4. 时间戳与时钟频率

在RTP协议中，时间戳（Timestamp）是解决音画不同步问题最核心的字段之一。它不像序号那样只负责“包有没有丢”，而是直接回答“这段媒体应该在什么时刻被播放”。理解时间戳的生成规则、采样率与时钟频率的区别、回绕处理以及与媒体时间的换算关系，是排查音画不同步、抖动、卡顿等问题的基本功。

一、核心原理：时间戳不是“墙上时钟”

RTP时间戳并不表示发送或接收的绝对时间，而是一个媒体时间轴上的采样计数。它表示该RTP负载中第一个字节（对于音频是第一个采样点，对于视频是第一个像素/宏块对应的采样时刻）在媒体流时间轴上的位置。接收端通过时间戳差值，结合时钟频率，就能还原出媒体之间的相对播放间隔。

时间戳的生成遵循一个基本公式：

timestamp = 初始随机偏移 + (当前采样时刻 - 起始采样时刻) × 时钟频率

其中“时钟频率”由RTP负载类型（Payload Type）决定，并在SDP中通过rtpmap属性声明。例如：

m=audio 49170 RTP/AVP 0
a=rtpmap:0 PCMU/8000

m=video 51372 RTP/AVP 96
a=rtpmap:96 H264/90000

这里音频时钟频率为8000 Hz，视频为90000 Hz。注意：采样率是媒体本身的采样频率，而时钟频率是RTP时间戳的计数频率。对于大多数音频，两者相同；对于视频，采样率通常不是90000，但时钟频率固定为90000，这是为了给视频帧提供足够精细的时间分辨率。

二、采样率、时钟频率与时间戳增量

不同媒体的时间戳增量计算方式不同，下面用表格对比常见场景：

媒体类型	采样率	RTP时钟频率	每帧/包时间戳增量
PCMU/PCMA音频	8000 Hz	8000	每20ms包：160
OPUS音频	48000 Hz	48000	每20ms包：960
H.264视频	—	90000	30fps：3000；25fps：3600
VP8视频	—	90000	30fps：3000

以PCMU音频为例，采样率8000 Hz，每20ms打包一次，则每个包包含160个采样点，时间戳增量为160。接收端收到连续两个包，时间戳差为160，除以8000得到0.02秒，即20ms，与打包间隔一致。如果时间戳差不是160，说明发送端时钟或打包逻辑异常，可能导致音画不同步。

视频方面，H.264的RTP时钟频率固定为90000。若视频帧率为30fps，则每帧时间戳增量为90000 ÷ 30 = 3000。若帧率为25fps，则增量为3600。注意：视频时间戳通常对应帧的采集/显示时刻，而不是编码时刻。B帧存在时，时间戳可能不按解码顺序递增，但必须按显示顺序递增。

三、时间戳回绕：32位无符号数的“轮回”

RTP时间戳是32位无符号整数，取值范围0～2³²-1。当时间戳超过最大值时会回绕到0附近，这就是时间戳回绕。回绕本身不是错误，但处理不当会导致接收端计算出巨大的负时间差，从而引发音画不同步或播放跳变。

回绕的判断规则：

• 若当前时间戳 < 上一个时间戳，且差值大于2³¹，则发生了回绕，实际差值 = (2³² - 上一个时间戳) + 当前时间戳。
• 若当前时间戳 < 上一个时间戳，但差值小于2³¹，则可能是乱序或异常，不应按回绕处理。

例如，上一个时间戳为4294967000，当前为500，差值计算为(2³² - 4294967000) + 500 = 796，说明回绕后实际前进了796个时钟单位。若直接用500 - 4294967000，会得到约-42亿，导致播放器认为时间倒流。

四、时间戳与媒体时间的关系：从RTP到播放时刻

时间戳本身只是相对计数，要映射到绝对播放时刻，需要RTCP SR包中的NTP时间戳和RTP时间戳的对应关系。SR包给出“在NTP时刻T，RTP时间戳为R”，接收端据此建立线性映射：

媒体时间 = (当前RTP时间戳 - SR中的RTP时间戳) / 时钟频率 + SR中的NTP时间

这样，音频和视频各自根据自己的SR包映射到同一NTP时间轴，接收端再根据NTP时间对齐播放，就能实现音画同步。如果音频和视频的SR包缺失或映射错误，即使各自时间戳正确，也会出现音画不同步。

五、案例与误区复盘

案例：某视频会议中，音频正常但视频画面比声音慢约200ms。抓包发现视频RTP时间戳增量为3000（30fps），但接收端用90000 ÷ 30 = 3000计算正确；进一步检查RTCP SR包，发现视频SR包中的NTP时间戳比音频SR包晚了约200ms。原因是发送端视频采集线程与音频采集线程未使用同一系统时钟基准，导致SR映射偏移。修正后音画同步恢复。

常见误区：

• 把采样率当时钟频率：视频采样率不是90000，但RTP时钟频率必须是90000，不能混用。
• 忽略回绕：直接用有符号整数比较时间戳，导致长时间通话后出现负时间差。
• 用时间戳直接当播放时间：时间戳是相对计数，必须结合SR包映射到NTP才能得到绝对播放时刻。
• 认为时间戳必须连续：视频B帧或丢包时，时间戳可能跳跃，接收端应基于时间戳差值而非连续性判断播放节奏。