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 в зависимости от состояния сети. Многие команды считают, что аудио тоже нуждается в такой же многоступенчатой системе. Однако для большинства каталогов это не требуется: одной грамотно подобранной аудиодорожки (максимум двух) вполне достаточно, ведь стереозвук на 128 кбит/с составляет всего около двух процентов от потока 1080p – снижать его качество почти бессмысленно. Настоящая аудио-лестница оправдана лишь в двух случаях: во-первых, при использовании объёмного (surround) и иммерсивного звука – например, когда дорожка Dolby на 640 кбит/с требует резервной на 192 кбит/с или стерео при слабом соединении; во-вторых, в аудиосервисах – музыке и подкастах, где аудио составляет весь поток. В этой статье – арифметика, реальные примеры от Netflix, Apple и YouTube, а также простое правило выбора, которое вы сможете применить к своему каталогу за один вечер.

Почему это важно

Если вы передаёте видео или аудио, кому-то в команде придётся решать, сколько версий каждой звуковой дорожки кодировать, хранить и раздавать – и это решение напрямую влияет на стоимость кодирования, расходы на хранение и качество воспроизведения, особенно для зрителей с медленным интернетом. Эта статья для продакт-менеджера, основателя или операционного лидера без опыта в стриминге, который хочет возразить против идеи «давайте просто сделаем пять аудио-битрейтов, как для видео» или, наоборот, отстоять surround-запасные дорожки, которые команда сочла избыточными. К концу вы сможете самостоятельно рассчитать нагрузку на полосу пропускания, назвать две ситуации, в которых аудио-лестница оправдана, и анализировать опубликованные аудио-лестницы крупных платформ для сравнения со своей. Каждая рекомендация основана на первоисточниках – спецификации HLS Authoring Specification от Apple, стандарте DASH ISO/IEC 23009-1 и опубликованном аудио-конвейере Netflix, – а не на маркетинговых материалах вендоров.

Сначала – что такое «лестница»

Стриминговая лестница (ladder) – это набор версий одного и того же контента с разным качеством, которые вы публикуете, чтобы плеер мог переключаться между ними. Новичку в стриминге важно запомнить одну вещь: качество выбирает не сервер, а плеер. Сервер предоставляет меню – подробно разобранное в статье аудио в HLS, DASH, CMAF, – а плеер на телефоне или телевизоре оценивает состояние сети и поднимается по лестнице вверх, когда полоса пропускания велика, и спускается вниз, когда она ограничена. Каждая ступень – это одна закодированная версия с фиксированным битрейтом.

Для видео это очевидно полезно. Разница между разрешением 360p при 700 кбит/с и 1080p при 6000 кбит/с огромна – и по объёму данных, и по качеству изображения. Зрителю в метро нужен минимальный уровень; зрителю с домашним оптоволоконным подключением – максимальный. Качество видео продолжает расти с увеличением битрейта в широком диапазоне, поэтому 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 – причина в арифметике.

Арифметика, которая убивает большинство аудио-лестниц

Вот расчёт, который каждая команда должна выполнить перед созданием аудио-лестницы: возьмите типичный адаптивный видеопоток и определите, какую долю в нём занимает аудио.

Распространённое разрешение 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 при максимальном качестве звуковая дорожка занимает примерно одну пятидесятую битрейта. Теперь представим, что сеть ухудшилась, и вы хотите сэкономить пропускную способность, снизив аудио с 128 до 64 кбит/с. Вы экономите 64 кбит/с. На потоке в 6128 кбит/с это снижение всего на один процент – незаметное для сети, но слушатель сразу почувствует более грубое звучание. При этом плеер уже снизил видео с 6000 до, скажем, 1500 кбит/с – вот где реально экономится полоса.

Вывод очевиден: когда аудио – всего лишь небольшой «пассажир» в большом видеопотоке, его адаптация почти не экономит пропускную способность и может ухудшить качество звука. Поэтому лучше выбрать одну качественную аудиодорожку и оставить её фиксированной, пока адаптацией занимается видео. Отсюда и стандарт для обычного стерео-видео – одна аудиодорожка, а не целая «лестница».

Нажмите, чтобы увеличить

Почему качество аудио выходит на плато, когда качество видео продолжает расти

Есть и вторая причина, по которой аудио требует меньше ступеней – она связана со слухом, а не с сетью. Качество видео продолжает расти с увеличением битрейта в очень широком диапазоне: глаз различает 480p, 720p, 1080p и 4K. Качество аудио, напротив, быстро выходит на плато. Современные кодеки достигают состояния «неотличимо от оригинала» – инженеры называют это перцептивно прозрачным – уже при скромном битрейте, и дальнейшее увеличение битрейта не приносит никаких изменений для человеческого слуха.

Для стерео AAC плато находится примерно в диапазоне 128–256 кбит/с: ниже этого уровня качество резко падает, выше – вы тратите биты, которые ни одно ухо не сможет различить. Поэтому даже при построении аудио-лестницы в ней обычно две–четыре ступени, а не шесть: над плато просто нет слышимой территории, куда можно было бы поставить более высокую ступень. Где проходит плато у каждого кодека, мы разбираем в статье как выбрать аудио-кодек в 2026.

Два случая, когда аудиолестница оправдана

Если стандарт – «одна дорожка», то в каких случаях вам действительно понадобится больше одной? Ответ исчерпывают два сценария.

Случай 1 – surround и иммерсивный звук

В приведённой арифметике выше использовалась стереодорожка на 128 кбит/с. Замените её на окружающий звук – и цифры изменятся. Surround означает больше двух каналов; типичная конфигурация – 5.1, то есть пять полноценных каналов плюс один канал низкочастотных эффектов, обозначаемый как «5.1». Качественная дорожка 5.1 в Dolby Digital Plus может занимать до 640 кбит/с, а иммерсивный Dolby Atmos – ещё больше. 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 существенная часть полосы. Зритель, который не тянет полную ступень видео, скорее всего, не потянет и звуковую дорожку на 640 кбит/с. Вот где лестница окупается: предложите surround-дорожку на 640 кбит/с тем, кто её осилит, на 192 кбит/с – тем, кто не осилит, и стерео- AAC как минимальную опцию для самых слабых соединений и устройств, которые вообще не поддерживают surround. Плеер поднимается по этой короткой аудио-лестнице в такт с сетью.

Нажмите, чтобы увеличить

Случай 2 – аудиосервисы без видео

Второй случай проще. Когда видео отсутствует – музыка, подкасты, аудиокниги, радио – весь поток состоит только из аудио. Нет большого видеофайла, за которым можно было бы «спрятаться», поэтому каждый бит аудиоадаптации – это реально сэкономленная пропускная способность. Музыкальному сервису на телефоне, который переключается с Wi-Fi на слабый сотовый сигнал, действительно нужно понизить качество с 256 кбит/с до 96 кбит/с, чтобы воспроизведение шло без подвисаний. Здесь лестница из двух–четырёх ступеней – не опция, а основа продукта.

Что реальные платформы предлагают в 2026

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

Netflix

Опубликованный аудио-канал Netflix – самый наглядный пример Случая 1. Для формата surround 5.1 сервис использует лестницу битрейтов Dolby Digital Plus от 192 до 640 кбит/с и адаптирует её так же, как видео: отдаёт лучшее, что могут обеспечить устройство и канал. Инженеры Netflix установили на внутренних и тестовых прослушиваниях от Dolby, что Dolby Digital Plus на 640 кбит/с и выше воспринимается как перцептивно прозрачный: верхняя ступень – 640 кбит/с – это сжатие 10:1 от 24-битного студийного мастер-трека 5.1, и ни один слушатель в тестах не смог его отличить. Для иммерсивного формата Dolby Atmos Netflix увеличил верхнюю ступень до 768 кбит/с. На устройствах, не поддерживающих Dolby, происходит откат к стерео-AAC или старому AC-3. Это образцовая реализация Случая 1: несколько ступеней surround-поддержки плюс стерео-основа – и ничего лишнего.

Apple (HLS Authoring Specification)

Apple публикует не «лестницу» битрейтов, а чёткие границы – и эти границы показывают, насколько мало ступеней имеет смысл использовать. Спецификация HLS Authoring рекомендует стерео-AAC в диапазоне 32–160 кбит/с – узкий интервал, подтверждающий идею о плато качества: повышение битрейта выше 160 кбит/с для стереозвука не даёт заметного выигрыша. Что касается surround 5.1, Apple прямо указывает, что AAC – не подходящий формат: следует использовать Dolby Digital на 384 кбит/с или Dolby Digital Plus на 192 кбит/с. Кроме того, спецификация требует, чтобы стерео- и многоканальные аудиодорожки находились в отдельных rendition-группах – об этом подробно рассказано в аудио в HLS, DASH, CMAF. В результате Apple-совместимый пакет естественным образом сводится к паре аудиодорожек на одну раскладку, но не к многоступенчатой лестнице.

YouTube

YouTube Music демонстрирует шаблон Случая 2. Сервис предлагает три уровня качества: 48 кбит/с на низком, 128 кбит/с на нормальном и 256 кбит/с на высоком. В мобильных приложениях используется кодек AAC, а в веб-версии – Opus, открытый формат, подробно рассмотренный в статье Opus: открытый кодек, поглотивший WebRTC. Это трёхуровневая аудио-ориентированная система – именно такой вариант из 2–4 ступеней предсказывает арифметика, когда весь поток состоит исключительно из аудиоданных.

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

Когда стерео на видео всё же требует второй ступени

У стандарта «одна дорожка» есть важное исключение, которое стоит отметить – именно его инженеры часто приводят в споре. Арифметика, при которой аудио становится «маленьким пассажиром», исходит из предположения, что его битрейт мал относительно самого низкого уровня видео. На лестнице, спускающейся до 200 кбит/с видео для самых слабых соединений, стереодорожка в 128 кбит/с уже не составляет 2% от общего потока, а почти 40% – и теперь адаптация аудио становится существенной. Рецензируемая работа по адаптивному стримингу с раздельными аудио- и видеодорожками делает именно этот вывод: когда качественная аудиодорожка приближается по битрейту к нижним ступеням видео, адаптация звука становится столь же важной для восприятия зрителя, как и адаптация видео.

Практическое правило: если 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 (например, 64 кбит/с вместо стандартных 128 кбит/с), чтобы плеер мог снизить битрейт аудио на самой нижней ступени. Если нижняя ступень видео уверенно выше 1 Мбит/с – не заморачивайтесь; одной стереодорожки достаточно.

«Ловушка – перенос числа видео-ступеней на аудио. Самая частая и самая дорогая ошибка при работе с аудио-лестницей – «у нас шесть видео-ступеней, сделаем шесть аудио-ступеней». Шесть стерео-каналов AAC увеличивают объём кодирования и хранения аудио в шесть раз ради полосы пропускания, которую не заметит ни одна сеть, и качества, которое не услышит ни один человек. Хуже того, каждая лишняя аудиодорожка многократно усложняет контроль качества и упаковку для каждого языка, на который вы делаете выпуск – эту проблему мы подробно разбираем в статье математика хранения и CDN для аудио. Выбирайте количество ступеней по правилу двух случаев, а не по видео-лестнице.»

Где здесь Фора Софт

В продуктах видеостриминга, OTT, e-learning и телемедицины, которые мы разрабатываем с 2005 года, вопрос аудиолестницы возникает каждый раз одинаково: инженер автоматически тянется к шаблону для видео и предлагает больше аудиоступеней, чем требуется каталогу. Для стерео-ориентированных сервисов e-learning или телемедицины мы стандартизируемся на одной хорошо подобранной дорожке, а сэкономленный бюджет кодирования направляем на правильную громкость и переключение языков. В случае OTT-продукта с surround-звуком строим короткую лестницу по Случаю 1 – одну-две ступени surround плюс стереопол – и обязательно проверяем откат на реальном «гостином» оборудовании, потому что именно устройства без декодера Dolby выявляют отсутствие стереопола. Решение всегда – арифметика из этой статьи, адаптированная к конкретной битрейтовой лестнице проекта.

Ключевые выводы

• Ступень выбирает плеер; сервер лишь публикует меню дорожек.
• Стерео-аудио занимает около 2% потока 1080p, адаптация почти ничего не экономит.
• Качество аудио быстро достигает плато, поэтому лестницам достаточно 2–4 ступеней, а не шести.
• Surround (Случай 1) и аудио-только (Случай 2) – два случая, оправдывающих использование лестницы.
• Netflix использует диапазон 192–640 кбит/с для 5.1; YouTube предлагает 48/128/256 кбит/с для аудио-только.
• Добавляйте вторую стерео-ступень только в том случае, если нижняя ступень видео ниже ~600 кбит/с.

Что почитать дальше

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