2. RTSP协议基础
好，咱们进入第二章。上一章聊了音画不同步到底有多坑，这一章得先把地基打牢——RTSP推流到底是怎么工作的？
说白了，RTSP就是一个“遥控器”。它自己不传视频数据，只负责协商、建立和控制会话。真正运载音视频流的是RTP。我刚开始接触RTSP时也犯过糊涂，以为RTSP包里面装着视频数据，调试了半天才发现抓包全是控制信令，数据流在另一个端口上跑得正欢。
2.1 RTSP协议栈回顾
先看一张完整的协议栈分层图，你心里就有谱了。
嗯，这里要注意：RTSP和RTP/RTCP是“兄弟关系”，不是“父子关系”。RTSP在TCP上建立会话，然后通过RTP在UDP上传输媒体数据。我见过不少新手把RTSP和RTP混为一谈，调试时只盯着RTSP端口，结果发现视频流根本没过来——其实数据在另一个端口上。
2.2 推流端与拉流端交互流程
推流端（比如摄像头、编码器）和拉流端（比如播放器、录像服务器）之间是怎么“握手”的？我习惯把它拆成五个步骤，你想想看，跟打电话很像：
- OPTIONS —— 拉流端先问：“你支持哪些方法？”
- DESCRIBE —— “把你的媒体描述（SDP）给我看看。”
- SETUP —— “好，我要准备接收了，告诉我RTP端口和传输方式。”
- PLAY —— “开始推吧！”
- TEARDOWN —— “停，结束会话。”
下面这张图把完整交互画出来了，你对照着看：
💡 我的经验：SETUP阶段返回的Transport头里会带上interleaved模式或unicast模式。如果网络环境复杂（比如有防火墙），我建议用TCP interleaved模式，把RTP数据也走TCP通道，虽然延迟会高一点，但至少不会丢包。
2.3 音视频数据流复用
好，现在RTSP会话建立好了，RTP开始推流。问题来了：音频和视频是混在一起发，还是分开发？
答案是：分开发，但通过同一个会话管理。每个媒体流都有自己的RTP流和RTCP流。音频走一个SSRC，视频走另一个SSRC。拉流端根据SSRC来区分。
我整理了一个对比表，你看一眼就明白了：
| 属性 | 音频流 | 视频流 |
|---|---|---|
| SSRC | 0xA1B2C3D4（示例） | 0xE5F6A7B8（示例） |
| Payload Type | 8（PCMA）或 0（PCMU） | 96（动态H.264） |
| RTP端口 | 5000（偶数） | 5002（偶数） |
| RTCP端口 | 5001（奇数） | 5003（奇数） |
| 时间戳时钟 | 8000 Hz（8kHz采样） | 90000 Hz（90kHz标准） |
为什么会这样设计？因为音频和视频的采样率、编码方式、时间基准都不一样。音频用8kHz时钟，视频用90kHz时钟，你想想看，如果混在一个流里，时间戳根本没法对齐。
那拉流端怎么知道哪个RTP包是音频、哪个是视频？靠SDP描述。在DESCRIBE阶段返回的SDP里，会明确声明每个媒体流的m=行：
v=0
o=- 123456 789012 IN IP4 192.168.1.100
s=RTSP Session
t=0 0
m=audio 5000 RTP/AVP 8
a=rtpmap:8 PCMA/8000
m=video 5002 RTP/AVP 96
a=rtpmap:96 H264/90000
a=fmtp:96 packetization-mode=1; sprop-parameter-sets=Z0JAKpY=,aM48gA==
嗯，这里要注意：m=audio和m=video是两行独立的描述。拉流端解析SDP后，会为每个媒体流单独创建RTP接收器。我在项目中就踩过这个坑——SDP里音频和视频的端口写反了，结果拉流端把音频数据当成视频解码，全是雪花点。
2.4 音视频同步的起点：RTP时间戳
说到音画同步，RTP时间戳就是最核心的“对齐基准”。每个RTP包头部都有一个32位的时间戳字段。音频和视频各自用自己的时钟递增，但拉流端需要知道它们之间的换算关系。
举个例子：
- 音频PCMA，采样率8000Hz，每帧20ms，时间戳增量 = 8000 × 0.02 = 160
- 视频H.264，时钟90000Hz，每帧33.33ms（30fps），时间戳增量 ≈ 3000
拉流端收到音频时间戳3200、视频时间戳90000时，怎么对齐？
换算成同一单位（比如毫秒）：
- 音频：3200 / 8000 × 1000 = 400ms
- 视频：90000 / 90000 × 1000 = 1000ms
嗯，差了600ms，明显不同步。这就是音画同步要解决的根本问题。
⚠️ 重要提醒：RTP时间戳是相对于各自媒体流的起始点，不是绝对时间。要真正对齐音视频，必须依赖RTCP SR（Sender Report）中的NTP时间戳。这个我们会在后面章节详细展开。
2.5 本章小结
这一章我们走了一遍RTSP推流的完整架构：
- 协议栈：RTSP控制 + RTP数据 + RTCP同步
- 交互流程：OPTIONS → DESCRIBE → SETUP → PLAY → TEARDOWN
- 数据复用：音频和视频分开的RTP流，通过SSRC和SDP描述区分
- 时间戳：音视频各自时钟不同，拉流端需要换算才能对齐