【译】WebCodecs 说明

本文翻译至 WebCodecs Explainer (opens new window)

问题与动机

已有许多 Web API 在内部使用媒体编解码器来支持特定用途，比如:

• HTMLMediaElement and Media Source Extensions
• WebAudio (decodeAudioData)
• MediaRecorder
• WebRTC

但是还没有一种通用的方式来灵活地配置和使用这些媒体编解码器。因此，许多 Web 应用程序仍然选择 JavaScript 或 WebAssembly 来实现媒体编解码器，尽管存在劣势：

• 增加了网络消耗去下载浏览器中已有的编解码器
• 降低了性能
• 增加了功耗

它们这样做可能是因为当前开放的 Web API 在特定场景都存在难以克服的障碍:

• WebAudio 允许将媒体文件(以二进制缓冲区的形式)解码为 PCM，但它需要是一个有效且完整的媒体文件。它不支持数据流，不提供解码的进度信息。当然，也不支持解码视频，更不支持编码。
• MediaRecorder 允许对具有音频和视频轨道的 MediaStream 进行编码。可以粗略地控制一些参数(比特率、带编解码器字符串的 mimetype)，但它是非常高层次的。它不支持超过现实速度来快速编码；由于输出可能被缓冲，因此不适合低延迟编码。编码比特流被封装在一个容器中，这为需要自定义容器格式的使用场景增加了开销。许多事情不透明：数据不足时会发生什么，编码速度太慢而无法实时时会发生什么。它对于基础应用非常友好，但缺少许多功能。（译注：总结来说，这是一个高层次的 API，无法做到偏底层的精细控制）
• WebRTC PeerConnection 允许对网络 RTP 流进行编码和解码，并且与其他 WebRTC 和 MediaStream API 高度耦合，实际上无法用于其他用途。它也非常不透明，JavaScript 无法访问编码后的数据。（译注：WebRTC Insertable Stream 已支持访问编码后的数据）
• HTMLMediaElement 和 Media Source Extensions 允许在流式传输压缩数据的同时实时解码媒体。视频和音频输出几乎没有灵活性(可以通过 canvas 调整视频，但不是很高效)。对解码速度的控制方法很少，唯一的可能性是通过 playbackRate，但这会增加音频的频率。无法得到已解码新图像的通知，也无法决定提前解码多少。不能以设备极限的最快速度解码图像数据并对数据运行计算。编码比特流必须以特定的容器格式提供，这限制了非浏览器原生支持的视频容器格式的应用。

目标

为 Web 应用程序提供高效访问内置(软件和硬件)媒体编码器和解码器的途径，以编码和解码具有以下属性的媒体：

• 流式传输：能够对不是全部在内存中的数据流进行操作的能力(可能从网络、磁盘上读取)。
• 效率：能够利用用户代理、系统或主机上的可用硬件，使编解码过程更高效。限制垃圾量(在“垃圾回收”意义上)，将 GC 压力降到最低，避免 GC 带来的固有非确定性，允许编码和解码脱离主线程运行（译注：可在 WebWorker 中运行）。
• 组合性：与其他 Web API(如 Streams、WebTransport 和 WebAssembly)配合良好。
• 可恢复性：在出现问题时能够恢复的能力(网络不足、资源缺乏导致的帧下降等)。
• 灵活性：能够用于各种用例的能力(硬实时、软实时、非实时)，能在此之上实现类似 MSE 或 WebRTC 的功能，且能达到同等级别的功耗和延迟。
• 对称性：编码和解码具有相似的模式。

非目标

• 直接操作媒体容器的 API (封装/解封装)
• 在 JavaScript 或 WebAssembly 中实现编解码器

关键用例

• 极低延迟直播(< 3秒延迟)
• 云游戏
• 直播推流
• 非实时编码/解码/转码，例如本地音视频文件编辑
• 高级实时通信：
  • 端到端加密
  • 对缓冲行为的控制
  • 空间和时间可扩展性（译注：指能够控制或改变视频的分辨率、帧率等）
• 解码和编码图片
• 对多个输入媒体流重新编码，以便将许多编码媒体流合并为一个编码媒体流（译注：音视频常见的“合流”）。

提案的解决方案

WebCodecs 接口模仿了流行平台和软件编解码器的 API。这种 API 形态经过时间的验证，对于具有音视频开发者来说也很直观。

核心接口包括：

• EncodedAudioChunks and EncodedVideoChunks 包含指定格式的已编码字节数据.
• AudioFrame 包含解码后的音频数据。它可以通过 AudioWorklet (opens new window) 渲染为 AudioBuffer (opens new window)。(译注：音频帧 AudioFrame 对应的 API 实现为 AudioData)
• VideoFrame 包含解码后的视频数据。 它将提供一个 ImageBitmap (opens new window) 用于在 WebGL、Canvas 进行操作和渲染。它还能 访问 YUV 数据 (opens new window), 但是其设计目前尚未确定。
• AudioEncoder 编码 AudioFrames （音频帧）生成 EncodedAudioChunks.
• VideoEncoder 编码 VideoFrames（视频帧）生成 EncodedVideoChunks.
• AudioDecoder 解码 EncodedAudioChunks 生成 AudioFrames.
• VideoDecoder 解码 EncodedVideoChunks 生成 VideoFrames.

WebCodecs 还将定义了从 getUserMedia() 导入内容的机制。

• MediaStreamTrackProcessor (opens new window) 将音视频 MediaStreamTrack 转换为 ReadableStream<AudioFrame | VideoFrame>。

示例

可运行的 DEMO

请注意，下面概述的示例仅为了简洁起见而留下了几个未实现的方法。要获取完整的工作示例，请参阅：

• https://w3c.github.io/webcodecs/samples/ (opens new window)
• https://web.dev/webcodecs/ (opens new window)

(译注：省略了代码示例没有翻译，因为 WebCodecs API 已经在浏览器中实现，跟原先设计有一点点差异；如果你想了解真实可运行的示例代码，可参前面官方示例源码，或译者写的 WebAV 系列 (opens new window)文章)

详细的设计讨论

执行环境

编码器和解码器对象可在主线程和专用 Worker 上实例化。编解码器的输入和输出可以使用 postMessage() 在上下文之间传输。传输序列化将使用移动语义实现，并避免复制。

编码和解码操作的计算成本非常高。因此，用户代理必须与启动操作的 JavaScript 异步执行这些操作。编解码器的执行环境由用户代理定义。一些可能性包括：在内部线程池上顺序执行或并行执行，或在硬件加速单元（如 GPU）上执行。

用户代理应谨慎高效地处理昂贵的资源（如视频帧内容、GPU 资源句柄）。

编解码器配置

许多编解码器实现都是高度可配置的。WebCodecs 打算支持当今编解码器中可用的大多数配置选项，以有效地支持高级用例。

当编解码器状态不是“closed”时，编解码器可以随时重新配置。传递给 decode() 或 encode() 的块/帧 (Chunks/Frames) 将根据最近对 configure() 的调用进行解码/编码。

WebCodecs 定义了一组可与任何编解码器一起使用的配置参数。特定于编解码器的参数由编解码器在 https://www.w3.org/TR/webcodecs-codec-registry/ (opens new window) 中注册时定义。对特定设置的支持可能与具体实现有关。支持的配置可使用静态方法 isConfigSupported() 进行支持性检测。

考虑过的替代设计

Media Source Extensions (MSE)

MSE 已被广泛用于低延迟流媒体。 但也存在一些问题：

• 触发 "低延迟模式 "的方式是隐式的，没有标准化，也不是所有主要浏览器都支持。
• 应用程序必须绕过 MSE 默认的 "欠载（数据不足）时停止"行为
• 应用程序必须在将输入添加到缓冲区之前将其容器化
• 不需要历史记录的应用程序（云游戏）必须设法删除/禁用历史记录
• 应用程序无法轻松访问解码输出（用于渲染以外的用途，如转码）

所有这些问题都可以通过扩展 MSE API 来解决，以明确支持低延迟控制。但这只能解决解码方面的问题，而不能解决编码方面的问题。

与 WhatWG Streams 集成

早期的设计将编码器和解码器定义为 WhatWG 流规范中的 TrasformStreams。这是一个很有吸引力的模型；从概念上讲，编解码器是具有输入和输出流的转换器。但在 Streams 的基础上实现基本的编解码器控制（配置、刷新、重置）会导致设计复杂，我们无法向用户隐藏这种复杂性（更多详情此处 (opens new window)）。我们选择如上所述定义编解码器接口。用户可以根据需要将这些接口封装到 Streams 中。

未来的考虑

早期的提案将 AudioTrackWriter 和 VideoTrackWriter 定义为向 <video> 传输解码媒体以进行演示的一种方式。大多数潜在用户都表示他们更喜欢通过 Canvas 来管理演示，因此 <video> 演示 "目前已不再优先考虑。

未来的另一个想法是公开一个编解码器 "worklet"，用户可以在其中实现自己的编解码器，以便在现有的媒体管道中使用。例如，WASM 解码器可与现有的 MSE 和 <video> API 结合使用。

译注附录

• WebCodecs Explainer (opens new window)
• WebRTC Insertable Stream 初探与 WebRTC"管道化" (opens new window)
• WebAV 系列文章 (opens new window)
• WebAV (opens new window) 基于 WebCodecs 构建的音视频处理 SDK