----+----+----+----+----+
+[12]--------+2-+2-+[36]----...-+[4]-+[4]-+
|reserved |ct|rs|reserved |twvo|thvo|
+------------+--+--+--------...-+----+----+
v=1
+[4]-+[4]-+[4]-+[8]-----+[8]-----+[4]-+[4]-+[8]-----+
|size|tkhd|vsfl|cttm |mdtm |tkid|resv|duat |
+----+----+----+--------+--------+----+----+--------+
+[12]--------+2-+2-+[36]----...-+[4]-+[4]-+
|reserved |ct|rs|reserved |twvo|thvo|
+------------+--+--+--------...-+----+----+
size:box长度
type:文件类型标识内容为"tkhd"
vsfl:版本号标志
cttm:creat time 文件创建时间
mdtm:modification time 文件修改时间
tkid:track-id 同一个文件中这是一个不重复的序列
resv:reserved 保留字段
duat:duration 总的播放时间长度
reserved: 保留字段
ct:codec_type {audio=0x0100; video=0} 编码类型,到底是音频还是视频等
rs:reserved 保留字段
reserved: 保留字段
如果这个track 是视频编码它将有如下字段,在你解码的时候非常有用.
twvo:Track width , for visual only 视频的宽度
thvo:Track height, for visual only 视频的高度
MDIA是存放具体的媒体信息的容器。
有且仅有3个子box:{MDHD,HDLR,MINF}
MDHD媒体头，也有两个版本
v=0
+[4]-+[4]-+[4]-+[4]-+[4]-+[4]-+
|size|type|cttm|mdtm|tmsk|duat|
+----+----+----+----+----+----+
v=1
+[4]-+[4]-+[8]-----+[8]-----+[4]-+[8]-----+
|size|type|cttm |mdtm |tmsk|duat |
+----+----+--------+--------+----+--------+
其中
size:box长度
type:文件类型标识内容为"mdhd"
pl:pad&language{bit(1) pad = 0;unsigned int(5)[3] language // ISO-639-2/T language code参见附录}
*-*[15]-----------*
|p|language |
*-*---------------*
pd:unsigned int(16) pre_defined = 0;
HDLR 句柄，描述媒体类型
+[4]-+[4]-+[4]-+[12]--------+[size-24]--+
|size|pred|hdlt|reserved |name |
+----+----+----+------------+-----------+
size:box长度
type:文件类型标识内容为"tkhd"
pred:pre_defined = 0;
hdlt:handler_type;
‘vide’ Video track 视频
‘soun’ Audio track 音频
‘hint’ Hint track 注释
reserved: reserved = 0;
name: 名称字符串，0结尾的UTF-8串
MINF 媒体信息容器（Media Information Box）
这是一个普通的box容器.它的内部可能包含如下的子box:
VMHD,SMHD,HMHD,NMHD,DINF,STBL.
VMHD,SMHD,HMHD分别对应于视频,音频,注视,NMHD我还不太清楚.它们都属于fullbox.
DINF数据信息和STBL采样表,都是普通的box. VMHD还包括两个数据字段.
+[4]-+[4]-+[4]-+[4]-+
|gmod|opcl |
+----+----+----+----+
gmod:graphicsmode 描述了本视频track 与其他视频track的混合方式.默认的值为0,也就是直接覆盖.
opcl:opcolor 透明色颜色值 (red, green, blue)如果gmod不是copy的话会用到.
SMHD包括两个字段
+--+--+
|bl|rs|
+--+--+
bl:balance 是一个定点小数(精度 8.8) 前8bits是整数,后8bits是小数.如果值为0说明左右声道是相同的.全左的情况下值为-1.0 全右则为1.0.
rs:reserved 保留字段.
HMHD包括5个字段.如下:
+--+--+[4]-+[4]-+[4]-+
|mp|ap|mbrt|abrt|resv|
+--+--+----+----+----+
mp:maxPDUsize 最大PDU长度 -pdu是啥???????? 知道啥是pdu的朋友请告诉我.
ap:avgPDUsize 平均PDU长度
mbrt:maxbitrate 最大比特率
abrt:avgbitrate 平均比特率
resv:reserved 保留字段
NMHD是个空的fullbox
DINF是一个普通的box,也是一个容器,它包括url,urn,dref三个fullbox
url 内部是一个UTF-8编码的0结尾的字符串
string location;
url里面则是两个
string name;
string location;
这两个都被称为DataEntryBox.
dref里面是一个url或者urn的列表.首先它有一个字段
unsigned int(32) entry_count;DataEntryBox的列表的个数.
然后就是DataEntryBox的列表
STBL是一个普通的box,也是一个容器,里面包含了很多媒体采样信息.
STTS是一个fullbox里面包含了采样的时间长度信息
内部的数据首先是列表长度
unsigned int(32) entry_count;
然后就是采用时长列表.
列表每一项都由两个字段组成.
unsigned int(32) sample_count;采样个数
unsigned int(32) sample_delta;每个采样的时间长度.
在认识stsd之前我们首先要了解一个数据结构SampleEntry和它的子类AudioSampleEntry,VisualSampleEntry和HintSampleEntry
SampleEntry 是一个继成box的抽象的数据结构模型.
除了size,type外它包括两个字段,如下:
+[4]-+[4]-+[6]---+--+
|size|type|resved|di|
+----+----+------+--+
resved:reserved,保留字段
di:data_reference_index,序号.
从这个抽象数据结构继承下来的三个子类分别增加了几个独特的新字段.
HintSampleEntry
+[4]-+[4]-+[6]---+--+[n]-+
|size|type|resved|di|data|
+----+----+------+--+----+
resved:reserved,保留字段
di:data_reference_index,序号.
data:是一个0结尾的utf8编码的字符串.
VisualSampleEntry
+[4]-+[4]-+[6]---+--+--+--+[12]---------+--+--+[4]-+[4]-+[4]-+--+[32]----...---+--+--+
|size|type|resved|di|pd|rs|pre_defined |wd|ht|hrsl|vrsl|resv|fc|compressorname|dp|pd|
+----+----+------+--+--+--+-------------+--+--+----+----+----+--+--------...---+--+--+
size:box长度
type:box:类型
resved:reserved,保留字段
di:data_reference_index,序号.
pd: pre_defined 保留字段
rs: reserved 保留字段
pd: pre_defined 保留字段
wd: width 视频的宽
ht: height 视频的高
hrsl: horizresolution 水平分辨率如0x00480000; // 72 dpi
vtsl: vertresolution 垂直分辨率如0x00480000; // 72 dpi
rd: reserved 保留字段
fc: frame_count 每个采样里面的贞数,一般是1;
cmpn: compressorname 是一个数字开头的字符串.并且末尾有填料.对齐到32位.
+-+[n]-+[x]-+
|n|data|xpad|
+-+----+----+
n:number of data.数据的长度,x+n+1=32
dp: depth 视频的色深 0x18 表示24位色
pd: pre_defined 保留字段
AudioSampleEntry
+[4]-+[4]-+[6]---+--+[8]-----+--+--+--+--+[4]-+
|size|type|resved|di|reserved|cc|ss|pd|rs|sprt|
+----+----+------+--+--------+--+--+--+--+----+
resved:reserved,保留字段
di:data_reference_index,序号.
reserved:保留字段
cc: channelcount 声道数1或者2;
ss: samplesize 采样位数大小 8bit 8 ;16bit 16;
pd: pre_defined 保留字段
rs: reserved保留字段
sprt:samplerate 采样率
stsd是一个采样包(SampleEntry)的列表,一般来讲同一个列表中只有一种SampleEntry.
可以通过hdlr里面的handler_type来判断属于哪种SampleEntry.
内部的数据首先是列表长度,一个32位无符号整数 entry_count;
然后就是采样包列表.
采样包有很多具体的实现.如下:
+MP4VisualSampleEntry:MP4视频采样包.
+[4]-+[4]-+[6]---+--+--+--+[12]---------+--+--+[4]-+[4]-+[4]-+--+[32]----...---+--+--+[n]-+
|size|type|resved|di|pd|rs|pre_defined |wd|ht|hrsl|vrsl|resv|fc|compressorname|dp|pd|esds|
+----+----+------+--+--+--+-------------+--+--+----+----+----+--+--------...---+--+--+----+
size:box长度
type:box类型,内容'mp4v'
resved:reserved,保留字段
di:data_reference_index,序号.
pd: pre_defined 保留字段
rs: reserved 保留字段
pd: pre_defined 保留字段
wd: width 视频的宽
ht: height 视频的高
hrsl: horizresolution 水平分辨率如0x00480000; // 72 dpi
vtsl: vertresolution 垂直分辨率如0x00480000; // 72 dpi
rd: reserved 保留字段
fc: frame_count 每个采样里面的贞数,一般是1;
compressorname: 是一个数字开头的字符串.并且末尾有填料.对齐到32位.
dp: depth 视频的色深 0x18 表示24位色
pd: pre_defined 保留字段
+esds:原子数据流描述包(Elementary Stream Data Box).
ES_ID — set to 0 as stored; when built into a stream, the lower 16 bits of the TrackID are used.
streamDependenceFlag — set to 0 as stored; if a dependency exists, it is indicated using a track reference of type ‘dpnd’.
URLflag — kept untouched, i.e. set to false, as the stream is in the file, not remote.
SLConfigDescriptor — is predefined type 2.
OCRStreamFlag — set to false in the file.
+MP4AudioSampleEntry:Entry type for audio samples defined in the MP4 specification.
+[4]-+[4]-+[6]---+--+[8]-----+--+--+--+--+[4]-+[n]-+
|size|type|resved|di|reserved|cc|ss|pd|rs|sprt|esds|
+----+----+------+--+--------+--+--+--+--+----+----+
resved:reserved,保留字段
di:data_reference_index,序号.
reserved:保留字段
cc: channelcount 声道数1或者2;
ss: samplesize 采样位数大小 8bit 8 ;16bit 16;
pd: pre_defined 保留字段
rs: reserved保留字段
sprt:samplerate 采样率
+esds:Elementary Stream Data Box.Box containing an elementary stream descriptor for this stream.
ES_ID — set to 0 as stored; when built into a sntream, the lower 16 bits of the TrackID are used.
streamDependenceFlag — set to 0 as stored; if a dependency exists, it is indicated using a track reference of type ‘dpnd’.
URLflag — kept untouched, i.e. set to false, as the stream is in the file, not remote.
SLConfigDescriptor — is predefined type 2.
OCRStreamFlag — set to false in the file.
+AMRSampleEntry:Entry type for AMR and AMR-WB speech samples defined in clause 6.5 of the present document.
+[4]-+[4]-+[6]---+--+[8]-----+--+--+--+--+[4]-+[n]-+
|size|type|resved|di|reserved|cc|ss|pd|rs|sprt|damr|
+----+----+------+--+--------+--+--+--+--+----+----+
type:'samr' resved:reserved,保留字段
di:data_reference_index,序号.
reserved:保留字段
cc: channelcount 声道数1或者2;
ss: samplesize 采样位数大小 8bit 8 ;16bit 16;
pd: pre_defined 保留字段
rs: reserved保留字段
sprt:samplerate 采样率
+damr:AMRSpecificBox
+[4]-+[4]-+[4]-+-+--+-+-+
|size|type|vend|d|ms|m|f|
+----+----+----+-+--+-+-+
type:'damr' vend:vendor
d:decoder_version
ms:mode_set
m:mode_change_period
f:frames_per_sample
+AMRWPSampleEntry:Entry type for AMR and AMR-WB speech samples defined in clause 6.5 of the present document.
+[4]-+[4]-+[6]---+--+[8]-----+--+--+--+--+[4]-+[n]-+
|size|type|resved|di|reserved|cc|ss|pd|rs|sprt|dawp|
+----+----+------+--+--------+--+--+--+--+----+----+
type:'sawb' resved:reserved,保留字段
di:data_reference_index,序号.
reserved:保留字段
cc: channelcount 声道数1或者2;
ss: samplesize 采样位数大小 8bit 8 ;16bit 16;
pd: pre_defined 保留字段
rs: reserved保留字段
sprt:samplerate 采样率
+dawp:AMRWPDecSpecStruc
The AMRWPDecSpecStruc is defined as follows: +[4]-+[4]-+[4]-+-+
|size|type|vend|d|
+----+----+----+-+
type:'dawp'
vend:vendor
d:decoder_version
+H263SampleEntry:Entry type for H.263 visual samples defined in clause 6.6 of the present document.
+[4]-+[4]-+[6]---+--+--+--+[12]---------+--+--+[4]-+[4]-+[4]-+--+[32]----...---+--+--+[n]-+
|size|type|resved|di|pd|rs|pre_defined |wd|ht|hrsl|vrsl|resv|fc|compressorname|dp|pd|d263|
+----+----+------+--+--+--+-------------+--+--+----+----+----+--+--------...---+--+--+----+
size:box长度
type:box类型,内容's263'
resved:reserved,保留字段
di:data_reference_index,序号.
pd: pre_defined 保留字段
rs: reserved 保留字段
pd: pre_defined 保留字段
wd: width 视频的宽
ht: height 视频的高
hrsl: horizresolution 水平分辨率如0x00480000; // 72 dpi
vtsl: vertresolution 垂直分辨率如0x00480000; // 72 dpi
resv: reserved 保留字段
fc: frame_count 每个采样里面的贞数,一般是1;
compressorname: 是一个数字开头的字符串.并且末尾有填料.对齐到32位.
dp: depth 视频的色深 0x18 表示24位色
pd: pre_defined 保留字段
+d263:H263SpecificBox Information specific to the H.263 decoder.
+[4]-+[4]-+[n]-------------+[m]-------+
|size|type|H263DecSpecStruc|BitrateBox|
+----+----+----------------+----------+
type:内容'd263'
+H263DecSpecStruc: H.263 信息包
H263DecSpecStruc 注意这不是一个包而是个结构.
+[4]-+-+-+-+
|vend|d|l|p|
+----+-+-+-+
vend:vendor 销售商,4位的字符串例如 'VXYZ'
d:decoder_version解码器版本
l:H263_Level h263版本
p:H263_Profile h263特性
l和p这两个定义是基于MIME media type video/H263-2000标准的
The profile and level specifications can be found in [9].
请参考ITU-T Recommendation H.263 (1998): "Video coding for low bit rate communication".
例 1: H.263 基本 = {H263_Level = 10, H263_Profile = 0}
例 2: H.263 Profile 3 @ Level 10 = {H263_Level = 10 , H263_Profile = 3}
注意:hint轨迹也可能引用这个结构中的信息.
+BitrateBox:比特率信息包(可选的)
+[4]-+[4]-+[4]-+[4]-+
|size|type|avbr|mabr|
+----+----+----+----+
type:‘bitr’
avbr: Avg_Bitrate 平均比特率
mabr: Max_Bitrate 平均比特率
+AVCSampleEntry:Entry type for H.264 (AVC) visual samples defined in the AVC file format specification.
请参考ISO/IEC 14496-15: 2004: "Information technology – Coding of audio-visual objects –
Part 15: Advanced Video Coding (AVC) file format".
+TextSampleEntry:Entry type for timed text samples defined in the timed text specification
ISO/IEC 14496-17，同步文本字幕格式 歌词可以放在这个里面.
+HintSampleEntry:Entry type for hint track samples defined in the ISO specification.
附录：
ISO-639-2/T language code
| ISO 639-2 Code | ISO 639-1 Code | English name of Language |
| aar |
aa |
Afar |
| abk |
ab |
Abkhazian |
| ace |
|
Achinese |
| ach |
|
Acoli |
| ada |
|
Adangme |
| ady |
|
Adyghe; Adygei |
| afa |
|
Afro-Asiatic (Other) |
| afh |
|
Afrihili |
| afr |
af |
Afrikaans |
| ain |
|
Ainu |
| aka |
ak |
Akan |
| akk |
|
Akkadian |
| alb/sqi |
sq |
Albanian |
| ale |
|
Aleut |
| alg |
|
Algonquian languages |
| alt |
|
Southern Altai |
| amh |
am |
Amharic |
| ang |
|
English, Old (ca.450-1100) |
| anp |
|
Angika |
| apa |
|
Apache languages |
| ara |
ar |
Arabic |
| arc |
|
Aramaic |
| arg |
an |
Aragonese |
| arm/hye |
hy |
Armenian |
| arn |
|
Araucanian |
| arp |
|
Arapaho |
| art |
|
Artificial (Other) |
| arw |
|
Arawak |
| asm |
as |
Assamese |
| ast |
|
Asturian; Bable |
| ath |
|
Athapascan languages |
| aus |
|
Australian languages |
| ava |
av |
Avaric |
| ave |
ae |
Avestan |
| awa |
|
Awadhi |
| aym |
ay |
Aymara |
| aze |
az |
Azerbaijani |
| bad |
|
Banda |
| bai |
|
Bamileke languages |
| bak |
ba |
Bashkir |
| bal |
|
Baluchi |
| bam |
bm |
Bambara |
| ban |
|
Balinese |
| baq/eus |
eu |
Basque |
| bas |
|
Basa |
| bat |
|
Baltic (Other) |
| bej |
|
Beja |
| bel |
be |
Belarusian |
| bem |
|
Bemba |
| ben |
bn |
Bengali |
| ber |
|
Berber (Other) |
| bho |
|
Bhojpuri |
| bih |
bh |
| bik |
|
Bikol |
| bin |
|
Bini |
| bis |
bi |
Bislama |
| bla |
|
Siksika |
| bnt |
|
Bantu (Other) |
| tib/bod |
bo |
Tibetan |
| bos |
bs |
Bosnian |
| bra |
|
Braj |
| bre |
br |
Breton |
| btk |
|
Batak (Indonesia) |
| bua |
|
Buriat |
| bug |
|
Buginese |
| bul |
bg |
Bulgarian |
| bur/mya |
my |
Burmese |
| byn |
|
Blin; Bilin |
| cad |
|
Caddo |
| cai |
|
Central American Indian (Other) |
| car |
|
Carib |
| cat |
ca |
Catalan; Valencian |
| cau |
|
Caucasian (Other) |
| ceb |
|
Cebuano |
| cel |
|
Celtic (Other) |
| cze/ces |
cs |
Czech |
| cha |
ch |
Chamorro |
| chb |
|
Chibcha |
| che |
ce |
Chechen |
| chg |
|
Chagatai |
| chi/zho |
zh |
Chinese |
| chk |
|
Chuukese |
| chm |
|
Mari |
| chn |
|
Chinook jargon |
| cho |
|
Choctaw |
| chp |
|
Chipewyan |
| chr |
|
Cherokee |
| chu |
cu |
Church Slavic; Old Slavonic; Church Slavonic; Old Bulgarian; Old Church Slavonic |
| chv |
cv |
Chuvash |
| chy |
|
Cheyenne |
| cmc |
|
Chamic languages |
| cop |
|
Coptic |
| cor |
kw |
Cornish |
| cos |
co |
Corsican |
| cpe |
|
Creoles and pidgins, English based (Other) |
| cpf |
|
Creoles and pidgins, French-based (Other) |
| cpp |
|
Creoles and pidgins, Portuguese-based (Other) |
| cre |
cr |
Cree |
| crh |
|
Crimean Tatar; Crimean Turkish |
| crp |
|
Creoles and pidgins (Other) |
| csb |
|
Kashubian |
| cus |
|
Cushitic (Other) |
| wel/cym |
cy |
Welsh |
| cze/ces |
cs |
Czech |
| dak |
|
Dakota |
| dan |
da |
Danish |
| dar |
|
Dargwa |
| day |
|
Dayak |
| del |
|
Delaware |
| den |
|
Slave (Athapascan) |
| ger/deu |
de |
German |
| dgr |
|
Dogrib |
| din |
|
Dinka |
| div |
dv |
Divehi; Dhivehi; Maldivian |
| doi |
|
Dogri |
| dra |
|
Dravidian (Other) |
| dsb |
|
Lower Sorbian |
| dua |
|
Duala |
| dum |
|
Dutch, Middle (ca.1050-1350) |
| dut/nld |
nl |
Dutch; Flemish |
| dyu |
|
Dyula |
| dzo |
dz |
Dzongkha |
| efi |
|
Efik |
| egy |
|
Egyptian (Ancient) |
| eka |
|
Ekajuk |
| gre/ell |
el |
Greek, Modern (1453-) |
| elx |
|
Elamite |
| eng |
en |
English |
| enm |
|
English, Middle (1100-1500) |
| epo |
eo |
Esperanto |
| est |
et |
Estonian |
| baq/eus |
eu |
Basque |
| ewe |