從影片容器中提取音訊存在技術挑戰，這些挑戰源於現代音訊編解碼器架構的複雜性，以及位元率、品質和感知特性之間的關係。 影片檔案通常包含使用針對不同使用案例優化的專用編解碼器編碼的音訊串流，而要在保留品質的同時提取這些串流，需要理解編解碼器規格和容器格式。 MP4 容器通常使用 AAC（進階音訊編碼）或 MP3 編碼來儲存音訊。AAC 代表著比 MP3 更顯著的進步，它透過更精密的心理聲學模型，在同等位元速率下能達到更優異的音質。 AAC 規範定義了多種設定檔，包括 LC（低複雜度）、HE（高效率）和 ELD（增強低延遲），每個設定檔都針對不同的情境進行了最佳化。 從 MP4 容器中提取 AAC 音訊需要解析 MPEG-4 檔案結構並識別使用特定編解碼器參數編碼的音訊軌道。 位元率的選擇對音訊品質和檔案大小有顯著影響。 感知音訊編解碼器利用心理聲學原理，捨棄人耳不太可能感知到的資訊。 剛好可察覺差異（JND）閾值在不同頻率範圍內有所不同，人耳對 2-4 kHz 範圍的聲音最為敏感。 音訊編解碼器會將更多位元分配給聽覺最敏感的頻率，而將較少位元分配給聽覺不那麼敏感的頻率。 變動位元速率 (VBR) 編碼會根據訊號複雜度動態調整位元速率。 複雜且具有高熵的音訊片段需要更多位元才能準確編碼，而簡單的片段則可以使用較少的位元進行編碼。 在同等平均品質下，VBR 通常比固定位元速率 (CBR) 編碼提供 10-20% 更好的壓縮效果。 然而，VBR 在搜尋和串流應用程式中會增加複雜性，因為檔案位置和時間之間的關係並非線性。 儘管MP3編解碼器已被更高效的編解碼器所取代，但由於其普遍的支援和數十年的優化，它仍然被廣泛使用。MP3採用混合方法，結合了子帶分析和霍夫曼編碼。心理聲學模型會識別被較響亮成分遮蔽的頻率成分，並為這些被遮蔽的成分分配較少的位元。MP3通常需要128-192 kbps才能達到透明音質，而AAC在96-128 kbps下即可實現透明音質。 從影片中提取音訊時，提取過程必須保留原始編碼的位元流，而不能重新編碼。重新編碼會導致世代損失，因為音訊在解碼和重新編碼時會降低品質。直接串流提取會將編碼的音訊位元流直接從影片容器複製到音訊檔案，與以較低位元率重新編碼相比，這樣做可以保留品質，但代價是檔案大小會較大。 採樣率是音訊品質的另一個關鍵參數。 標準 CD 品質使用 44.1 kHz 的採樣率，而專業音訊和視訊製作通常使用 48 kHz。 96 kHz 或 192 kHz 等更高的採樣率用於高解析度音訊應用，但對於大多數聽眾來說，其效益會遞減。 奈奎斯特定理確立了採樣率必須至少是最高重現頻率的兩倍，因此 44.1 kHz 可以準確地表示高達 22.05 kHz 的頻率，這超出了人類的聽力範圍。 位元深度決定了數位音訊的動態範圍和噪音底線。 16 位元音訊提供 96 dB 的動態範圍，足以應付大多數應用。 24 位元音訊提供 144 dB 的動態範圍，用於專業錄音和母帶處理。 提取工具必須保留原始位元深度，以避免引入量化雜訊。 容器格式的相容性會影響提取的可行性。某些視訊容器使用專有或受限制的音訊編解碼器，這些編解碼器需要授權或專用解碼器。提取工具必須支援視訊檔案中使用的特定編解碼器，並處理任何容器特定的中繼資料或加密。 視訊檔案包含中繼資料（例如持續時間、尺寸等）以及編碼和通常經過壓縮的音訊和視訊資料。容器格式定義了中繼資料與音訊和視訊資料的儲存方式，但不定義資料的編碼或壓縮方式。編解碼器負責編碼和解碼視訊檔案中的視訊和音訊串流。 一些常見的容器格式包括 MP4、MPEG2-TS 和 Matroska，它們可以表示不同的視訊和音訊編解碼器。 每個容器格式都有其優點和缺點，這些特性可能與相容性、串流和大小開銷有關。 例如，H.265 (HEVC) 是一種高效的編解碼器，用於壓縮 8K 超高畫質視訊，但使用它需要支付授權費，因此瀏覽器或裝置不廣泛支援。 提取工具需要能夠處理這些複雜性。例如，M3U8 是一種播放列表格式，本身不是加密技術，但服務提供商通常會為了內容保護而對其進行加密。 播放器會根據 M3U8 檔案中的指示找到金鑰，然後用它來解密每個收到的視訊片段，最後無縫拼接並播放。 提取音訊的感知品質評估需要超越簡單波形比較的專業指標。PESQ（語音品質感知評估）和 PEAQ（音訊品質感知評估）等客觀指標試圖與主觀聆聽測試建立關聯。 然而，這些指標存在局限性，可能無法捕捉感知品質的所有方面，尤其是對於音樂內容。 PESQ 是一種廣泛用於評估通訊網路語音品質的工具，而 PEAQ 則用於評估語音以外的音訊樣本，例如音樂和背景噪音。 這些客觀評估方法旨在透過演算法預測主觀聆聽測試的平均結果，從而節省主觀測試所需的時間和成本。 儘管如此，現有的工具在品質預測的泛化能力方面仍面臨挑戰，特別是在遇到未知訊號和失真類型時。 這在處理非波形保留參數技術編碼的訊號時尤為明顯。