RTSP场景下RTP协议详解及音视频打包全流程

一、RTSP与RTP的关系

RTSP：负责媒体会话控制（DESCRIBE、SETUP、PLAY、PAUSE），通过SDP协商传输参数（端口、编码格式、封装模式）。
RTP：实际传输音视频数据，基于UDP/TCP，与RTCP配合实现同步和网络状态反馈。

二、RTP头字段详解（RFC 3550）

RTP头固定12字节，字段含义及填写规则如下：

字段名	位宽	取值说明
Version (V)	2 bits	固定为2（0x80），表示RTP版本。
Padding §	1 bit	载荷末尾是否有填充字节（如加密对齐）。RTSP场景通常为0。
Extension (X)	1 bit	是否启用头部扩展（如RFC 5285定义）。默认0，启用时需在SDP中声明。
CSRC Count (CC)	4 bits	贡献源（CSRC）数量。单路流通常为0。
Marker (M)	1 bit	关键帧结束标记：视频的最后一个分片包设为1；音频包通常为0。
Payload Type (PT)	7 bits	载荷类型，SDP中动态映射（如96=H.264, 97=H.265, 8=PCMA, 14=MPEG Audio）。
Sequence Number	16 bits	包序列号，每发送一个RTP包自增1（用于检测丢包和乱序）。
Timestamp	32 bits	时间戳，基于编码时钟频率：<br>- 视频：90000 Hz（每帧增量=90000/fps）<br>- 音频：按采样率（如AAC=44100 Hz）。
SSRC	32 bits	同步源标识符，随机生成，同一流中唯一。

示例：H.264视频包头（时间戳增量=3000，30fps）：

80 60 00 01   // V=2, P=0, X=0, CC=0, M=0, PT=96 (H.264)
00 01          // Sequence Number = 1
00 00 0B B8    // Timestamp = 3000
DE AD BE EF    // SSRC=0xDEADBEEF

三、视频打包实现

1. H.264视频打包（RFC 6184）

NALU结构：

  +---------------+---------------+
  |F|NRI| Type    | Payload Data  |
  +---------------+---------------+

封装模式：由SDP参数packetization-mode定义。
- Mode 0（单NALU） ：直接封装小NALU（如SPS/PPS）。

    RTP头 | NALU头（1B） | 数据

Mode 1（FU-A分片） ：大NALU分片传输，添加FU头和标记位。

    RTP头 | FU Indicator（1B） | FU Header（1B） | 分片数据

FU Indicator：F|NRI|Type=28（0x7C）。
FU Header：S|E|R|Type（S/E标志分片起止，Type为原始NALU类型）。
- Mode 2（STAP-A组合） ：聚合多个小NALU。

    RTP头 | STAP头（1B） | NALU1长度（2B） | NALU1数据 | NALU2长度（2B） | NALU2数据

关键帧分片示例：

  // 第一个分片
  RTP头(M=0) | 0x7C | 0x85（S=1, Type=5） | 分片数据

  // 最后一个分片
  RTP头(M=1) | 0x7C | 0x45（E=1, Type=5） | 分片数据

2. H.265视频打包（RFC 7798）

NALU头扩展：2字节，包含层次标识（LayerID）和时域层级（TID）。

  +---------------+---------------+---------------+
  |F| Type（6b） | LayerID（6b） | TID（3b）     |
  +---------------+---------------+---------------+

分片模式（FU-A）：

  RTP头 | FU Indicator（2B） | FU Header（1B） | 分片数据

FU Indicator：Type=49（0x62）。
FU Header：同H.264的S/E标志，Type为原始NALU类型（如32=IDR）。
示例：

  // 第一个分片
  RTP头 | 0x62 0x80（LayerID=0, TID=1） | 0x80（S=1, Type=32） | 分片数据

3. SDP配置示例

m=video 0 RTP/AVP 96
a=rtpmap:96 H264/90000
a=fmtp:96 packetization-mode=1; sprop-parameter-sets=Z0LAH9kAUAW6EAAAAwAQAAADA8PFRQ=,aM48gA==

四、音频打包实现

1. G.711（PCMU/PCMA）

静态PT：0（PCMU）、8（PCMA）。
封装：直接填充裸数据，时间戳按样本数递增。

  RTP头（PT=0/8） | 音频样本（每样本1字节）

2. AAC（RFC 3640）

动态PT：通过SDP协商（如96）。
封装：添加AU头声明数据长度。

  RTP头 | AU头长度（2b） | AU头（16b长度） | AAC数据

3. Opus（RFC 7587）

封装：直接填充Opus帧，支持分片。

  RTP头 | TOC字段（配置参数） | Opus数据

五、音视频同步机制

时间戳对齐：
- 音频时间戳增量 = 采样数（如AAC每帧1024样本 → 增量=1024）。
- 视频时间戳增量 = 90000 / 帧率（如30fps → 增量=3000）。
RTCP同步：
- 发送端通过SR包传递NTP时间与RTP时间戳的映射。
- 接收端计算播放时序偏差，动态调整缓冲区。