Einführung
Media Source Extensions (MSE) bieten erweiterte Zwischenspeicherung und Wiedergabesteuerung für die HTML5-Elemente <audio> und <video>. Ursprünglich wurden sie entwickelt, um Videoplayer auf Basis von Dynamic Adaptive Streaming over HTTP (DASH) zu ermöglichen. Im Folgenden wird jedoch gezeigt, wie sie für Audio verwendet werden können, insbesondere für die lückenlose Wiedergabe.
Sie haben wahrscheinlich schon einmal ein Musikalbum gehört, bei dem die Songs nahtlos ineinander übergingen. Vielleicht hören Sie gerade sogar eines. Künstler erstellen diese lückenlose Wiedergabe sowohl als künstlerische Entscheidung als auch als Artefakt von Schallplatten und CDs, bei denen Audio als ein kontinuierlicher Stream geschrieben wurde. Leider geht dieses nahtlose Hörerlebnis heute aufgrund der Funktionsweise moderner Audiocodecs wie MP3 und AAC oft verloren.
Die Gründe dafür werden wir weiter unten genauer erläutern. Beginnen wir aber erst einmal mit einer Demonstration. Unten sehen Sie die ersten 30 Sekunden des hervorragenden Films Sintel, der in fünf separate MP3-Dateien aufgeteilt und mit MSE wieder zusammengesetzt wurde. Die roten Linien weisen auf Lücken hin, die beim Erstellen (Codieren) der einzelnen MP3-Dateien entstanden sind. An diesen Stellen sind Störungen zu hören.
Igitt! Das ist keine gute Nutzererfahrung. Wir können das besser machen. Mit ein wenig mehr Aufwand können wir mit MSE die lästigen Lücken entfernen, indem wir genau dieselben MP3-Dateien wie in der obigen Demo verwenden. Die grünen Linien in der nächsten Demo zeigen, wo die Dateien zusammengefügt und die Lücken entfernt wurden. In Chrome 38 und höher wird die Wiedergabe nahtlos fortgesetzt.
Es gibt verschiedene Möglichkeiten, lückenlose Inhalte zu erstellen. In dieser Demo konzentrieren wir uns auf die Art von Dateien, die ein normaler Nutzer möglicherweise hat. Dabei wurde jede Datei separat codiert, ohne die Audiosegmente davor oder danach zu berücksichtigen.
Grundlegende Einrichtung
Zuerst sehen wir uns die grundlegende Einrichtung einer MediaSource-Instanz an.
Media Source Extensions sind, wie der Name schon sagt, nur Erweiterungen der vorhandenen Medienelemente. Im Folgenden weisen wir dem Quellattribut eines Audioelements eine Object URL zu, die unsere MediaSource-Instanz darstellt, so wie Sie eine Standard-URL festlegen würden.
var audio = document.createElement('audio');
var mediaSource = new MediaSource();
var SEGMENTS = 5;
mediaSource.addEventListener('sourceopen', function () {
var sourceBuffer = mediaSource.addSourceBuffer('audio/mpeg');
function onAudioLoaded(data, index) {
// Append the ArrayBuffer data into our new SourceBuffer.
sourceBuffer.appendBuffer(data);
}
// Retrieve an audio segment via XHR. For simplicity, we're retrieving the
// entire segment at once, but we could also retrieve it in chunks and append
// each chunk separately. MSE will take care of assembling the pieces.
GET('sintel/sintel_0.mp3', function (data) {
onAudioLoaded(data, 0);
});
});
audio.src = URL.createObjectURL(mediaSource);
Sobald das MediaSource-Objekt verbunden ist, wird es initialisiert und schließlich ein sourceopen-Ereignis ausgelöst. An diesem Punkt können wir ein SourceBuffer erstellen. Im obigen Beispiel erstellen wir einen audio/mpeg-Decoder, der unsere MP3-Segmente parsen und decodieren kann. Es sind mehrere andere Typen verfügbar.
Anomale Wellenformen
Wir kommen gleich auf den Code zurück, aber sehen wir uns zuerst die Datei, die wir gerade angehängt haben, genauer an, insbesondere das Ende. Unten sehen Sie ein Diagramm der letzten 3.000 Stichproben, gemittelt über beide Kanäle des Tracks sintel_0.mp3. Jedes Pixel auf der roten Linie ist ein Gleitkomma-Sample im Bereich von [-1.0, 1.0].

Was hat es mit den ganzen Null-Samples (Stille) auf sich? Sie sind auf Komprimierungsartefakte zurückzuführen, die während der Codierung entstehen. Fast jeder Encoder führt eine Art von Padding ein. In diesem Fall hat LAME genau 576 Padding-Samples am Ende der Datei hinzugefügt.
Zusätzlich zum Padding am Ende wurde jeder Datei auch Padding am Anfang hinzugefügt. Wenn wir uns den sintel_1.mp3-Track ansehen, sehen wir, dass am Anfang weitere 576 Padding-Samples vorhanden sind. Die Menge des Paddings variiert je nach Encoder und Inhalt, aber wir kennen die genauen Werte anhand der metadata, die in jeder Datei enthalten sind.

Die stillen Abschnitte am Anfang und Ende jeder Datei sind die Ursache für die Störungen zwischen den Segmenten in der vorherigen Demo. Für eine lückenlose Wiedergabe müssen diese stillen Abschnitte entfernt werden. Mit MediaSource ist das ganz einfach. Im Folgenden ändern wir die Methode onAudioLoaded() so, dass ein Anfügefenster und ein Zeitstempel-Offset verwendet werden, um diese Stille zu entfernen.
Beispielcode
function onAudioLoaded(data, index) {
// Parsing gapless metadata is unfortunately non trivial and a bit messy, so
// we'll glaze over it here; see the appendix for details.
// ParseGaplessData() will return a dictionary with two elements:
//
// audioDuration: Duration in seconds of all non-padding audio.
// frontPaddingDuration: Duration in seconds of the front padding.
//
var gaplessMetadata = ParseGaplessData(data);
// Each appended segment must be appended relative to the next. To avoid any
// overlaps, we'll use the end timestamp of the last append as the starting
// point for our next append or zero if we haven't appended anything yet.
var appendTime = index > 0 ? sourceBuffer.buffered.end(0) : 0;
// Simply put, an append window allows you to trim off audio (or video) frames
// which fall outside of a specified time range. Here, we'll use the end of
// our last append as the start of our append window and the end of the real
// audio data for this segment as the end of our append window.
sourceBuffer.appendWindowStart = appendTime;
sourceBuffer.appendWindowEnd = appendTime + gaplessMetadata.audioDuration;
// The timestampOffset field essentially tells MediaSource where in the media
// timeline the data given to appendBuffer() should be placed. I.e., if the
// timestampOffset is 1 second, the appended data will start 1 second into
// playback.
//
// MediaSource requires that the media timeline starts from time zero, so we
// need to ensure that the data left after filtering by the append window
// starts at time zero. We'll do this by shifting all of the padding we want
// to discard before our append time (and thus, before our append window).
sourceBuffer.timestampOffset =
appendTime - gaplessMetadata.frontPaddingDuration;
// When appendBuffer() completes, it will fire an updateend event signaling
// that it's okay to append another segment of media. Here, we'll chain the
// append for the next segment to the completion of our current append.
if (index == 0) {
sourceBuffer.addEventListener('updateend', function () {
if (++index < SEGMENTS) {
GET('sintel/sintel_' + index + '.mp3', function (data) {
onAudioLoaded(data, index);
});
} else {
// We've loaded all available segments, so tell MediaSource there are no
// more buffers which will be appended.
mediaSource.endOfStream();
URL.revokeObjectURL(audio.src);
}
});
}
// appendBuffer() will now use the timestamp offset and append window settings
// to filter and timestamp the data we're appending.
//
// Note: While this demo uses very little memory, more complex use cases need
// to be careful about memory usage or garbage collection may remove ranges of
// media in unexpected places.
sourceBuffer.appendBuffer(data);
}
Eine nahtlose Wellenform
Sehen wir uns an, was unser neuer Code bewirkt hat, indem wir uns die Wellenform noch einmal ansehen, nachdem wir die Anhängefenster angewendet haben. Unten sehen Sie, dass der stille Abschnitt am Ende von sintel_0.mp3 (rot) und der stille Abschnitt am Anfang von sintel_1.mp3 (blau) entfernt wurden. Dadurch entsteht ein nahtloser Übergang zwischen den Segmenten.

Fazit
Damit haben wir alle fünf Segmente nahtlos zu einem zusammengefügt und sind am Ende unserer Demo angelangt. Bevor wir fortfahren, ist Ihnen vielleicht aufgefallen, dass unsere onAudioLoaded()-Methode keine Container oder Codecs berücksichtigt.
Das bedeutet, dass alle diese Techniken unabhängig vom Container- oder Codec-Typ funktionieren. Unten können Sie die ursprüngliche Demo-DASH-fähige fragmentierte MP4-Datei anstelle der MP3-Datei wiedergeben.
Weitere Informationen findest du in den Anhängen unten. Dort werden die Erstellung von lückenlosen Inhalten und das Parsen von Metadaten genauer beschrieben. Sie können sich auch gapless.js ansehen, um den Code für diese Demo genauer zu betrachten.
Vielen Dank, dass Sie sich die Zeit zum Lesen dieser E-Mail genommen haben.
Anhang A: Lückenlose Inhalte erstellen
Es kann schwierig sein, lückenlose Inhalte zu erstellen. Im Folgenden wird die Erstellung der in dieser Demo verwendeten Sintel-Medien beschrieben. Zuerst benötigen Sie eine Kopie des verlustfreien FLAC-Soundtracks für Sintel. Der SHA1-Wert ist unten aufgeführt. Als Tools benötigen Sie FFmpeg, MP4Box, LAME und eine OSX-Installation mit afconvert.
unzip Jan_Morgenstern-Sintel-FLAC.zip
sha1sum 1-Snow_Fight.flac
# 0535ca207ccba70d538f7324916a3f1a3d550194 1-Snow_Fight.flac
Zuerst teilen wir die ersten 31, 5 Sekunden des Tracks 1-Snow_Fight.flac auf. Außerdem möchten wir ab Sekunde 28 ein 2,5 Sekunden langes Ausblenden hinzufügen, um Klicks nach dem Ende der Wiedergabe zu vermeiden. Mit der folgenden FFmpeg-Befehlszeile können wir all dies erreichen und die Ergebnisse in sintel.flac speichern.
ffmpeg -i 1-Snow_Fight.flac -t 31.5 -af "afade=t=out:st=28:d=2.5" sintel.flac
Als Nächstes teilen wir die Datei in fünf Wave-Dateien mit jeweils 6,5 Sekunden auf.Wave ist am einfachsten zu verwenden, da fast jeder Encoder die Aufnahme von Wave-Dateien unterstützt. Auch das können wir mit FFmpeg genau erledigen. Danach haben wir: sintel_0.wav, sintel_1.wav, sintel_2.wav, sintel_3.wav und sintel_4.wav.
ffmpeg -i sintel.flac -acodec pcm_f32le -map 0 -f segment \
-segment_list out.list -segment_time 6.5 sintel_%d.wav
Als Nächstes erstellen wir die MP3-Dateien. LAME bietet mehrere Optionen zum Erstellen von lückenlosen Inhalten. Wenn Sie die Kontrolle über den Inhalt haben, können Sie --nogap mit einer Batchcodierung aller Dateien verwenden, um Padding zwischen Segmenten vollständig zu vermeiden.
Für diese Demo möchten wir jedoch dieses Padding, also verwenden wir eine standardmäßige hochwertige VBR-Codierung der Wave-Dateien.
lame -V=2 sintel_0.wav sintel_0.mp3
lame -V=2 sintel_1.wav sintel_1.mp3
lame -V=2 sintel_2.wav sintel_2.mp3
lame -V=2 sintel_3.wav sintel_3.mp3
lame -V=2 sintel_4.wav sintel_4.mp3
Das ist alles, was zum Erstellen der MP3-Dateien erforderlich ist. Sehen wir uns nun die Erstellung der fragmentierten MP4-Dateien an. Wir folgen den Anweisungen von Apple zum Erstellen von Medien, die für iTunes gemastert sind. Im Folgenden konvertieren wir die Wave-Dateien gemäß der Anleitung in CAF-Zwischendateien, bevor wir sie mit den empfohlenen Parametern als AAC in einem MP4-Container codieren.
afconvert sintel_0.wav sintel_0_intermediate.caf -d 0 -f caff \
--soundcheck-generate
afconvert sintel_1.wav sintel_1_intermediate.caf -d 0 -f caff \
--soundcheck-generate
afconvert sintel_2.wav sintel_2_intermediate.caf -d 0 -f caff \
--soundcheck-generate
afconvert sintel_3.wav sintel_3_intermediate.caf -d 0 -f caff \
--soundcheck-generate
afconvert sintel_4.wav sintel_4_intermediate.caf -d 0 -f caff \
--soundcheck-generate
afconvert sintel_0_intermediate.caf -d aac -f m4af -u pgcm 2 --soundcheck-read \
-b 256000 -q 127 -s 2 sintel_0.m4a
afconvert sintel_1_intermediate.caf -d aac -f m4af -u pgcm 2 --soundcheck-read \
-b 256000 -q 127 -s 2 sintel_1.m4a
afconvert sintel_2_intermediate.caf -d aac -f m4af -u pgcm 2 --soundcheck-read \
-b 256000 -q 127 -s 2 sintel_2.m4a
afconvert sintel_3_intermediate.caf -d aac -f m4af -u pgcm 2 --soundcheck-read \
-b 256000 -q 127 -s 2 sintel_3.m4a
afconvert sintel_4_intermediate.caf -d aac -f m4af -u pgcm 2 --soundcheck-read \
-b 256000 -q 127 -s 2 sintel_4.m4a
Wir haben jetzt mehrere M4A-Dateien, die wir entsprechend fragmentieren müssen, bevor sie mit MediaSource verwendet werden können. Für unsere Zwecke verwenden wir eine Fragmentgröße von einer Sekunde. MP4Box schreibt jede fragmentierte MP4-Datei als sintel_#_dashinit.mp4 zusammen mit einem MPEG-DASH-Manifest (sintel_#_dash.mpd), das verworfen werden kann.
MP4Box -dash 1000 sintel_0.m4a && mv sintel_0_dashinit.mp4 sintel_0.mp4
MP4Box -dash 1000 sintel_1.m4a && mv sintel_1_dashinit.mp4 sintel_1.mp4
MP4Box -dash 1000 sintel_2.m4a && mv sintel_2_dashinit.mp4 sintel_2.mp4
MP4Box -dash 1000 sintel_3.m4a && mv sintel_3_dashinit.mp4 sintel_3.mp4
MP4Box -dash 1000 sintel_4.m4a && mv sintel_4_dashinit.mp4 sintel_4.mp4
rm sintel_{0,1,2,3,4}_dash.mpd
Geschafft! Wir haben jetzt fragmentierte MP4- und MP3-Dateien mit den richtigen Metadaten, die für die lückenlose Wiedergabe erforderlich sind. Weitere Informationen zu diesen Metadaten finden Sie in Anhang B.
Anhang B: Parsen von Metadaten für die lückenlose Wiedergabe
Wie das Erstellen von lückenlosen Inhalten kann auch das Parsen der lückenlosen Metadaten schwierig sein, da es keine Standardmethode für die Speicherung gibt. Im Folgenden wird beschrieben, wie die beiden gängigsten Encoder, LAME und iTunes, ihre Metadaten für die lückenlose Wiedergabe speichern. Beginnen wir mit der Einrichtung einiger Hilfsmethoden und einer Gliederung für die oben verwendete ParseGaplessData().
// Since most MP3 encoders store the gapless metadata in binary, we'll need a
// method for turning bytes into integers. Note: This doesn't work for values
// larger than 2^30 since we'll overflow the signed integer type when shifting.
function ReadInt(buffer) {
var result = buffer.charCodeAt(0);
for (var i = 1; i < buffer.length; ++i) {
result <<= 8;
result += buffer.charCodeAt(i);
}
return result;
}
function ParseGaplessData(arrayBuffer) {
// Gapless data is generally within the first 512 bytes, so limit parsing.
var byteStr = new TextDecoder().decode(arrayBuffer.slice(0, 512));
var frontPadding = 0, endPadding = 0, realSamples = 0;
// ... we'll fill this in as we go below.
Wir beginnen mit dem iTunes-Metadatenformat von Apple, da es am einfachsten zu parsen und zu erklären ist. In MP3- und M4A-Dateien schreiben iTunes (und afconvert) einen kurzen Abschnitt in ASCII, etwa so:
iTunSMPB[ 26 bytes ]0000000 00000840 000001C0 0000000000046E00
Diese wird in ein ID3-Tag im MP3-Container und in ein Metadaten-Atom im MP4-Container geschrieben. Für unsere Zwecke können wir das erste 0000000-Token ignorieren. Die nächsten drei Tokens sind das Front-Padding, das End-Padding und die Gesamtzahl der Stichproben ohne Padding. Wenn Sie jeden dieser Werte durch die Abtastrate des Audios teilen, erhalten Sie die Dauer für jeden Wert.
// iTunes encodes the gapless data as hex strings like so:
//
// 'iTunSMPB[ 26 bytes ]0000000 00000840 000001C0 0000000000046E00'
// 'iTunSMPB[ 26 bytes ]####### frontpad endpad real samples'
//
// The approach here elides the complexity of actually parsing MP4 atoms. It
// may not work for all files without some tweaks.
var iTunesDataIndex = byteStr.indexOf('iTunSMPB');
if (iTunesDataIndex != -1) {
var frontPaddingIndex = iTunesDataIndex + 34;
frontPadding = parseInt(byteStr.substr(frontPaddingIndex, 8), 16);
var endPaddingIndex = frontPaddingIndex + 9;
endPadding = parseInt(byteStr.substr(endPaddingIndex, 8), 16);
var sampleCountIndex = endPaddingIndex + 9;
realSamples = parseInt(byteStr.substr(sampleCountIndex, 16), 16);
}
Die meisten Open-Source-MP3-Encoder speichern die Metadaten für die lückenlose Wiedergabe in einem speziellen Xing-Header, der sich in einem lautlosen MPEG-Frame befindet. Er ist lautlos, damit Decoder, die den Xing-Header nicht verstehen, einfach Stille wiedergeben. Leider ist dieses Tag nicht immer vorhanden und enthält eine Reihe optionaler Felder. Für diese Demo haben wir die Kontrolle über die Medien, aber in der Praxis sind einige zusätzliche Sensibilitätsprüfungen erforderlich, um zu wissen, wann lückenlose Metadaten tatsächlich verfügbar sind.
Zuerst parsen wir die Gesamtzahl der Stichproben. Der Einfachheit halber lesen wir diese aus dem Xing-Header, sie könnte aber auch aus dem normalen MPEG-Audio-Header erstellt werden.
Xing-Header können entweder mit einem Xing- oder einem Info-Tag gekennzeichnet werden. Genau 4 Byte nach diesem Tag befinden sich 32 Bit, die die Gesamtzahl der Frames in der Datei darstellen. Wenn Sie diesen Wert mit der Anzahl der Samples pro Frame multiplizieren, erhalten Sie die Gesamtzahl der Samples in der Datei.
// Xing padding is encoded as 24bits within the header. Note: This code will
// only work for Layer3 Version 1 and Layer2 MP3 files with XING frame counts
// and gapless information. See the following document for more details:
// http://www.codeproject.com/Articles/8295/MPEG-Audio-Frame-Header
var xingDataIndex = byteStr.indexOf('Xing');
if (xingDataIndex == -1) xingDataIndex = byteStr.indexOf('Info');
if (xingDataIndex != -1) {
// See section 2.3.1 in the link above for the specifics on parsing the Xing
// frame count.
var frameCountIndex = xingDataIndex + 8;
var frameCount = ReadInt(byteStr.substr(frameCountIndex, 4));
// For Layer3 Version 1 and Layer2 there are 1152 samples per frame. See
// section 2.1.5 in the link above for more details.
var paddedSamples = frameCount * 1152;
// ... we'll cover this below.
Nachdem wir die Gesamtzahl der Samples ermittelt haben, können wir die Anzahl der Padding-Samples auslesen. Je nach Encoder kann dies unter einem LAME- oder Lavf-Tag im Xing-Header stehen. Genau 17 Byte nach diesem Header befinden sich 3 Byte, die das Front- und End-Padding mit jeweils 12 Bit darstellen.
xingDataIndex = byteStr.indexOf('LAME');
if (xingDataIndex == -1) xingDataIndex = byteStr.indexOf('Lavf');
if (xingDataIndex != -1) {
// See http://gabriel.mp3-tech.org/mp3infotag.html#delays for details of
// how this information is encoded and parsed.
var gaplessDataIndex = xingDataIndex + 21;
var gaplessBits = ReadInt(byteStr.substr(gaplessDataIndex, 3));
// Upper 12 bits are the front padding, lower are the end padding.
frontPadding = gaplessBits >> 12;
endPadding = gaplessBits & 0xFFF;
}
realSamples = paddedSamples - (frontPadding + endPadding);
}
return {
audioDuration: realSamples * SECONDS_PER_SAMPLE,
frontPaddingDuration: frontPadding * SECONDS_PER_SAMPLE
};
}
Damit haben wir eine vollständige Funktion zum Parsen der meisten lückenlosen Inhalte. Es gibt jedoch viele Grenzfälle. Daher ist Vorsicht geboten, bevor Sie ähnlichen Code in der Produktion verwenden.
Anhang C: Automatische Speicherbereinigung
Der Arbeitsspeicher, der zu SourceBuffer-Instanzen gehört, wird aktiv bereinigt, je nach Inhaltstyp, plattformspezifischen Limits und der aktuellen Wiedergabeposition. In Chrome wird zuerst Arbeitsspeicher aus bereits wiedergegebenen Puffern freigegeben.
Wenn die Speichernutzung jedoch die plattformspezifischen Limits überschreitet, wird Speicher aus nicht wiedergegebenen Zwischenspeichern entfernt.
Wenn die Wiedergabe aufgrund von freigegebenem Speicher eine Lücke in der Zeitachse erreicht, kann es zu Störungen kommen, wenn die Lücke klein genug ist, oder zu einem vollständigen Stillstand, wenn die Lücke zu groß ist. Beides ist nicht optimal. Daher ist es wichtig, nicht zu viele Daten auf einmal anzuhängen und Bereiche, die nicht mehr benötigt werden, manuell aus der Medienzeitachse zu entfernen.
Bereiche können mit der Methode remove() für jeden SourceBuffer entfernt werden. Dabei wird ein [start, end]-Bereich in Sekunden verwendet.
Ähnlich wie bei appendBuffer() wird bei jedem remove() ein updateend-Ereignis ausgelöst, sobald es abgeschlossen ist. Andere Entfernungen oder Anhänge sollten erst nach dem Auslösen des Ereignisses vorgenommen werden.
In Chrome für Computer können Sie etwa 12 Megabyte Audioinhalte und 150 Megabyte Videoinhalte gleichzeitig im Arbeitsspeicher speichern. Du solltest dich nicht auf diese Werte über Browser oder Plattformen hinweg verlassen. Sie sind mit Sicherheit nicht repräsentativ für Mobilgeräte.
Die automatische Speicherbereinigung wirkt sich nur auf Daten aus, die zu SourceBuffers hinzugefügt wurden. Es gibt keine Beschränkungen für die Datenmenge, die Sie in JavaScript-Variablen zwischenspeichern können. Bei Bedarf können Sie dieselben Daten auch an derselben Position noch einmal anhängen.