Extensions Media Source pour l'audio

Dale Curtis
Dale Curtis

Introduction

Les Media Source Extensions (MSE) fournissent des commandes de lecture et une mise en mémoire tampon étendue pour les éléments HTML5 <audio> et <video>. Bien qu'ils aient été initialement développés pour faciliter les lecteurs vidéo basés sur le streaming adaptatif dynamique sur HTTP (DASH), nous verrons ci-dessous comment ils peuvent être utilisés pour l'audio, en particulier pour la lecture sans interruption.

Vous avez probablement déjà écouté un album de musique dont les titres s'enchaînaient de manière fluide, et vous en écoutez peut-être même un en ce moment. Les artistes créent ces expériences de lecture sans interruption à la fois comme un choix artistique et comme un artefact des disques vinyles et des CD, où l'audio était écrit sous la forme d'un flux continu. Malheureusement, en raison du fonctionnement des codecs audio modernes tels que MP3 et AAC, cette expérience auditive fluide est souvent perdue aujourd'hui.

Nous expliquerons pourquoi plus en détail ci-dessous, mais pour l'instant, commençons par une démonstration. Vous trouverez ci-dessous les 30 premières secondes de l'excellent Sintel, découpées en cinq fichiers MP3 distincts et réassemblées à l'aide de MSE. Les lignes rouges indiquent les espaces introduits lors de la création (encodage) de chaque MP3. Vous entendrez des problèmes à ces endroits.

Démo

Beurk ! Ce n'est pas une bonne expérience, et nous pouvons faire mieux. Avec un peu plus de travail, en utilisant exactement les mêmes fichiers MP3 que dans la démonstration ci-dessus, nous pouvons utiliser MSE pour supprimer ces espaces gênants. Les lignes vertes de la démonstration suivante indiquent où les fichiers ont été joints et les espaces supprimés. Sur Chrome 38 ou version ultérieure, la lecture se fera sans problème.

Démo

Il existe plusieurs façons de créer du contenu sans interruption. Pour les besoins de cette démonstration, nous allons nous concentrer sur le type de fichiers qu'un utilisateur normal pourrait avoir. Chaque fichier a été encodé séparément, sans tenir compte des segments audio qui le précèdent ou le suivent.

Configuration de base

Tout d'abord, revenons en arrière et abordons la configuration de base d'une instance MediaSource. Comme leur nom l'indique, les extensions de source multimédia ne sont que des extensions des éléments multimédias existants. Ci-dessous, nous attribuons un Object URL, représentant notre instance MediaSource, à l'attribut source d'un élément audio, comme vous le feriez pour une URL standard.

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);

Une fois l'objet MediaSource connecté, il effectue une initialisation et déclenche un événement sourceopen. À ce stade, nous pouvons créer un SourceBuffer. Dans l'exemple ci-dessus, nous créons un audio/mpeg, capable d'analyser et de décoder nos segments MP3. Plusieurs autres types sont disponibles.

Formes d'onde anormales

Nous reviendrons au code dans un instant, mais examinons maintenant de plus près le fichier que nous venons d'ajouter, en particulier à la fin de celui-ci. Vous trouverez ci-dessous un graphique des 3 000 derniers échantillons moyennés sur les deux canaux de la piste sintel_0.mp3. Chaque pixel de la ligne rouge est un échantillon à virgule flottante compris entre [-1.0, 1.0].

écart mp3

Pourquoi tous ces échantillons nuls (silencieux) ? Ils sont en fait dus à des artefacts de compression introduits lors de l'encodage. Presque tous les encodeurs introduisent un certain type de marge intérieure. Dans ce cas, LAME a ajouté exactement 576 échantillons de marge intérieure à la fin du fichier.

En plus du remplissage à la fin, chaque fichier a également été complété au début. Si nous examinons la piste sintel_1.mp3, nous constatons qu'il existe 576 autres échantillons de marge intérieure au début. La quantité de remplissage varie selon l'encodeur et le contenu, mais nous connaissons les valeurs exactes en fonction de l'metadata inclus dans chaque fichier.

fin de l'écart mp3

Les sections de silence au début et à la fin de chaque fichier sont à l'origine des problèmes entre les segments dans la démonstration précédente. Pour obtenir une lecture sans interruption, nous devons supprimer ces sections de silence. Heureusement, cela est facile à faire avec MediaSource. Ci-dessous, nous allons modifier notre méthode onAudioLoaded() pour utiliser une fenêtre d'ajout et un décalage de code temporel afin de supprimer ce silence.

Exemple de code

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);
}

Une forme d'onde fluide

Voyons ce que notre nouveau code a accompli en examinant à nouveau la forme d'onde après avoir appliqué nos fenêtres d'ajout. Ci-dessous, vous pouvez voir que la section silencieuse à la fin de sintel_0.mp3 (en rouge) et la section silencieuse au début de sintel_1.mp3 (en bleu) ont été supprimées, ce qui permet une transition fluide entre les segments.

mp3 mid

Conclusion

Nous avons ainsi assemblé les cinq segments de manière fluide et sommes arrivés à la fin de notre démonstration. Avant de terminer, vous avez peut-être remarqué que notre méthode onAudioLoaded() ne tient pas compte des conteneurs ni des codecs. Cela signifie que toutes ces techniques fonctionneront, quel que soit le type de conteneur ou de codec. Ci-dessous, vous pouvez relire le fichier MP4 fragmenté compatible DASH de la démonstration d'origine au lieu du fichier MP3.

Démo

Pour en savoir plus, consultez les annexes ci-dessous pour en savoir plus sur la création de contenu sans interruption et l'analyse des métadonnées. Vous pouvez également explorer gapless.js pour examiner de plus près le code de cette démonstration.

Merci de votre attention,

Annexe A : Créer du contenu sans interruption

Il peut être difficile de créer du contenu sans interruption. Nous allons maintenant voir comment créer le contenu multimédia Sintel utilisé dans cette démonstration. Pour commencer, vous aurez besoin d'une copie de la bande-son FLAC sans perte de Sintel. Pour la postérité, le SHA1 est inclus ci-dessous. Pour les outils, vous aurez besoin de FFmpeg, MP4Box, LAME et d'une installation OSX avec afconvert.

    unzip Jan_Morgenstern-Sintel-FLAC.zip
    sha1sum 1-Snow_Fight.flac
    # 0535ca207ccba70d538f7324916a3f1a3d550194  1-Snow_Fight.flac

Tout d'abord, nous allons isoler les 31,5 premières secondes de la piste 1-Snow_Fight.flac. Nous voulons également ajouter un fondu de 2,5 secondes à partir de 28 secondes pour éviter tout clic une fois la lecture terminée. La ligne de commande FFmpeg ci-dessous permet d'effectuer toutes ces opérations et de placer les résultats dans sintel.flac.

    ffmpeg -i 1-Snow_Fight.flac -t 31.5 -af "afade=t=out:st=28:d=2.5" sintel.flac

Ensuite, nous allons diviser le fichier en cinq fichiers wave de 6,5 secondes chacun.Il est plus facile d'utiliser le format wave, car presque tous les encodeurs acceptent l'ingestion de ce format. Là encore, nous pouvons le faire précisément avec FFmpeg, après quoi nous obtiendrons : sintel_0.wav, sintel_1.wav, sintel_2.wav, sintel_3.wav et 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

Ensuite, créons les fichiers MP3. LAME propose plusieurs options pour créer du contenu sans interruption. Si vous contrôlez le contenu, vous pouvez envisager d'utiliser --nogap avec un encodage par lot de tous les fichiers pour éviter tout remplissage entre les segments. Toutefois, pour les besoins de cette démonstration, nous voulons ce remplissage. Nous allons donc utiliser un encodage VBR standard de haute qualité des fichiers wave.

    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

C'est tout ce qui est nécessaire pour créer les fichiers MP3. Voyons maintenant comment créer les fichiers MP4 fragmentés. Nous suivrons les instructions d'Apple pour créer des contenus multimédias masterisés pour iTunes. Ci-dessous, nous allons convertir les fichiers wave en fichiers CAF intermédiaires, conformément aux instructions, avant de les encoder au format AAC dans un conteneur MP4 à l'aide des paramètres recommandés.

    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

Nous disposons maintenant de plusieurs fichiers M4A que nous devons fragmenter de manière appropriée avant de pouvoir les utiliser avec MediaSource. Pour nos besoins, nous utiliserons une taille de fragment d'une seconde. MP4Box écrit chaque fichier MP4 fragmenté sous la forme sintel_#_dashinit.mp4, ainsi qu'un fichier manifeste MPEG-DASH (sintel_#_dash.mpd) qui peut être supprimé.

    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

Et voilà ! Nous disposons désormais de fichiers MP4 et MP3 fragmentés avec les métadonnées correctes nécessaires à la lecture sans interruption. Pour en savoir plus sur l'apparence de ces métadonnées, consultez l'annexe B.

Annexe B : Analyser les métadonnées sans blanc

Tout comme la création de contenus sans blanc, l'analyse des métadonnées sans blanc peut être délicate, car il n'existe pas de méthode standard de stockage. Nous allons voir ci-dessous comment les deux encodeurs les plus courants, LAME et iTunes, stockent leurs métadonnées sans blanc. Commençons par configurer des méthodes d'assistance et un plan pour le ParseGaplessData() utilisé ci-dessus.

    // 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.

Nous allons d'abord aborder le format de métadonnées iTunes d'Apple, car il est le plus facile à analyser et à expliquer. Dans les fichiers MP3 et M4A, iTunes (et afconvert) écrit une courte section en ASCII, comme suit :

    iTunSMPB[ 26 bytes ]0000000 00000840 000001C0 0000000000046E00

Ces informations sont écrites dans un tag ID3 du conteneur MP3 et dans un atome de métadonnées du conteneur MP4. Pour notre cas d'utilisation, nous pouvons ignorer le premier jeton 0000000. Les trois jetons suivants sont le remplissage avant, le remplissage de fin et le nombre total d'échantillons sans remplissage. En divisant chacune de ces valeurs par le taux d'échantillonnage de l'audio, nous obtenons la durée de chacune d'elles.

// 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);
}

En revanche, la plupart des encodeurs MP3 Open Source stockent les métadonnées de lecture sans blanc dans un en-tête Xing spécial placé dans une trame MPEG silencieuse (elle est silencieuse, de sorte que les décodeurs qui ne comprennent pas l'en-tête Xing lisent simplement le silence). Malheureusement, cette balise n'est pas toujours présente et comporte un certain nombre de champs facultatifs. Pour les besoins de cette démonstration, nous contrôlons le contenu multimédia, mais en pratique, des vérifications de sensibilité supplémentaires seront nécessaires pour savoir quand les métadonnées sans interruption sont réellement disponibles.

Nous allons d'abord analyser le nombre total d'échantillons. Pour plus de simplicité, nous allons lire ces informations à partir de l'en-tête Xing, mais elles pourraient être construites à partir de l'en-tête audio MPEG normal. Les en-têtes Xing peuvent être marqués par un tag Xing ou Info. Exactement quatre octets après cette balise, 32 bits représentent le nombre total de trames dans le fichier. En multipliant cette valeur par le nombre d'échantillons par trame, nous obtenons le nombre total d'échantillons dans le fichier.

    // 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.

Maintenant que nous avons le nombre total d'échantillons, nous pouvons passer à la lecture du nombre d'échantillons de marge intérieure. Selon votre encodeur, cela peut être écrit sous une balise LAME ou Lavf imbriquée dans l'en-tête Xing. Exactement 17 octets après cet en-tête, trois octets représentent respectivement la marge intérieure avant et la marge intérieure arrière, chacune sur 12 bits.

        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
      };
    }

Nous disposons ainsi d'une fonction complète pour analyser la grande majorité des contenus sans interruption. Toutefois, les cas limites sont nombreux. Il est donc recommandé de faire preuve de prudence avant d'utiliser un code similaire en production.

Annexe C : À propos de la récupération de mémoire

La mémoire appartenant aux instances SourceBuffer est activement récupérée en fonction du type de contenu, des limites spécifiques à la plate-forme et de la position de lecture actuelle. Dans Chrome, la mémoire sera d'abord récupérée à partir des tampons déjà lus. Toutefois, si l'utilisation de la mémoire dépasse les limites spécifiques à la plate-forme, elle supprime la mémoire des tampons non lus.

Lorsque la lecture atteint un espace vide dans la chronologie en raison de la mémoire récupérée, elle peut présenter des problèmes si l'espace est suffisamment petit, ou s'arrêter complètement si l'espace est trop grand. Aucune de ces solutions n'est idéale pour l'expérience utilisateur. Il est donc important d'éviter d'ajouter trop de données à la fois et de supprimer manuellement de la chronologie multimédia les plages qui ne sont plus nécessaires.

Les plages peuvent être supprimées via la méthode remove() sur chaque SourceBuffer, qui prend une plage [start, end] en secondes. Comme pour appendBuffer(), chaque remove() déclenche un événement updateend une fois qu'il est terminé. Aucune autre suppression ou ajout ne doit être effectué tant que l'événement n'est pas déclenché.

Sur Chrome pour ordinateur, vous pouvez conserver environ 12 Mo de contenu audio et 150 Mo de contenu vidéo en mémoire à la fois. Vous ne devez pas vous fier à ces valeurs sur tous les navigateurs ou plates-formes. Par exemple, elles ne sont certainement pas représentatives des appareils mobiles.

La récupération de mémoire n'affecte que les données ajoutées à SourceBuffers. Il n'y a pas de limite à la quantité de données que vous pouvez conserver en mémoire tampon dans les variables JavaScript. Vous pouvez également ajouter à nouveau les mêmes données à la même position si nécessaire.

Commentaires