1. RTP时间戳基础：协议、作用与时钟频率

各位同学好，我是老周。做流媒体这行十几年了，今天咱们聊聊RTP时间戳。说实话，音画同步这个坑，我踩过不少。很多新手上来就写代码，结果画面和声音对不上，急得直挠头。其实问题的根子，往往就在时间戳上。

这一章，我们先打地基。把RTP协议、时间戳的作用、时钟频率这几个概念彻底搞明白。后面再讲实战，你才不会慌。

1.1 RTP协议到底是什么？

RTP，全称Real-time Transport Protocol，实时传输协议。它跑在UDP上面，专门用来传音视频数据。你想想看，直播、视频通话、IP电话，底层基本都是它。

RTP本身不保证传输质量，它只负责把数据包从A点送到B点，并且带上时间信息。至于丢包了怎么办、乱序了怎么排，那是RTCP和上层应用的事。

我刚开始做流媒体时，总觉得RTP和RTCP是一回事。后来被坑过一次——只发了RTP没配RTCP，结果接收端根本不知道网络状况，画面卡成幻灯片。嗯，这里要注意：RTP是数据通道，RTCP是控制通道，两者配合才能干活。

一个标准的RTP包长这样：

 0                   1                   2                   3
 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|V=2|P|X|  CC   |M|     PT      |       sequence number         |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|                           timestamp                           |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|           synchronization source (SSRC) identifier            |
+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+
|            contributing source (CSRC) identifiers             |
|                             ....                              |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

这里面，timestamp字段就是我们的主角。它占32位，单位不是秒，而是采样时钟的tick数。这个后面会细讲。

1.2 时间戳在RTP中的作用

时间戳是RTP的灵魂。没有它，接收端根本不知道什么时候该播放这个包。

具体来说，时间戳干三件事：

• 播放时序控制：告诉接收端，这个包应该在哪个时间点被播放出来。
• 音画同步：音频和视频各自有自己的时间戳，接收端通过比对它们，让声音和画面对齐。
• 抖动消除：网络有延迟抖动，接收端靠时间戳把乱序的包重新排好，再平滑播放。

我记得有一次做视频会议项目，音频和视频总是差个几百毫秒。查了两天，发现是音频时间戳的时钟频率配错了。音频用8kHz采样，时间戳增量算出来是160，结果代码里写成了320。画面和声音直接错位，像看译制片。从那以后，我对时间戳的计算就格外小心。

1.3 时钟频率的概念

时钟频率，说白了就是时间戳的“刻度”有多细。单位是Hz，表示每秒有多少个tick。

举个例子：

• 音频用8kHz采样率，时钟频率就是8000 Hz。每秒钟时间戳增加8000。
• 视频用90kHz时钟频率，每秒钟时间戳增加90000。

为什么视频要用90kHz？这是历史原因。早期的MPEG标准定了这个值，后来大家就都跟着用了。我个人习惯，视频一律用90kHz，音频根据采样率来定。

时钟频率和时间戳的关系，可以用一个公式表示：

时间戳增量 = 时钟频率 × 帧间隔（秒）

举例：
音频：48kHz采样率，每帧20ms
时间戳增量 = 48000 × 0.02 = 960

视频：90kHz时钟频率，每帧33.33ms（30fps）
时间戳增量 = 90000 × 0.03333 ≈ 3000

你想想看，如果时钟频率设错了，时间戳增量就会算错。接收端拿到错误的时间戳，播放节奏全乱套。我曾经见过一个项目，视频时间戳增量算出来是3003，结果代码里写成了3000。30fps的视频，每帧差3个tick，一分钟下来就差了5400个tick，相当于60ms的偏移。肉眼看不出来，但音频对不上，用户直接投诉。

1.4 常见媒体类型的时钟频率

不同媒体类型，时钟频率不一样。下面这个表是我平时查得最多的：

媒体类型	常见时钟频率	说明
PCM音频	8000、16000、32000、48000	等于采样率
AAC音频	48000、44100、32000	等于采样率
G.711音频	8000	固定值
H.264视频	90000	标准规定
H.265视频	90000	同H.264
MPEG-4视频	90000	标准规定

音频的时钟频率一般就等于采样率。视频则统一用90kHz。为什么视频不直接用帧率？因为帧率不固定。30fps、60fps、可变帧率，如果用帧率做时钟频率，时间戳计算会非常麻烦。90kHz是30fps的3000倍，精度足够高，能支持到小数点后好几位。

1.5 知识体系总览

下面这张图，把这一章的核心逻辑串起来了。你看一遍，心里就有谱了。

这张图把RTP时间戳拆成了三块：协议基础、作用、时钟频率。你顺着箭头看，就能理解它们之间的关系。RTP协议提供了传输载体，时间戳在里面扮演调度角色，而时钟频率决定了时间戳的精度。三者缺一不可。