Windows之5：DirectShow+H.264+AAC音视频采集及编码存储案例实战

如果你写过 Windows 桌面程序，但一碰到摄像头、麦克风就习惯性地去调现成的封装库，这门课的定位就很清楚了：它要补的是 Windows 原生音视频这条链路上最容易断层的一段——从设备枚举、数据采集，到编码、封装、落盘的完整过程。学之前先想清楚一件事：你缺的到底是「会用某个 API」，还是「知道采集线程和编码线程之间那块缓冲区该怎么管」。后者才是这门课真正要解决的东西。

这门课面向的能力缺口

DirectShow 是一套基于 COM 的多媒体框架，它的学习曲线不在 API 数量，而在几个绕不开的概念：Filter Graph、Pin 连接、Sample 的分配与释放、Reference Clock 的时间戳。很多人在书上或文档里看过这些名词，但真正要动手做采集时，会卡在具体的地方：枚举出来的设备名称怎么和实际硬件对应、采集回调里拿到的数据格式是什么、为什么帧率不稳、时间戳为什么对不上。

H.264 和 AAC 这一侧的问题同样具体。不是「知道有这么个编码标准」就够了，而是要处理输入格式的转换（比如摄像头常见输出与编码器要求的 YUV 格式不一致）、码率与关键帧间隔怎么设、AAC 的采样率与声道数如何匹配采集端、编码后的音视频包怎么按时间戳交织成一个可播放的文件。这些环节任何一处出错，结果就是文件能生成但播不了，或者音画不同步。

学习过程中会碰到的具体问题

• 设备枚举：如何列出系统里所有视频输入和音频输入设备，并区分设备路径与友好名称。
• 采集回路：Source Filter、Sample Grabber 或自定义 Filter 该怎么选，回调线程里能做什么、不能做什么。
• 数据流转：采集到的原始帧如何交给编码器，中间要不要做格式转换，缓冲区如何复用。
• 编码参数：H.264 的 profile、码率控制方式、GOP 设置分别影响什么；AAC 的比特率与声道如何与采集端对齐。
• 封装与存储：编码后的裸流如何加上时间戳、按顺序写文件，为什么直接拼接裸流往往播不了。
• 自定义 Filter：什么时候必须自己写 Filter，Pin 的协商逻辑要注意什么。

配套练习应该怎么用

这门课的价值不在于看完，而在于跟着把几个能跑起来的小程序改一遍。建议的顺序是：先把播放器案例跑通，确认开发环境和 Filter Graph 的调试手段可用；再做设备枚举，这一步不涉及数据，但能帮你建立设备与接口之间的对应关系；接着是麦克风音频采集，音频链路比视频简单，适合先把回调、缓冲、时间戳这套机制摸熟；最后再上音视频同时采集加编码存储的综合案例。

每改一处，都值得停下来验证一件事：如果我把这块去掉或改错，现象是什么。比如把时间戳全写成零，播放器会怎么表现；把编码器的输入格式设错，是报错还是花屏。这种「制造故障再修好」的练习，比顺着教程敲一遍更能留下东西。

看完之后应该能回答的问题

• DirectShow 里一个采集 Graph 从建立到释放，各阶段分别发生了什么，哪些资源必须手动释放。
• 采集回调拿到的数据，从格式到内存布局是什么样的，编码器能不能直接吃。
• 音视频同步的本质是什么，时间戳在采集、编码、封装三个阶段分别由谁负责。
• 自己写一个 Filter 时，输入输出 Pin 的媒体类型协商失败，通常有哪些原因。
• 为什么采集编码存储这条链路里，任何一环的缓冲策略选错，都会表现为丢帧或音画不同步。

如果这些问题你现在答不上来，或者只能答个大概，这门课值得系统过一遍。如果其中大部分你已经清楚，缺的可能只是某一环的实践，那就挑对应的小节定向补，不必从头再来。