下图展示了两种音视频的过程，一是从采集到保存成文件，二是从采集到网络流传输到播放。
名词解释
编码：视频的原始数据量很大，不利于传输和存储，所以需要通过一定的算法压缩数据。常见的音频编解码标准有MP3、AAC，视频编解码标准有H264、H265。
解码：将编码后的数据还原成原始数据，以显示画面，是编码的逆过程。
封装：将编码后的音频和视频，按照一定的格式存储在一个文件中。常见的封装格式有MP4、TS、AVI等。
解封装：从文件中分离出音频数据和视频数据，是封装的逆过程。
PCM：是一种音频原始数据格式。
AAC：是一种音频编解码标准。
YUV：是一种视频原始数据格式。此外还有RGB格式。
H264：是一种视频编解码标准。
MP4：是一种音视频封装格式。
帧：视频是利用人眼视觉暂留的原理，通过播放一系列的图片画面，使人眼产生运动的感觉。这些画面中的一张画面为一帧。
帧率：帧率也称为FPS(Frames PerSecond)的缩写——帧/秒，指每秒钟的帧数，影响画面流畅度
码率：是数据传输时单位时间传送的数据位数,一般用的单位是kbps即千位每秒，或者mbps及兆位每秒
分辨率：是图片的宽*高，比如1920*1080表示图片宽1920个像素点，高1080个像素点，通常称为1080P，影响图片大小
I帧：即Intra-coded picture（帧内编码图像帧），I帧表示关键帧，可以理解为这一帧画面的完整保留；解码时只需要本帧数据就可以完成。
关键帧间隔：表示两个关键帧直接相差多少秒，对应属性MediaFormat.KEY_I_FRAME_INTERVAL。
P帧：即Predictive-coded Picture（前向预测编码图像帧）。P帧表示的是这一帧跟之前的一个关键帧（或P帧）的差别，解码时需要用之前缓存的画面叠加上本帧定义的差别，生成最终画面。
B帧：即Bidirectionally predicted picture（双向预测编码图像帧)。B帧是双向差别帧，也就是B帧记录的是本帧与前后帧的差别，换言之，要解码B帧，不仅要取得之前的缓存画面，还要解码之后的画面，通过前后画面的与本帧数据的叠加取得最终的画面。B帧压缩率高，但是解码时CPU会比较累。
GOP：GOP即Group of picture（图像组），指两个I帧之间的距离。
PTS和DTS：P帧需要参考前面的I帧或P帧才可以生成一张完整的图片，而B帧则需要参考前面I帧或P帧及其后面的一个P帧才可以生成一张完整的图片。这样就带来了一个问题：在视频流中，先到来的 B 帧无法立即解码，需要等待它依赖的后面的 I、P 帧先解码完成，这样一来播放时间与解码时间不一致了，顺序打乱了，那这些帧该如何播放呢？这时就引入了另外两个概念：DTS 和 PTS，在编码的时候由编码器生成。
DTS（Decoding Time Stamp）：即解码时间戳，这个时间戳的意义在于告诉播放器该在什么时候解码这一帧的数据。
PTS（Presentation Time Stamp）：即显示时间戳，这个时间戳用来告诉播放器该在什么时候显示这一帧的数据。
SPS和PPS：H264码流由一个一个的NALU组成，其中每个NALU之间通过起始码进行分隔，起始码有两种，0x000001（3Byte）或者0x00000001（4Byte），SPS和PPS是两种特殊的NALU，在解码过程中起关键作用。SPS(Sequence Paramater Set)序列参数集，保存了一组视频编码序列的全局参数，例如编码的 Profile、level、图像宽高等，帧头数据为起始码+0x67，长度18byte。PPS(Picture Paramater Set)图像参数集，对应的是一个序列中某一副图像或者几幅图像的参数，帧头数据为起始码+0x68，长度8byte。一般情况下，SPS和PPS位于码流的起始位置，比如在封装文件中位于文件头部，但是对于实时流，通常需要从流中间开始解码，所以需要在每个I帧前添加SPS和PPS。下图为简单的H264码流结构
音频样本：一个音频样本是一个数字，代表在一个特定时间点的测量声波值
采样率：指每秒记录的音频样本数，单位为赫兹（Hz）或者千赫兹（kHz），比如采样率为8kHz，表示每1/8000秒的时间采集一次音频样本
采样精度：又叫采样位深或者采样大小或者采样格式，以每个样本的比特（bit）为单位，代表了每个样本的细节质量，比如16bit的精度，意味着每个样本有2^16=65536个不同的振幅，有越多的振幅，数字录音听起来就越接近原声
音频帧：指一个时间段内的音频样本组，ACC格式一帧采样1024个样本，即由连续的1024个样本组成一个音频帧
声道数：指声音的频道数，常见的有单声道（mono），双声道（stereo），声道数增加表示音频大小也会成倍增加
ADTS：ADTS（Audio Data Transport Stream）音频数据传输流是AAC音频流的容器格式，它是一种通过网络传输音频流的标准格式之一。在ADTS文件中，每个AAC音频帧都以一个长度为7或9个字节的ADTS帧头开始，其中包含了同步标记、帧长度、采样率、声道数和其他元数据。接下来是AAC编码的原始音频数据，这些数据会被添加到ADTS帧中，以形成完整的音频帧。有的时候当你编码AAC裸流的时候，会遇到写出来的AAC⽂件并不能在PC和⼿机上播放，很⼤的可能就是AAC⽂件的每⼀帧⾥缺少了ADTS头信息⽂件的包装拼接，只需要加⼊头⽂件ADTS即可。
ADIF：Audio Data Interchange Format 音频数据交换格式。这种格式的特征是可以确定的找到这个音频数据的开始，不需进行在音频数据流中间开始的解码，即它的解码必须在明确定义的开始处进行。故这种格式常用在磁盘文件中。ADIF只有一个文件头，ADTS每个包前面有一个文件头。
计算举例：采样率44.1kHz，精度16bit，声道数2，AAC格式
60s的音频文件大小：采样率*采样精度*通道数*时间
44100*16bit*2*60s / 8bit=10584000Byte=10.09MB
一帧音频的大小为：通道数*每帧采样数*采样精度
2*1024*16 bit=32768 bit=32768/8 Byte=4096 Byte
一帧音频的播放时长（ms）：每帧采样数*1000/采样率
1024*1000/44100=23.2ms
音频帧率：采样率/每帧采样数
44100/1024=43帧/s
推流：将编码后的音视频数据，以流的形式，按照指定协议推送到服务器的过程
拉流：从服务器拉取数据流，然后将数据解码后播放
RTMP：是一种常用的流媒体传输协议，广泛用于视频直播，基于tcp协议实现
RTSP：是一种多媒体播放控制协议，和RTMP相比，提供了更多的控制，RTSP支持多种传输协议，包括UDP、TCP和HTTP