Адаптивные лестницы битрейта для звука: нужны ли они вам на самом деле?

Опубликовано: 2026-06-05 · Время чтения: 16 мин · Автор: Николай Сапунов, CEO Фора Софт

Коротко

Видеостриминг предлагает плееру «лестницу» уровней качества и позволяет ему подниматься и опускаться по ней вслед за сетью, и многие команды считают, что их аудио нуждается в такой же многоступенчатой лестнице. Для большинства каталогов это не так: одной грамотно выбранной аудиодорожки (максимум двух) достаточно, потому что стерео-звук на 128 кбит/с – это около двух процентов от потока 1080p, и понижать его почти бессмысленно. Случаи, которые действительно оправдывают настоящую аудио-лестницу, – это окружающий (surround) и иммерсивный звук, где дорожка Dolby на 640 кбит/с стоит того, чтобы иметь запасную на 192 кбит/с или стерео на слабом соединении, а также аудио-сервисы (музыка, подкасты), где аудио – это и есть весь поток. В этой статье – арифметика, реальные лестницы Netflix, Apple и YouTube и правило выбора, которое вы примените к своему каталогу за один вечер.

Почему это важно

Если вы передаёте видео или аудио, кому-то в команде приходится решать, сколько версий каждой звуковой дорожки кодировать, хранить и раздавать, – и это решение тихо задаёт стоимость кодирования, счёт за хранение и качество в худшем случае для зрителя на слабом канале. Статья для продакт-менеджера, основателя или операционного лида без бэкграунда в стриминге, которому нужно возразить против «давайте просто сделаем пять аудио-битрейтов, как для видео» или, наоборот, отстоять surround-запасные дорожки, которые команда сочла лишними. К концу вы сможете сами посчитать арифметику полосы, назвать две ситуации, где аудио-лестница оправдана, и читать опубликованные лестницы крупных платформ, чтобы сверять свою. Каждая рекомендация опирается на первоисточник – HLS Authoring Specification от Apple, стандарт DASH ISO/IEC 23009-1 и опубликованный аудио-конвейер Netflix, – а не на маркетинговую страницу вендора.

Сначала – что такое «лестница»

Стриминговая лестница (ladder) – это набор версий одного контента разного качества, который вы публикуете, чтобы плеер мог переключаться между ними. Читателю, новому в стриминге, стоит запомнить одну картину: качество выбирает не сервер, а плеер. Сервер публикует меню – подробно разобранное в статье аудио в HLS, DASH, CMAF – а плеер на телефоне или телевизоре измеряет сеть и поднимается по лестнице вверх, когда полосы много, и вниз, когда её мало. Каждая ступень – это одна закодированная версия на фиксированном битрейте.

Для видео это очевидно полезно. Разница между ступенью 360p на 700 кбит/с и ступенью 1080p на 6000 кбит/с огромна – и по количеству бит, и по виду. Зрителю в тоннеле метро нужна маленькая ступень; зрителю на домашнем оптоволокне нужна большая. Качество видео продолжает расти по мере добавления бит в широком диапазоне, так что видео-лестница из пяти-шести ступеней – норма.

Дальше возникает соблазн перенести этот шаблон на аудио: если у видео шесть ступеней, дадим и аудио шесть. Этот инстинкт обычно ошибочен, и причина – арифметика.

Арифметика, которая убивает большинство аудио-лестниц

Вот расчёт, который каждая команда должна провести, прежде чем строить аудио-лестницу. Возьмите типичный адаптивный видеопоток и посмотрите, какую долю в нём занимает аудио.

Распространённая ступень видео 1080p – около 6000 килобит в секунду. Стерео-дорожка AAC (аббревиатура означает Advanced Audio Coding, а «стерео» – это два канала, левый и правый) – около 128 килобит в секунду. Доля аудио:

доля аудио = битрейт аудио / (битрейт видео + битрейт аудио)
доля аудио = 128 / (6000 + 128)
доля аудио = 128 / 6128
доля аудио = 0,0209 -> около 2,1%

То есть на потоке максимального качества звуковая дорожка – примерно одна пятидесятая бит. Теперь предположим, что сеть ухудшилась и вы хотите сэкономить полосу, понизив аудио со 128 до 64 кбит/с. Вы экономите 64 кбит/с. На потоке в 6128 кбит/с это снижение на один процент – невидимое для сети, и слушатель сразу услышит более тонкий звук. При этом плеер уже понизил видео с 6000 до, скажем, 1500 кбит/с – вот где живёт реальная полоса.

Вывод прямолинеен: когда аудио – это маленький пассажир на большом видеопотоке, его адаптация почти не даёт экономии полосы и стоит слышимого качества. Лучше выбрать одну хорошую аудиодорожку и оставить её фиксированной, пока адаптацией занимается видео-лестница. Поэтому тихий стандарт для обычного стерео-видео – одна аудиодорожка, а не лестница.

Нажмите, чтобы увеличить

Почему качество аудио выходит на плато там, где видео ещё растёт

Есть и вторая причина, по которой аудио нужно меньше ступеней, и она про слух, а не про сеть. Качество видео продолжает расти по мере добавления бит в очень широком диапазоне – глаз различает 480p, 720p, 1080p и 4K. Качество аудио, напротив, выходит на плато рано. Современный кодек достигает состояния «не отличить от мастера» – инженеры называют это перцептивно прозрачным – на скромном битрейте, и добавление бит сверх этой точки ничего не меняет для слуха.

Для стерео AAC это плато лежит примерно в районе 128–256 кбит/с; ниже качество падает быстро, выше – вы тратите биты, которые ни одно ухо не вернёт. Поэтому даже когда вы строите аудио-лестницу, в ней две-четыре ступени, а не шесть: над плато просто нет слышимой территории, куда поставить более высокую ступень. Где лежит плато каждого кодека, мы разбираем в статье как выбрать аудио-кодек в 2026.

Два случая, когда аудио-лестница оправдана

Если стандарт – «одна дорожка», то когда же вам действительно нужно больше одной? Два случая, и они исчерпывают весь ответ.

Случай 1 – surround и иммерсивный звук

В арифметике выше предполагалась стерео-дорожка на 128 кбит/с. Замените её окружающим звуком – и числа изменятся. Surround – это больше двух каналов; распространённая раскладка 5.1, то есть пять полноценных каналов плюс один канал низкочастотных эффектов, записывается как «5.1». Качественная дорожка 5.1 в Dolby Digital Plus может идти на 640 кбит/с, а иммерсивная Dolby Atmos – ещё выше. Пересчитаем долю на средней ступени видео в 1500 кбит/с:

доля аудио = 640 / (1500 + 640)
доля аудио = 640 / 2140
доля аудио = 0,299 -> около 30%

При 30% потока аудио уже не пассажир – это заметная часть полосы, и зритель, который не тянет полную ступень видео, скорее всего, не потянет и звуковую дорожку на 640 кбит/с. Вот где лестница окупается: предложите дорожку surround на 640 кбит/с тем, кто её осилит, на 192 кбит/с – тем, кто нет, и стерео-AAC как пол для самых слабых соединений и устройств, которые вообще не декодируют surround. Плеер поднимается по этой короткой аудио-лестнице в такт с сетью.

Нажмите, чтобы увеличить

Случай 2 – аудио-сервисы без видео

Второй случай проще. Когда видео нет – музыка, подкасты, аудиокниги, радио – аудио и есть весь поток. Большого видеопассажира, за которым можно спрятаться, нет, так что каждый бит аудио-адаптации – это бит реально сэкономленной полосы. Музыкальному сервису на телефоне, который переходит с Wi-Fi на слабый сотовый сигнал, действительно нужно упасть со ступени 256 кбит/с на 96 кбит/с, чтобы играть без подвисаний. Здесь лестница из двух-четырёх ступеней не опция, а ядро продукта.

Что реальные платформы поставляют в 2026

Лучший способ откалибровать свой выбор – посмотреть, что публикуют крупные платформы. Ни одна из них не гоняет шестиступенчатую аудио-лестницу для обычного стерео; шаблоны ниже совпадают с арифметикой выше.

Netflix

Опубликованный аудио-конвейер Netflix – самый наглядный пример Случая 1. Для surround 5.1 сервис использует лестницу Dolby Digital Plus от 192 до 640 кбит/с и адаптирует её так же, как видео, – отдавая лучшее, что вытянут устройство и канал. Инженеры Netflix установили на внутренних и предоставленных Dolby тестах прослушивания, что Dolby Digital Plus на 640 кбит/с и выше перцептивно прозрачен: верхняя ступень 640 кбит/с – это сжатие 10:1 от 24-битного студийного мастера 5.1, и ни один слушатель в тестах его не отличил. Для Dolby Atmos, иммерсивного формата, Netflix поднял верхнюю ступень до 768 кбит/с. На устройствах, которые вообще не декодируют Dolby, происходит откат к стерео-AAC или старому AC-3. Это образцовая лестница Случая 1: несколько ступеней surround плюс стерео-пол – и ничего больше.

Apple (HLS Authoring Specification)

Apple публикует не лестницу, а границы – и эти границы говорят, как мало ступеней разумно. HLS Authoring Specification рекомендует стерео-AAC в диапазоне 32–160 кбит/с – узкая полоса, подтверждающая аргумент о плато, потому что ступени выше 160 кбит/с для стерео делать незачем. Для surround 5.1 рекомендация Apple прямо говорит, что AAC – не тот инструмент: используйте Dolby Digital на 384 кбит/с или Dolby Digital Plus на 192 кбит/с. Спецификация также требует, чтобы стерео и surround жили в отдельных rendition-группах, что мы объясняем в аудио в HLS, DASH, CMAF, – так что Apple-совместимый пакет естественно приходит к паре аудиодорожек на раскладку, но не к высокой лестнице.

YouTube

YouTube Music показывает шаблон Случая 2. Он предлагает три уровня качества с верхней границей 48 кбит/с на Low, 128 кбит/с на Normal и 256 кбит/с на High, отдавая AAC в мобильных приложениях и Opus – открытый кодек, разобранный в статье Opus: открытый кодек, поглотивший WebRTC – в веб-плеере. Это трёхступенчатая аудио-только лестница, ровно та форма из 2–4 ступеней, которую предсказывает арифметика, когда аудио – это весь поток.

Таблица 1. Реальные опубликованные аудиодорожки в 2026. Ни одна платформа не гоняет шестиступенчатую лестницу для обычного стерео. Источники: Netflix Tech Blog, Apple HLS Authoring Specification, YouTube Music Help.

Когда стерео на видео всё-таки нуждается во второй ступени

У стандарта «одна дорожка» есть одно важное исключение, которое стоит назвать, потому что именно его приводят инженеры в споре. Арифметика, делающая аудио «маленьким пассажиром», предполагала, что битрейт аудио мал относительно самой нижней ступени видео. На лестнице, спускающейся до 200 кбит/с видео для самых слабых соединений, дорожка стерео в 128 кбит/с – это уже не 2% потока, а почти 40% от него, и теперь адаптация аудио важна. Рецензируемая работа по адаптивному стримингу с раздельными дорожками аудио и видео делает ровно этот вывод: когда качественная аудиодорожка приближается к битрейту нижних ступеней видео, адаптация аудио становится так же важна для впечатления зрителя, как адаптация видео.

Практическое правило: если ваша нижняя ступень видео ниже примерно 600 кбит/с – обычно для сервисов, ориентированных на регионы 2G/3G или сильно ограниченные устройства, – добавьте вторую, более низкую аудиодорожку (скажем, 64 кбит/с рядом со стандартными 128 кбит/с), чтобы плеер мог сбрасывать аудио-биты на самом дне лестницы. Если нижняя ступень видео уверенно выше 1 Мбит/с – не заморачивайтесь; одной стерео-дорожки достаточно.

«Ловушка – перенос числа видео-ступеней на аудио. Самая частая и самая дорогая ошибка с аудио-лестницей – «у нас шесть видео-ступеней, сделаем шесть аудио-ступеней». Шесть ступеней стерео-AAC увеличивают кодирование и хранение аудио в шесть раз ради полосы, которую не заметит ни одна сеть, и качества, которое не услышит ни одно ухо. Хуже того, каждая лишняя аудиодорожка умножает поверхность QC и упаковки на каждом языке, который вы поставляете, – проблему мы оцениваем в статье математика хранения и CDN для аудио. Выбирайте число ступеней по правилу двух случаев, а не по видео-лестнице.»

Где здесь Фора Софт

В продуктах видеостриминга, OTT, e-learning и телемедицины, которые мы строим с 2005 года, вопрос аудио-лестницы возникает каждый раз одинаково: инженер тянется к видео-шаблону и предлагает больше аудио-ступеней, чем нужно каталогу. Для стерео-только e-learning или телемедицинского сервиса мы стандартизируемся на одной грамотно выбранной дорожке, а сэкономленный бюджет кодирования тратим на правильную громкость и переключение языков. Для OTT-продукта с surround мы строим короткую лестницу Случая 1 – одна-две ступени surround плюс стерео-пол – и проверяем откат на реальном «гостином» оборудовании, потому что именно устройство без декодера Dolby обнажает отсутствующий пол. Решение всегда – арифметика из этой статьи, применённая к конкретной битрейтовой лестнице проекта.

Ключевые выводы

• Ступень выбирает плеер; сервер лишь публикует меню дорожек.
• Стерео-аудио – около 2% потока 1080p, адаптация почти ничего не экономит.
• Качество аудио выходит на плато рано, поэтому лестницам нужно 2–4 ступени, а не шесть.
• Surround (Случай 1) и аудио-только (Случай 2) – два случая, оправдывающих лестницу.
• Netflix даёт 192–640 кбит/с для 5.1; YouTube – 48/128/256 аудио-только.
• Вторую стерео-ступень добавляйте, только если нижняя ступень видео ниже ~600 кбит/с.

Что почитать дальше

• Аудио в HLS, DASH, CMAF: как плеер выбирает дорожку
• Как выбрать аудио-кодек для сервиса в 2026
• Математика хранения и CDN для аудио: налог на много дорожек