Пример точного извлечения фрагментов аудио с использованием AVFoundation

Проблема

Я ищу, чтобы извлечь образцы точных диапазонов аудио LPCM из аудиодорожек в видеофайлах. В настоящее время я ищу для этого, используя AVAssetReaderTrackOutput против AVAssetTrack, который доставлен из чтения AVURLAsset.

Несмотря на подготовку и обеспечение инициализации актива с использованием AVURLAssetPreferPreciseDurationAndTimingKey, установленного на YES, поиск точной позиции образца в активе кажется неточным.

NSDictionary *options = @{ AVURLAssetPreferPreciseDurationAndTimingKey : @(YES) };
_asset = [[AVURLAsset alloc] initWithURL:fileURL options:options];

Это проявляется, например, переменные битовые скорости AAC потоков. Хотя я знаю, что аудиопотоки VBR представляют собой накладные расходы на производительность при поиске точно, я готов заплатить это при условии, что мне доставлены точные образцы.

При использовании, например, Расширенные службы аудиофайлов и API-интерфейсы ExtAudioFileRef, я могу добиться выборочного поиска и извлечения звука. Аналогично с AVAudioFile, поскольку это строится поверх ExtAudioFileRef.

Однако проблема заключается в том, что я также хотел бы извлечь аудио из медиаконтейнеров, которые отвергают только аудиофайлы API, но которые поддерживаются в AVFoundation через AVURLAsset.

Метод

Примерный точный временной интервал для извлечения определяется с помощью CMTime и CMTimeRange и устанавливается на AVAssetReaderTrackOutput. Образцы затем итеративно извлекаются.

-(NSData *)readFromFrame:(SInt64)startFrame
      requestedFrameCount:(UInt32)frameCount
{
    NSUInteger expectedByteCount = frameCount * _bytesPerFrame;
    NSMutableData *data = [NSMutableData dataWithCapacity:expectedByteCount];

    //
    // Configure Output
    //

    NSDictionary *settings = @{ AVFormatIDKey               : @( kAudioFormatLinearPCM ),
                                AVLinearPCMIsNonInterleaved : @( NO ),
                                AVLinearPCMIsBigEndianKey   : @( NO ),
                                AVLinearPCMIsFloatKey       : @( YES ),
                                AVLinearPCMBitDepthKey      : @( 32 ),
                                AVNumberOfChannelsKey       : @( 2 ) };

    AVAssetReaderOutput *output = [[AVAssetReaderTrackOutput alloc] initWithTrack:_track outputSettings:settings];

    CMTime startTime    = CMTimeMake( startFrame, _sampleRate );
    CMTime durationTime = CMTimeMake( frameCount, _sampleRate );
    CMTimeRange range   = CMTimeRangeMake( startTime, durationTime );

    //
    // Configure Reader
    //

    NSError *error = nil;
    AVAssetReader *reader = [[AVAssetReader alloc] initWithAsset:_asset error:&error];

    if( !reader )
    {
        fprintf( stderr, "avf : failed to initialize reader\n" );
        fprintf( stderr, "avf : %s\n%s\n", error.localizedDescription.UTF8String, error.localizedFailureReason.UTF8String );
        exit( EXIT_FAILURE );
    }

    [reader addOutput:output];
    [reader setTimeRange:range];
    BOOL startOK = [reader startReading];

    NSAssert( startOK && reader.status == AVAssetReaderStatusReading, @"Ensure we've started reading." );

    NSAssert( _asset.providesPreciseDurationAndTiming, @"We expect the asset to provide accurate timing." );

    //
    // Start reading samples
    //

    CMSampleBufferRef sample = NULL;
    while(( sample = [output copyNextSampleBuffer] ))
    {
        CMTime presentationTime = CMSampleBufferGetPresentationTimeStamp( sample );
        if( data.length == 0 )
        {
            // First read - we should be at the expected presentation time requested.
            int32_t comparisonResult = CMTimeCompare( presentationTime, startTime );
            NSAssert( comparisonResult == 0, @"We expect sample accurate seeking" );
        }

        CMBlockBufferRef buffer = CMSampleBufferGetDataBuffer( sample );

        if( !buffer )
        {
            fprintf( stderr, "avf : failed to obtain buffer" );
            exit( EXIT_FAILURE );
        }

        size_t lengthAtOffset = 0;
        size_t totalLength = 0;
        char *bufferData = NULL;

        if( CMBlockBufferGetDataPointer( buffer, 0, &lengthAtOffset, &totalLength, &bufferData ) != kCMBlockBufferNoErr )
        {
            fprintf( stderr, "avf : failed to get sample\n" );
            exit( EXIT_FAILURE );
        }

        if( bufferData && lengthAtOffset )
        {
            [data appendBytes:bufferData length:lengthAtOffset];
        }

        CFRelease( sample );
    }

    NSAssert( reader.status == AVAssetReaderStatusCompleted, @"Completed reading" );

    [output release];
    [reader release];

    return [NSData dataWithData:data];
}

Примечания

Время представления, которое CMSampleBufferGetPresentationTimeStamp дает мне, похоже, соответствует тому, что я искал, но, поскольку это кажется неточным, у меня нет возможности исправить и выровнять полученные мной образцы.

Любые мысли о том, как это сделать?

Альтернативно, есть ли способ адаптировать AVAssetTrack для использования AVAudioFile или ExtAudioFile?

Можно ли получить доступ к звуковой дорожке через AudioFileOpenWithCallbacks?

Можно ли получить аудиопоток из видеоконтента другим способом в macOS?

Ответы

Ответ 1

Одной процедурой, которая работает, является использование AVAssetReader, чтобы прочитать сжатый AV файл в сочетании с AVAssetWriter, чтобы записать новый необработанный файл LPCM аудиокассет. Затем можно быстро индексировать этот новый файл PCM (или, если необходимо, массив с памятью), чтобы извлекать точные точные диапазоны, не вызывая аномалий размера декодирования VBR для каждого пакета или в зависимости от алгоритмов iOS CMTimeStamp за пределами одного элемента управления.

Это может быть не самая эффективная процедура времени или памяти, но она работает.

Ответ 2

Я написал еще один ответ, в котором я неправильно утверждал   AVAssetReader/AVAssetReaderTrackOutput не делали выборочных точных поисков, но они выглядят сломанными, когда звуковая дорожка встроена в файл фильма, поэтому вы обнаружили ошибку. Поздравляем!

Звуковая дорожка, сбрасываемая с помощью прохода через AVAssetExportSession, как указано в комментарии к ответу @hotpaw2, отлично работает, даже если вы ищете границы без пакетов (вы случайно искали границы пакетов, связанный файл имеет 1024 кадра на пакет - ищет границы пакетов, ваши различия больше не равны нулю, но они очень, очень маленькие/не слышно).

Я не нашел обходного пути, поэтому передумайте сбрасывать сжатый трек. Это дорого? Если вы действительно не хотите этого делать, вы можете сами декодировать необработанные пакеты, передав nil outputSettings: на ваш AVAssetReaderOutput и выполнив его вывод через AudioQueue или (желательно?) A AudioConverter до получить LPCM.

NB в этом последнем случае вам нужно будет обрабатывать округление до границ пакетов при поиске.