梁晴天

嗶哩嗶哩高級開發工程師

視頻合成能力的開發背景

想要開發一個具有視頻合成功能的應用，從原理層面和應用層面都有一定的復雜度。原理上，視頻合成需要應用使用各種算法對音視頻數據進行編解碼，并處理各類不同音視頻格式的封裝；應用上，視頻合成流程較長，需要對多個輸入文件進行并行處理，以實現視頻濾鏡、剪輯、拼接等功能，使用應用場景變得復雜。

視頻合成應用的代表是各類視頻剪輯軟件，過去主要以原生應用的形式存在。近年來隨著瀏覽器的接口和能力的不斷開放，逐漸也有了Web端視頻合成能力的解決思路和方案。

本文介紹的是一種基于FFmpeg + WebAssembly開發的視頻合成能力，與社區既有的方案相比，此方案通過JSON來描述視頻合成過程，可提高業務側使用的便利性和靈活性，對應更多視頻合成業務場景。

2023年上半年，基于AI進行內容創作的AIGC趨勢來襲。筆者所在的團隊負責B站的創作、投稿等業務，也在此期間參與了相關的AIGC創作工具類項目，并負責項目中的Web前端視頻合成能力的開發。

技術選型

如果需要在應用中引入音視頻相關能力，目前業界常見的方案之一是使用FFmpeg。FFmpeg是知名的音視頻綜合處理框架，使用C語言寫成，可提供音視頻的錄制、格式轉換、編輯合成、推流等多種功能。

而為了在瀏覽器中能夠使用FFmpeg，我們則需要WebAssembly + Emscripten這兩種技術：

• WebAssembly是瀏覽器可以運行的一種類匯編語言，常用于瀏覽器端上高性能運算的場景。匯編語言一般難以手寫，因此有了通過其他高級語言（C/C++, Go, Rust等）編譯到WebAssembly的方案。
• Emscripten則是一個適用于C/C++項目的編譯工具包，我們可以用它來將C/C++項目編譯成WebAssembly，并移植到瀏覽器中運行。WebAssembly + Emscripten兩者構筑了C語言項目在瀏覽器中運行的環境。再加上FFmpeg模塊提供的實際的音視頻處理能力，理論上我們就可以在瀏覽器中進行視頻合成了。

編譯FFmpeg至WebAssembly

想要通過Emscripten將FFmpeg編譯至WebAssembly，需要使用Emscripten。Emscripten本身是一系列編譯工具的合稱，它仿照gcc中的編譯器、鏈接器、匯編器等程序的分類方式，實現了處理wasm32對象文件的對應工具，例如emcc用于編譯到wasm32、wasm-ld用于鏈接wasm32格式的對象文件等。

而對于FFmpeg這個大型項目來說，其模塊主要分為以下三個部分

• libav系列庫，是構成FFmpeg本身的重要組成部分。提供了用于音視頻處理的大量函數，涵蓋格式封裝、編解碼、濾鏡、工具函數等多方面
• 第三方庫，指的是并非FFmpeg原生提供，需要在編譯FFmpeg時，通過編譯配置來選擇性添加的模塊。包括第三方的格式、編解碼、協議、硬件加速能力等
• fftools，FFmpeg提供的三個可執行程序，提供命令行參數界面，使得音視頻相關功能的使用更加方便。三個可執行程序分別用于音視頻合成、音視頻播放、音視頻文件元信息提取。因此在編譯FFmpeg至WebAssembly時，我們需要按照“優先庫，最終可執行程序”的順序，首先將libav系列庫和第三方庫編譯至wasm32對象文件，最后再編譯可執行程序至wasm32對象文件，并與前面的產物鏈接為完整的FFmpeg WebAssembly版。

自行編譯FFmpeg到WebAsssembly難度較大，我們在實際在為項目落地時，選擇了社區維護的版本。目前社區內維護比較積極，功能相對全面的是ffmpeg.wasm（https://github.com/ffmpegwasm/ffmpeg.wasm）項目。該項目作者也提供了如何自行編譯FFmpeg到WebAssembly的系列博文（https://itnext.io/build-ffmpeg-webassembly-version-ffmpeg-js-part-1-preparation-ed12bf4c8fac）

FFmpeg在瀏覽器的運行

FFmpeg本身是一個可執行命令行程序。我們可以通過為FFmpeg程序輸入不同的參數，來完成各類不同的視頻合成任務。例如在終端中輸入以下命令，則可以將視頻縮放至原來一半大小，并且只保留前5秒：

ffmpeg -i input.mp4 -vf scale=w='0.5*iw':h='0.5*ih' -t 5 output.mp4

圖片

而在瀏覽器中，FFmpeg以及視頻合成的運行機制如上所示：在業務層，我們為視頻合成準備好需要的FFmpeg命令以及若干個輸入文件，將其預加載到Emscripten模塊的MEMFS（一種虛擬文件系統）中，并同時傳遞命令至Emscripten模塊，最后通過Emscripten的膠水代碼驅動WebAssembly進行邏輯計算。視頻合成的輸出視頻會在MEMFS中逐步寫入完成，最終可以被取回到業務層

對FFmpeg命令行界面進行封裝

上面的例子中，我們為FFmpeg輸入了一個視頻文件，以及一串命令行參數，實現了對視頻的簡單縮放加截斷操作。實際情況下，業務側產生的視頻合成需求可能是千變萬化的，這樣直接調用FFmpeg的方式，會導致業務層需要處理大量代碼處理命令行字符串的構建、組合邏輯，就顯得不合適宜。同時，我們在項目實踐的過程中發現，由于項目需要接入 WebCodecs 和 FFmpeg 兩種視頻合成能力，這就需要一個中間層，從上層接收業務層表達的視頻合成意圖，并傳遞到下層的WebCodecs 或 FFmpeg 進行具體的視頻合成邏輯的“翻譯”和執行。

API設計

圖片

如上所示，描述一個視頻合成任務，可以采用類似“基于時間軸的視頻合成工程文件”的方式：在視頻剪輯軟件中，用戶通過可視化的操作界面導入素材，向軌道上拖入素材成為片段，為每個片段設置位移、寬高、不透明度、特效等屬性；同理，對于我們的項目來說，業務方自行準備素材資源，并按一定的結構搭建描述視頻合成工程的對象樹，然后調用中間層的方法執行合成任務。

分層設計

圖片

以上是我們最終形成的一個分層結構：

• 業務方代碼使用一個JSON對象來描述自己的視頻合成意圖。為了方便業務方使用，這一層允許大量使用默認值，無需過多配置；
• 狀態層是一個對象樹，將視頻的全局屬性、片段的屬性等狀態補齊，方便后續的翻譯；同時，這一層的各個對象都支持讀寫，未來可以用于可視化視頻編輯器的場景等；
• 執行層負責FFmpeg命令的翻譯和執行邏輯。如果狀態層抽象得當，則這個執行層也可以被WebCodecs的翻譯和執行模塊替換

執行流程

以上是我們最終實現的FFmpeg前端視頻合成能力，各個模塊在運行時的相互調用時序圖。各個模塊之間并不是簡單地按順序層層向下調用，再層層向上返回。有以下這些點值得注意

狀態樹，是JSON + 文件元信息綜合生成的

例如，業務方想要把一個寬高未知的視頻片段，放置在最終合成視頻（假設為1280x720）的正中央時，我們需要將視頻片段的transform.left設置為(1280 - videoWidth) / 2，transform.top 設置為 (720 - videoHeight) / 2。這里的videoWidth, videoHeight就需要通過FFmpeg讀取文件元信息得到。因此我們設計的流程中，需要對所有輸入的資源文件進行預加載，再生成狀態樹。

輸出結果多樣化

實踐過程中我們發現，業務方在使用FFmpeg能力時，至少需要使用以下三種不同的形式的輸出結果：

• 事件回調：例如業務方所需的合成進度、合成開始、合成結束等
• 合成結果的二進制文件：合成結束時異步返回
• 日志結果：例如獲取文件元信息，獲取音頻的平均音量等操作，FFmpeg的輸出都是以log的形式

因此我們為執行層的輸出設計了這樣的統一接口

export interface RunTaskResult {
  /** 日志樹結果 */
  log: LogNode
  /** 二進制文件結果 */
  output: Uint8Array
}
 
function runProject(json: ProjectJson): {
  /** 事件結果 */
  evt: EventEmitter<RunProjectEvents, any>;
  result: Promise<RunTaskResult>;
}

部分代碼實現

執行主流程

runProject 函數是我們對外提供的視頻合成的主函數。包含了“對輸入JSON進行校驗，補全、預加載文件并獲取文件元信息、預加載字幕相關文件、翻譯FFmpeg命令、執行、emit事件”等多種邏輯。

/**
 * 按照projectJson執行視頻合成
 * @public
 * @param json - 一個視頻合成工程的描述JSON
 * @returns 一個evt對象，用以獲取合成進度，以及異步返回的視頻合成結果數據
 */
export function runProject(json: ProjectJson) {
  const evt = new EventEmitter<RunProjectEvents>()
  const steps = async () => {
    // hack 這里需要加入一個異步，使得最早在evt上emit的事件可以被evt.on所設置的回調函數監聽到
    await Promise.resolve()
    const parsedJson = ProjectSchema.parse(json) // 使用json schema驗證并補全一些默認值
    // 預加載并獲取文件元信息
    evt.emit('preload_all_start')
    const preloadedClips = [
      ...await preloadAllResourceClips(parsedJson, evt),
      ...await preloadAllTextClips(parsedJson)
    ]
    // 預加載字幕相關信息
    const subtitleInfo = await preloadSubtitle(parsedJson, evt)
    evt.emit('preload_all_end')
    // 生成project對象樹
    const projectObj = initProject(parsedJson, preloadedClips)
    // 生成ffmpeg命令
    const { fsOutputPath, fsInputs, args } = parseProject(projectObj, parsedJson, preloadedClips, subtitleInfo)
    if (subtitleInfo.hasSubtitle) {
      fsInputs.push(subtitleInfo.srtInfo!, subtitleInfo.fontInfo!)
    }
    // 在ffmpeg任務隊列里執行
    const task: FFmpegTask = {
      fsOutputPath,
      fsInputs,
      args
    }
    // 處理進度事件
    task.logHandler = (log) => {
      const p = getProgressFromLog(log, project.timeline.end)
      if (p !== undefined) {
        evt.emit('progress', p)
      }
    }
    evt.emit('start')
    // 返回執行日志，最終合成文件，事件等多種形式的結果
    const res = runInQueue(task)
    await res
    evt.emit('end')
    return res
  }
 
  return {
    evt,
    result: steps()
  }
}

翻譯流程

FFmpeg命令的翻譯流程，對應的是上述runProject方法中的parseProject，是在所有的上下文（視頻合成描述JSON對象，狀態樹文件預加載后的元信息等）都齊備的情況下執行的。本身是一段很長，且下游較深的同步執行代碼。這里用偽代碼描述一下parseProject的過程

1. 實例化一個命令行參數操作對象ctx，此對象用于表達命令行參數的結構，可以設置有哪些輸入（多個）和哪些輸出（一個），并提供一些簡便的方法用以操作filtergraph
2. 初始化一個視頻流的空數組layers（這里指廣義的視頻流，只要是有圖像信息的輸入流（例如視頻、占一定時長的圖片、文字片段轉成的圖片），都算作視頻流）；初始化一個音頻流的空數組audios
3. （作為最終合成的視頻或音頻內容的基底）在layers中加入一個顏色為project.backgroundColor, 大小為project.size，時長為無限長的純色的視頻流；在audios中加入一個無聲的，時長為無限長的靜音音頻流
4. 對于每一個project中的片段
    1. 將片段中所包含的資源的url添加到ctx的輸入數組中
    2. （從所有已預加載的文件元信息中）找到這個片段對應的元信息（寬高、時長等）
    3. （處理片段本身的截取、寬高、旋轉、不透明度、動畫等的處理）基于此片段的JSON定義和預加載信息，翻譯成一組作用于該片段的FFmpeg filters，并且這一組filters之間需要相互串聯，filters頭部連接到此片段的輸入流。得到片段對應的中間流。
    4. 獲取到的中間流，如果是廣義的視頻流的，推入layers數組；如果是廣義的音頻流的，推入audios數組
5. 視頻流layers數組做一個類似reduce的操作，按照畫面中內容疊放的順序，從最底層到最頂層，逐個合并流，得到單個視頻流作為最終視頻輸出流。
6. 音頻流audios數組進行混音，得到單個音頻流作為最終輸出流。
7. 調用ctx的toString方法，此方法是會將整個命令行參數結構輸出為string。ctx下屬的各類對象(Input, Option, FilterGraph)都有自己的toString方法，它們會依次層層toString，最終形成整體的ffmpeg命令行參數

動畫能力

適當的元素動畫有助提高視頻的畫面豐富度，我們實現的視頻合成能力中，也對元素動畫能力進行了初步支持。

 業務端如何配置動畫

在視頻剪輯軟件中，為元素配置動畫主要是基于關鍵幀模型，典型操作步驟如下：

• 選中畫布中的一個元素后
• 在時間軸上為元素的某一屬性添加若干個關鍵幀
• 在每個關鍵幀上，為該屬性設置不同的值。例如將位于第1秒的關鍵幀的x方向位移設置為0，將位于第5秒的關鍵幀的x方向位移設置為100
• 軟件會自動將1-5秒的動畫過程補幀出來，預覽播放（以及最后合成的結果中）就可以看到元素從第1秒到第5秒向下平移的效果。而在前端開發中，通過CSS的@keyframes所聲明的動畫，也與上述關鍵幀模型吻合。除此之外，在CSS動畫標準中，我們還需要附加以下這些信息，才能將一段關鍵幀動畫應用到元素上
• delay延遲（動畫在元素出現后，延遲多少時間再開始播放）
• iterationCount（動畫需要重復播放多少次）
• duration（在單次重復播放內，動畫所占總時長）
• timingFunction（動畫的補幀方式。線性方式實現簡單但關鍵幀之間的過渡生硬，因此一般會采用“ease-in-out”等帶有緩進緩出的非線性方式）。除此之外還有direction, fillMode等配置，這些并未在我們的視頻合成能力中實現，故不再贅述。

在視頻合成描述JSON中，我們參照了CSS動畫聲明進行了以下設計，來滿足元素動畫的配置

• 為片段了定義了 x, y, w, h, angle, opacity這六種可配置的屬性（涵蓋了位移、縮放、旋轉、不透明度等）
• 對于需要靜態配置的屬性，在static字段的子字段中配置
• 對于需要動畫配置的屬性，在animation字段的子字段中逐個關鍵幀進行配置
• animation字段同時可以進行duration, delay等動畫附加信息的配置

以下是元素動畫配置的例子

// 視頻片段bg.mp4，在畫面的100,100處出現，并伴隨有閃爍（不透明度從0到1再到0）的動畫，動畫延遲1秒，時長5秒
{
  "type": "video",
  "url": "/bg.mp4",
  "static": {
    "x": 100,
    "y": 100
  },
  "animation": {
    "properties": {
      "delay": 1,
      "duration": 5
    },
    "keyframes": {
      "0": {
        "opacity": 0
      },
      "50": {
        "opacity": 1
      },
      "100": {
        "opacity": 0
      }
    }
  }
}

FFmpeg合成添加動畫效果的原理

動畫效果的本質是一定時間內，元素的某個狀態逐幀連續變化。而FFmpeg的視頻合成的實際操作都是由filter完成的，所以想要在FFmpeg視頻合成中添加動畫，則需要視頻類的filter支持按視頻的當前時間，逐幀動態設置filter的參數值。

以overlay filter為例，此filter可以將兩個視頻層疊在一起，并設置位于頂層的視頻相對位置。如果無需設置動畫時，我們可以將參數寫成overlay=x=100:y=100表示將頂層視頻放置在距離底層視頻左上角100,100的位置。

需要設置動畫時，我們也可以設置x, y為包含了t變量（當前時間）的表達式。例如overlay=x=t*100:y=t*100，可以用來表達頂層視頻從左上到右下的位移動畫，逐幀計算可知第0秒坐標為0,0，第1秒時坐標為100,100，以此類推。

像overlay=x=expr:y=expr這樣的，expr的部分被稱為FFmpeg的表達式，它也可以看成是以時間（以及其他一些可用的變量）作為輸入，以filter的屬性值作為輸出的函數。表達式中除了可以使用實數、t變量、各類算術運算符之外，還可以使用很多內置函數，具體可參考FFmpeg文檔中對于表達式取值的說明（https://ffmpeg.org/ffmpeg-utils.html#Expression-Evaluation）

常見動畫模式的表達式總結

由于表達式的本質是函數，我們在把動畫翻譯成FFmpeg表達式時，可以先繪制動畫的函數圖像，然后再從FFmpeg表達式的可用變量、內置函數、運算符中，進行適當組合來還原函數圖像。下面是一些常見的動畫模式的FFmpeg表達式對應實現

動畫的分段

假設對于某元素，我們設置了一個向上彈跳一次的動畫，此動畫有一定延遲，并且只循環一次，動畫已結束后又過了一段時間，元素再消失。則此元素的y屬性函數圖像及其公式可能如下

圖片

圖片

通過以上函數圖像我們可知，此類函數無法通過一個單一部分表達出來。在FFmpeg表達式中，我們需要將三個子表達式，按條件組合到一個大表達式中。對于分段的函數，我們可以使用FFmpeg自帶的if(x,y,z)函數（類似腳本語言中的三元表達式）來等價模擬，將條件判斷/then分支/else分支 這三個子表達式 分別傳入并組合到一起。對于分支有兩個以上的情況，則在else分支處再嵌入新的if(x,y,z)即可。

# 實際在生成表達式時，所有的換行和空格可以省略
y=
if(
  lt(t,2),  # lt函數相當于<操作符
  1,
  if(
    lt(t,4),
    sin(-PI*t/2)+1,
    1
  )
)

我們可以實現一個遞歸函數nestedIfElse，來將N個條件判斷表達式和N+1個分支表達式組合起來，成為一個大的FFmpeg表達式，用于分段動畫的場景

function nestedIfElse(branches: string[], predicates: string[]) {
  // 如果只有一個邏輯分支，則返回此分支的表達式
  if (branches.length === 1) {
    return branches[0]
  // 如果有兩個邏輯分支，則只有一個條件判斷表達式，使用if(x,y,z)組合在一些即可
  } else if (branches.length === 2) {
    const predicate = predicates[0]
    const [ifBranch, elseBranch] = branches
    return `if(${predicate},${ifBranch},${elseBranch})`
  // 遞歸case
  } else {
    const predicate = predicates.shift()
    const ifBranch = branches.shift()
    const elseBranch = nestedIfElse(branches, predicates) as string
    return `if(${predicate},${ifBranch},${elseBranch})`
  }
}

線性和非線性補幀

補幀是將關鍵幀間的空白填補，并連接為動畫的基本方式。被補出來的每一幀中，對應的屬性值需要使用插值函數進行計算。

對于線性插值，FFmpeg自帶了lerp(x,y,z)函數，表示從x開始到y結束，按z的比例（z為0到1的比值）線性插值的結果。因此我們可以結合上面的if(x,y,z)函數的分段功能，實現一個多關鍵幀的線性補幀動畫。例如，某屬性有兩個關鍵幀，在t1時屬性值為a，在t2時屬性值為b，則補幀表達式為

圖片

對于非線性補幀，我們可以將其理解為在上述線性補幀公式的基礎上，將lerp(x,y,z)函數的z參數（進度的比例）再進行一次變換，使得動畫的行進變得不均勻即可。以下公式中的t'代表了一種典型的緩慢開始和緩慢結束的緩動函數(timing function)，將其代入原公式即可

圖片

（圖中展示了從左下角的關鍵幀到右上角的關鍵幀的線性/非線性 補幀的函數圖像）

以下是對應的代碼實現

// 假設有關鍵幀(t1, v1)和(t2, v2)，返回這兩個關鍵幀之間的非線性補幀表達式
function easeInOut(
  t1: number, v1: number,
  t2: number, v2: number
) {
  const t = `t-${t1})/(${t2-t1})`
  const tp = `if(lt(${t},0.5),4*pow(${t},3),1-pow(-2*${t}+2,3)/2)`
  return `lerp(${v1},${v2},${tp})`
}

循環

如果我們需要表達一個帶有循環的動畫，最直接的方式是將某個時段上的映射關系，復制并平移到其他的時段上。例如，想要實現一個從畫面左側平移至右側的動畫，重復多次時，我們可能使用下面這樣的函數

圖片

以上使用分段函數的寫法的問題在于，如果循環次數過多時，函數的分支較多，產生的表達式很長，也會影響在視頻合成時對表達式求值的性能。

事實上，我們可以引入FFmpeg表達式中自帶的mod(x,y)函數（取余操作）來實現循環。由于取余操作常用來生成一個固定范圍內的輸出，例如不斷重復播放的過程。上面的函數，在引入mod(x,y)后，可以簡化為 x=mod(t,1)。

上述對于動畫分段、循環、補幀如何實現的問題，其共通點都是如何找到其對應函數，并在FFmpeg中翻譯為對應的表達式，或者對已有表達式進行組合。

據此，我們實現了KFAttr（關鍵幀屬性，用以封裝關鍵幀和動畫全局配置等信息）和TimeExpr（以KFAttr作為入參，并翻譯為FFmpeg表達式）兩個類。其中，TimeExpr的整體算法大致如下：

1.將動畫分成前，中，后三部分。前半部分是由于delay配置導致的，元素已出現但動畫還未開始的靜止部分；中間部分是動畫的主體部分；后半部分是由于動畫重復次數較少，元素未消失但動畫已結束的靜止部分

2.對于前半部分，表達式設置為等于關鍵幀中第一幀的值；對于后半部分，表達式設置為等于關鍵幀中最后一值的值

3.對于中間部分  

• 3.1 將keyframes中聲明的每個關鍵幀點（某個百分比及其對應值），結合動畫的duration配置，縮放為新的關鍵幀點（某個時間點及其對應值）  
• 3.2 根據上述關鍵幀，獲取predicates數組（也就是動畫中間部分，進入每一個分支的條件表達式，例如t<2, t<5 等）
• 3.3 根據上述關鍵幀，獲取branches數組（也就是動畫中間部分，每一個分支本身的表達式）。每一個branch聲明了一個關鍵幀到下一個關鍵幀的連接，也就是補幀表達式  
• 3.4 使用nestedIfElse(branches, predicates)組合出中間部分的表達式

4.再次使用nestedIfElse，將前、中、后三部分組合成最終的表達式

瀏覽器里視頻合成的內存不足問題

在項目實踐的過程中，我們發現瀏覽器中通過ffmpeg.wasm進行視頻合成時，有一定機率出現內存不足的現象。表現為以下Emscripten的運行時報錯（OOM為Out of memory的縮寫）

exception thrown: RuntimeError: abort (00M). Build with -s ASSERTIONS=1 for more info.RuntimeError: abort (00M). Build with -s ASSERTIONS=1 for more info.

分析后我們認為，內存不足的問題主要是由于以下這些因素導致的

• 視頻合成本身是開銷很大的計算過程，這是由于音視頻文件往往都有著很高的壓縮率，在合成時，音視頻文件被解碼成未壓縮的數據，占用了大量內存
• 和原生環境相比，瀏覽器中的應用會額外受到單個標簽頁可使用的最大內存的限制。例如在64位系統的Chrome中，一個標簽頁最多可使用的內存大小為4GB
• 瀏覽器沙盒機制，不允許Web應用直接讀寫客戶端本地文件。而Emscripten為了使得移植的C/C++項目仍能夠擁有原來的文件讀寫的能力，實現了一個MEMFS的虛擬文件系統。將文件預加載到內存中，把對磁盤的讀寫轉換為對內存的讀寫。這部分文件的讀寫也占用了一定的內存。在瀏覽器中運行視頻合成時，還會額外受到瀏覽器對于單個標簽頁可使用的最大內存的限制（在64位的Chrome中，最多可為一個標簽頁分配4G內存）

為了應對以上問題，在實踐中，我們采取了以下這些策略，來減少內存不足導致的合成失敗率：

視頻合成的嚴格串行執行

視頻合成的過程出現了并發時，會加劇內存不足現象的產生。因此我們在runProject以及其他FFmpeg執行方法背后實現了一個統一的任務隊列，確保一個任務在執行完成后再進行下一個任務，并且在下一個任務開始執行前，重啟ffmpeg.wasm的運行時，實現內存垃圾回收。

時間分段，多次合成

實踐中我們發現，如果一個FFmpeg命令中輸入的音視頻素材文件過多時，即使這些素材在時間線上都重疊（也就是某一時間點上，所有的素材視頻畫面都需要出現在最終畫面中）的情況很少，也會大大提高內存不足的概率。

我們采取了對視頻合成的結果進行時間分段的策略。根據每個片段在時間軸上的分布情況，將整個視頻合成的FFmpeg任務，拆分成多個規模更小的FFmpeg任務。每個任務僅需要2-3個輸入文件（常規的視頻合成需求中，同屏同時播放的視頻最多也在3個左右），各任務單獨進行視頻合成，最后再使用FFmpeg的concat功能，將視頻前后相接即可。

減少重編碼的場景

視頻合成的重編碼（解碼輸入文件，操作數據并再編碼），會消耗大量的CPU和內存資源。而視頻和音頻的前后拼接操作，則無需重編碼，可以在非常短的時間內完成。

對于不太復雜的視頻合成場景，往往并不是畫面的每一幀都需要重新編碼再輸出的。我們可以分析視頻合成的時間軸，找出不需要重編碼的時間段（指的是此時畫面內容僅來自一個輸入文件，并且沒有縮放旋轉等濾鏡效果，沒有其他層疊的內容的時間段）。對這些時間段，我們通過FFmpeg的流拷貝功能截取出來（通過-vcodec copy命令行參數實現）即可，這樣進一步減少了CPU和內存的消耗。

在視頻中添加文字的實踐

在視頻中添加文字是視頻合成的常見需求，這類需求可以大致分為兩種情況：少量的樣式復雜的藝術字，大量的字幕文字。

FFmpeg自帶的filters中提供了以下的文字繪制能力，包括：

• subtitles，配合srt格式的字幕文件。適合大量添加字幕，對樣式定制化不高的場景
• drawtext，繪制單條文字，并進行一些簡單的樣式配置。如果不使用filters，由于我們是在瀏覽器作為上層環境使用FFmpeg的，此時也可以使用DOM API提供的一些文字轉圖片的技術（例如直接使用Canvas API的fillText繪制文字，或者使用SVG的foreignObject對包含文字的html文檔進行圖片轉換等），把文字當作圖片文件進行處理。

最初在支持視頻合成方案的文字能力時，我們選擇了后者的文字轉圖片技術，基本滿足了業務需求。這一做法的優勢在于：復用DOM的文字渲染能力，繪制效果好并且支持的文字樣式豐富；并且由于轉換為圖片處理，可以讓文字直接支持縮放、旋轉、動畫等許多已經在圖片上實現的能力。

但正如上面提到的“為FFmpeg的命令一次性輸入過多的文件容易引起OOM”的問題，文字轉為圖片后，視頻合成時需要額外導入的圖片輸入文件也增加了。這也促使我們開始關注FFmpeg自帶的文字渲染能力。

FFmpeg自帶subtitles, drawtext等文字渲染能力，底層都使用了C語言的字體字符庫（包括freetype字體光柵化，harfbuzz文字塑形，fribidi雙向編碼等），在每一幀編碼前的filter階段，將字符按指定的字體和樣式即時繪制成位圖，并與當前的framebuffer混合來實現的。這種做法會耗費更多的計算資源，但同時因為不需要緩存或文件，使用的內存更少。因此我們對于制作字幕這樣需要大量添加固定樣式的文字的場景，提供了相應的JSON配置，并在底層使用FFmpeg的subtitles filter進行繪制，避免了OOM的問題。

基于瀏覽器和FFmpeg本身的現有能力，在視頻中添加文字的方案還可以有更多探索的可能。例如可以“使用SVG來聲明文字的內容和樣式，并在FFmpeg側進行渲染”來實現。SVG方案的優點在于：文字的樣式控制能力強；可以隨意添加任意的文字的前景、背景矢量圖形；與位圖相比占用資源少等。后續在進行自編譯的FFmpeg WebAssembly版相關調研時，會嘗試支持。

后續迭代

通過 Emscripten 移植到瀏覽器運行的 FFmpeg，在性能上與原生FFmpeg有很大差距，大體原因在于瀏覽器作為中間環境，其現有的API能力不足，以及一些安全政策的限制，導致 FFmpeg 對于硬件能力的利用受限。隨著瀏覽器能力和API的逐步演進，FFmpeg + WebAssembly 的編譯、運行方式都可以與時俱進，以達到提高性能的目的。目前可以預見的一些優化點有：

• 文件IO方面，接入瀏覽器的OPFS（https://developer.mozilla.org/en-US/docs/Web/API/File_System_Access_API#origin_private_file_system）。這是瀏覽器中訪問文件系統的一種新API，有較高的讀寫性能。未來有可能被Emscripten實現，以替換掉當前默認的MEMFS
• 并行計算方面，考慮使用WebAssembly SIMD（https://v8.dev/features/simd）。SIMD可以更充分地使用CPU進行并行計算。對于圖像處理較多的編碼場景（例如x264編碼器），適當地使用WebAssembly的SIMD來優化代碼有助于提高編碼性能
• 圖像處理方面，嘗試使用WebGL優化。WebGL為瀏覽器提供了基于顯卡的并行計算的能力，特別適合對視頻摳像、濾鏡、轉場等應用場景進行加速。