FFmpeg中转场滤镜xfade的时间参数(duration和offset)与算法解读

xfade转场滤镜小科普

最近在研究音视频合成的相关功能，现已有两个视频剪辑。拼合成一个文件显然用concat可以完成，但是过渡生硬，而xfade滤镜可以很方便实现更加缓和的场景切换。

xfade滤镜在FFmpeg 4.3中才出现，因此低于此版本的FFmpeg都无法使用该滤镜。

在xfade转场滤镜中，有这么几个名词：A场、B场，持续时长和起始位置。
A场：按照时间顺序，转场前的画面叫做A场（下图中蓝色画面）；
B场：按照时间顺序，转场后的画面叫做B场（下图中青色画面）；
起始位置：offset，指转场效果在A场输入源的何处开始起作用，
持续时长：duration，指转场特效持续的时长。

举个例子：

      |<--offset
      |<--duration-->|
AAAAAAAAAAAAAAAAAAAAAA
      BBBBBBBBBBBBBBBBBBBBBBBBBBB

应用后的输出

      |<--duration-->|
AAAAAAABABABABABABABABBBBBBBBBBBB

关于时间的疑问

在官方FFmpeg官方文档中，关于的duration和offset的描述比较简单：

duration
Set cross fade duration in seconds. Default duration is 1 second.

offset
Set cross fade start relative to first input stream in seconds. Default offset is 0.

通过文档可知，这两个参数都是以“秒”为单位的。如果编程实现自动化生成带转场视频，秒级单位很显然不如毫秒更为方便（当然可以使用小数来精确到毫秒，但在程序中，某些时候整数处理要比小数处理容易）。那么参数有办法使用毫秒吗？

另外，转场后视频的精确时间如何计算？

查看源码

作为滤镜，xfade的源码所在位置：

https://github.com/FFmpeg/FFmpeg/blob/master/libavfilter/vf_xfade.c

来看下该滤镜的参数定义部分：

static const AVOption xfade_options[] = {
...
 { "duration", "set cross fade duration", OFFSET(duration), AV_OPT_TYPE_DURATION, {.i64=1000000}, 0, 60000000, FLAGS },
 { "offset",   "set cross fade start relative to first input stream", OFFSET(offset), AV_OPT_TYPE_DURATION, {.i64=0}, INT64_MIN, INT64_MAX, FLAGS },
...
};

可以看到，duration和offset参数的类型，都是AV_OPT_TYPE_DURATION，因此和其他滤镜中关于时间的参数一样，均支持形如：5s，300ms，2:28这样的格式。最终经过parseutils.c中的av_parse_time处理后，统一转换为64位的基于微秒(microsecond)的整数数据。

在视音频编码中，码流的时钟同步是通过pts(Presentation TimeStamps)来实现的。例如使用ffprobe命令查看码流信息：

"time_base": "1/12800",
"start_pts": 0,
"start_time": "0.000000",
"duration_ts": 269824,
"duration": "21.080000",

pts(start_pts，duration_ts)为64位整数类型。
对应的，在呈现时还有一个时间基(time_base)，表示一个pts展示的时长，单位：秒。
上面的例子如果将时间基取倒数，也可以解释为1秒钟会包含12800个pts。

因此可以得知：

duration(单位:秒) = duration_ts * time_base
21.08 = 269824 * 1 / 12800

由于不同码流可以采用自己不同的时间基。如何将输入的duration和offset精确对应到码流的某个时间点呢？
FFmpeg引入了一个系统的标准时间基，刚才讲到，处理时间相关的参数时，会统一转换为以微秒为单位的整数数据。
因此系统标准时间基为：AV_TIME_BASE_Q(在avutil.h中定义)，值为：1/1,000,000，即1秒钟包含一百万个pts。

那么时间到目标流的pts算法就是一个等比例缩放的关系（滤镜源码在config_output中使用了av_rescale_q）：

duration * AV_TIME_BASE_Q = target_pts * target_time_base

即:

target_pts = (duration * AV_TIME_BASE_Q) / target_time_base

在上述计算中，涉及到了除法。当除不尽时，最后结果将针对小数点后1位进行四舍五入，取整。

转场后视频的精确时间如何计算？

正常的例子

假设有如下两个文件:
video_a.mp4:

"time_base": "1/12800",
"start_pts": 0,
"start_time": "0.000000",
"duration_ts": 65024,
"duration": "5.080000"

video_b.mp4

"time_base": "1/12800",
"start_pts": 0,
"start_time": "0.000000",
"duration_ts": 197120,
"duration": "15.400000"

使用如下命令转场:

ffmpeg -i video_a.mp4 -i video_b.mp4 -filter_complex "[0:v][1:v]xfade=transition=fade:offset=5s:duration=80ms" -c copy trans.mp4

可以看到，输出视频的信息为：

"time_base": "1/12800",
"start_pts": 0,
"start_time": "0.000000",
"duration_ts": 261120,
"duration": "20.400000"

指定的offset为5s，转换为内部的微秒为 5,000,000，综合时间基等比例缩放到video_a的pts：

(5,000,000 * (1 / 1,000,000)) / (1 / 12800)

即offset映射到的pts为：64,000

此值小于video_a的duration_ts(即：65024)，说明滤镜将会被激活。
从offset开始，其实在A场景的底层，B场景已经开始播放了。

计算输出视频的总duration_ts时，由于B场景的时间基与A场景一致，因此直接累加B的duration_ts即可:

total_duration_ts = offset + b_duration_ts
                  = 64,000 + 197,120
                  = 261,120

可以看到，结果与上述生成的视频结果一致。

两个时间基不一样的场景如何转场

xfade滤镜在输出时，将会参考A场视频的时间基参数。若B场的时间基与A场不同，在计算合成后的视频长度时，
应当对B场的时间基进行统一化，映射到与A场景同样的时间基：

b_new_duration_ts = b_old_duration_ts * b_old_time_base / a_time_base

一些特殊例子

指定的offset超过了A场的总时长

当offset超过了A场的总时长时，xfade滤镜没有机会启用，因此经过此滤镜的输出流仍然是A场内容，B场内容将会被忽略。

指定的offset没有超过A场总时长

从offset开始算起，此时又有两种可能：
加上duration后，超过了A场的总时长和小于等于总时长；

无论是哪种情况，只要offset位于A场视频中，滤镜就会被激活。

offset+duration超过A场总时长

   |<--duration-->
AAAAAAAA
   BBBBBBBBBBBBBBBBB

特效的目标是明确的，就是A场转B场。
以淡出滤镜为例，就是将A场的全部像素RGBA数据中的Alpha通道从1降到0。
假设duration为2秒, 那么就是在这2秒中均匀地递减Alpha值，每一次减多少都是事先算好的。

因此在每一帧经过滤镜时，滤镜只是按照之前的规划对像素进行调整。
A场没有数据了，或者duration超过了，则自动将A场内容屏蔽掉。
视频总长度:

total_pts = a_offset_pts + b_duration_ts

offset+duration小于等于A场总时长

   |<--duration-->|
AAAAAAAAAAAAAAAAAAAAA
   BBBBBBBBBBBBBBBBB

这种情况下，滤镜已经完成了转场通能，超出部分会被截掉。
视频总长度:

total_pts = a_offset_pts + b_duration_ts