ISO BMFF格式中mvhd与mdhd box的timescale差异及相关疑问

一、mvhd与mdhd的timescale核心区别 #

根据ISO BMFF官方定义：

mvhd（Movie Header Box）的timescale：
用于指定整个影片的时间基准，即每秒包含的时间单位数量。例如，以1/60秒为时间单位时，timescale值为60。

mdhd（Media Header Box）的timescale：
用于指定单个媒体轨道（视频/音频）的时间基准，即该轨道每秒包含的时间单位数量。例如，以1/60秒为时间单位时，timescale值为60。

两者的核心差异：

• mvhd是全局时间基准，作用于整个影片的所有轨道，统一协调不同轨道的时间同步；
• mdhd是轨道级时间基准，每个媒体轨道可独立设置，适配自身媒体类型的时间精度需求。

二、mvhd为1000、帧率24时，视频mdhd设为24000是否正确？ #

你的思路存在误区：视频mdhd的timescale与mvhd没有直接的乘法关联。

• 视频轨道的mdhd timescale通常由编码格式或时间精度需求决定：比如H.264/H.265编码常用90000作为timescale（对应SMPTE标准时间基准），也可以根据帧率设置为24（1/24秒为单位）、24000等，只要能准确表达帧的时间戳即可；
• 音频轨道的mdhd timescale一般与采样率一致（如48000），这是合理的，因为音频的时间单位和采样点直接对应。

所以将视频mdhd设为24000本身是合法的，但并非必须遵循「帧率×mvhd timescale」的规则，具体取值取决于编码和播放场景的需求。

三、为何mvhd timescale会出现30、90000等不同取值？ #

mvhd的timescale选择取决于影片的应用场景：

• 取值为30：常见于对时间精度要求不高的场景，比如早期流媒体、简单短视频，将时间单位设为1/30秒，方便和30fps的帧率对齐，简化时间戳计算；
• 取值为90000：这是SMPTE标准定义的高精度时间基准，广泛用于专业视频编码（H.264/H.265）和流媒体分片（如HLS/DASH）。90000的高数值能提供更精细的时间粒度，适配不同帧率的内容（24fps、30fps、60fps等），避免时间戳转换时的精度损失，确保多轨道同步的准确性。

你提到的两个案例：

• 某文件mdhd timescale为30：说明该轨道以1/30秒为时间单位，适合低精度的视频场景；
• 某视频分片mdhd timescale为90000：是流媒体场景下的标准选择，满足高精度时间同步需求。

内容的提问来源于stack exchange，提问作者Kundera