Стоимость хранения и CDN для аудио: сколько стоит «налог на мультидорожки»?

Опубликовано: 2026-06-06 · Время чтения: 14 мин · Автор: Николай Сапунов, CEO Фора Софт

Кратко

Аудио настолько легче видео, что стоимость хранения и доставки одной звуковой дорожки – это погрешность округления по сравнению с видеопотоком: стереодорожка со скоростью 128 тысяч бит в секунду занимает около 1,5–2,5% от потока 1080p. Деньги начинают накапливаться при умножении: каждый дополнительный язык, каждый объёмный или иммерсивный формат и каждый повышенный битрейт добавляют к тайтлу ещё одну полноценную дорожку. Фильм на восьми языках со стерео, 5.1 и Dolby Atmos может содержать сорок и более аудиорендиций. Счёт приходит в двух местах – фиксированное помесячное хранение в гигабайтах, которое дёшево и предсказуемо, и трафик сети доставки контента (CDN) в гигабайтах или стабильных мегабитах в секунду – именно здесь «налог на мультидорожки» особенно болезненно бьёт по бюджету. В статье – точная арифметика, правила обрезки по тайтлам и по рендициям, которые позволяют сократить расходы без ущерба для реального зрителя, а также одностраничная шпаргалка для собственных расчётов.

Почему это важно

Если вы управляете OTT-сервисом, платформой онлайн-обучения, телемедицинским продуктом или любым приложением, которое транслирует записанное видео зрителям на нескольких языках, кто-то в вашей команде уже задавал вопрос: «Во сколько нам обходятся все эти аудиодорожки?» – или вот-вот задаст. Эта статья предназначена для продакт-менеджера, основателя или операционного руководителя, который подписывает облачный счёт, но никогда не видел, как именно накапливается стоимость аудио, и которому нужно грамотно аргументировать, когда инженер предлагает добавить 5.1 на двенадцати языках «потому что можем». К концу вы сможете оценить стоимость хранения и доставки любого сценария с мультидорожками на салфетке, поймёте две модели тарификации CDN и узнаете, какие дорожки можно безопасно убрать. Каждое число ниже воспроизводимо на основе открытых данных по битрейтам и ценам в облаке за 2026 год, а арифметика приведена подробно, чтобы вы могли менять входные параметры и пересчитывать всё самостоятельно.

Одна идея: аудио дёшево за дорожку, дорого за матрицу

Начнём с модели, на которой держится вся статья. Одна аудиодорожка занимает очень мало места. Причина проста: видео должно описывать миллионы пикселей, меняющихся тридцать или шестьдесят раз в секунду, а аудио – лишь волну давления, колеблющуюся несколько десятков тысяч раз в секунду по одному-двум, а иногда – по восьми или шестнадцати каналам. В итоге поток видео примерно в сто раз больше, чем стереозвук, который идёт вместе с ним.

Почему вообще стоит беспокоиться о стоимости аудио? Потому что реальные сервисы передают не одну дорожку – они передают матрицу. По одной оси – языки: английский, испанский, французский, немецкий, японский и так далее. По другой – форматы: обычное стерео для телефонов, 5.1 для домашних саундбаров, Dolby Atmos для премиального домашнего кинотеатра. Перемножьте эти параметры – и вы получите не одну, а десятки полноразмерных дорожек, каждая из которых длится столько же, сколько весь контент, и все они хранятся и доставляются.

Это и есть налог на мультидорожки. Дело не в том, что одна дорожка сама по себе дорогая. Дело в том, что количество дорожек умножается сразу по двум измерениям, и стоимость растёт вместе с ним. Держите в голове эту картинку: аудио дёшево за дорожку, но дорого за матрицу. Всё, что будет ниже, – следствие того, насколько большой становится эта матрица и сколько стоит каждая её ячейка.

Нажмите, чтобы увеличить

Шаг первый: насколько велика одна дорожка?

Прежде чем считать матрицу, нужно определить стоимость одной ячейки. Размер дорожки зависит только от трёх факторов: её битрейта – количества бит, которые кодек использует на секунду звука, измеряемого в килобитах в секунду (kbps), – длительности и больше ни от чего. Объём хранения вычисляется как произведение битрейта на время, с последующим переводом из бит в байты.

Возьмём самый распространённый вариант: стерео в кодеке AAC-LC – «рабочая лошадка» Advanced Audio Coding, используемая почти на каждой видеоплатформе, – при битрейте 128 кбит/с. (Напомним: битрейт 128 кбит/с означает, что кодек выдаёт 128 тысяч бит на каждую секунду звука.) Для фильма продолжительностью 90 минут расчёт будет следующим:

128 000 бит/с × 5 400 с = 691 200 000 бит
691 200 000 бит ÷ 8 = 86 400 000 байт
86 400 000 байт ÷ 1 000 000 = 86,4 мегабайта (МБ)

Итак, одна стереодорожка AAC-LC на 90-минутный фильм – около 86 мегабайт. Теперь сравним с видео. Типичный поток 1080p идёт около 5 мегабит в секунду (Mbps) – обратите внимание на заглавную M: это миллионы бит в секунду, и по соглашению аудио меряют в kbps, а видео в Mbps. Тот же фильм как видео:

5 000 000 бит/с × 5 400 с ÷ 8 ÷ 1 000 000 = 3 375 МБ ≈ 3,4 гигабайта (ГБ)

Одна стереодорожка – 86 МБ против 3 375 МБ видео, то есть около 2,5% от его размера – одна часть из сорока. Если вы всегда передаёте один язык в одном формате, аудио действительно становится погрешностью округления, и дальше читать не обязательно. Остальная часть статьи – о том, что происходит, когда это не так.

Таблица битрейтов, которую вы будете использовать

Вот битрейты, которые используют реальные сервисы, с указанием объёма для 90-минутного фильма. Это стоимость ячеек, которые вы будете умножать.

Арифметика каждой строки – то же умножение, что и выше; меняется только битрейт. Обратите внимание на удивительный факт: даже Dolby Atmos, самый «тяжёлый» формат в списке, занимает 518 МБ против 3 375 МБ одного видеорунга 1080p – всё ещё меньше одной шестой от одного видеопотока, а в вашей видеолестнице таких рунгов несколько. Аудио никогда не обгоняет видео по объёму на дорожку. Вся нагрузка – в умножении.

Числа Dolby стоит зафиксировать, потому что их чаще всего называют неверно. Сервисы ограничивают Dolby Digital Plus с Joint Object Coding – форматом, в котором Atmos передаётся внутри потока Dolby Digital Plus, сокращённо DD+ JOC, – потолком в 768 кбит/с. В мае 2019 года Netflix повысил битрейт Atmos до этого значения – с 448 кбит/с – и называет 768 кбит/с порогом, выше которого прирост качества становится неразличимым. Новый кодек AC-4 обеспечивает сопоставимое качество Atmos уже при 448 кбит/с – поэтому переход на AC-4 позволяет сервисам снизить затраты на иммерсивное аудио примерно на сорок процентов на одну дорожку.

Шаг второй: насколько большой становится матрица?

Теперь умножаем. Возьмём реальный пример – такой глобальный сервис доставляет каждую неделю: 90-минутный фильм, 8 языков, каждый язык в трёх форматах – стерео 128 kbps, 5.1 на 384 kbps и Atmos на 768 kbps.

Это 8 × 3 = 24 дорожки. Объём хранения матрицы равен сумме всех её ячеек. На язык вы передаёте данные в одном формате:

На язык: 86 МБ (стерео) + 259 МБ (5.1) + 518 МБ (Atmos) = 863 МБ
Все 8 языков: 863 МБ × 8 = 6 904 МБ ≈ 6,9 ГБ аудио на тайтл

Теперь сравним это с видео. Современная видеолестница для 1080p включает, скажем, шесть уровней битрейта – от 400 кбит/с для мобильных устройств до максимальных 8 Мбит/с – и весь 90-минутный фильм занимает 12–15 ГБ. Значит, наша аудиоматрица – 6,9 ГБ на 24 дорожках – вполне сопоставима по объёму со всей видеолестницей. Вот момент, когда интуиция «аудио бесплатно» рушится. На восьми языках по три аудиоформата – уже не погрешность округления, а примерно половина размера видео.

Если продолжать в том же духе, ситуация только ухудшится. Добавьте низкобитрейтный мобильный стереорунг на язык (аудиолестницу, а не просто один рунг), включите тифлокомментарии для доступности на трёх основных языках, добавьте рунг высокого качества 256 кбит/с для музыкальных треков – и матрица достигнет 40+ дорожек, обогнав видеолестницу. Распространённая ошибка – считать каждое дополнение «просто ещё одной маленькой дорожкой»: это верно для отдельной дорожки, но матрица – это место, где маленькие числа складываются в большое.

Нажмите, чтобы увеличить

Шаг третий: стоимость хранения – дёшево и предсказуемо

Хранение – дело простое. Облачное объектное хранилище – это бакет, в котором хранятся медиафайлы, например Amazon S3. В 2026 году стандартное «горячее» хранение обойдётся примерно в 0,023 $ за гигабайт в месяц. Наша матрица объёмом 6,9 ГБ будет стоить так:

6,9 ГБ × 0,023 $/ГБ/мес = 0,16 $ на тайтл в месяц

Шестнадцать центов в месяц за все аудиодорожки фильма. На каталоге из 5 000 тайтлов по тому же тарифу:

6,9 ГБ × 5 000 тайтлов = 34 500 ГБ ≈ 34,5 терабайта (ТБ)
34 500 ГБ × 0,023 $ = 794 $ в месяц за всё аудиохранение

Менее 800 долларов в месяц за аудиокаталог из пяти тысяч треков. Хранение – не там, где кусается налог на мультидорожки. Это реально, предсказуемо и растёт линейно с матрицей, но объём небольшой. Урок: не оптимизируйте аудио ради экономии на хранении. Оптимизируйте ради экономии на доставке – вот где следующий и куда больший счёт.

Шаг четвёртый: egress CDN – где налог реально кусается

Доставка – это счёт, который работает иначе, чем хранение. Сеть доставки контента, или CDN, – это цепочка пограничных серверов, хранящих копии ваших файлов рядом со зрителями, чтобы данные проходили минимальное расстояние. (Представьте CDN как сеть магазинов у дома: тот же товар, но ближе к каждому покупателю.) Вы платите CDN за каждый байт, переданный с её границы зрителю – этот исходящий трафик называют egress. И egress тарифицируется по одной из двух моделей, которые важно знать, чтобы правильно оценивать счёт.

Модель A – за гигабайт

Простейшая модель: вы платите фиксированную ставку за каждый доставленный гигабайт. Публичные тарифы 2026 года сильно различаются – Amazon CloudFront в США предлагает около 0,085 $ за ГБ на небольших объёмах, снижаясь до 0,02 $ за ГБ при больших объёмах; Bunny.net начинает с 0,01 $ за ГБ; Cloudflare вообще не взимает плату за гигабайт при стандартной кэшированной доставке. Модель по гигабайтам легко рассчитывается: стоимость = количество доставленных байт × ставка.

Главный вывод для аудио: egress определяется тем, что зрители реально смотрят, а не тем, что вы храните. Зритель получает ровно одну дорожку – выбранный язык в лучшем поддерживаемом формате устройства. Значит, egress аудио за один просмотр – это размер одной дорожки, а не всей матрицы:

Один просмотр, фильм 90 мин, стерео 128 kbps = 86 МБ доставлено
При 0,085 $/ГБ: 0,086 ГБ × 0,085 $ = 0,0073 $ за просмотр (меньше цента)
На 1 000 000 просмотров: 86 000 ГБ × 0,085 $ = 7 310 $ egress аудио

Теперь тот же миллион просмотров видео при средней скорости ~4 Мбит/с для 90-минутного фильма (около 2700 МБ на просмотр):

2 700 МБ × 1 000 000 просмотров = 2 700 000 ГБ
2 700 000 ГБ × 0,085 $ = 229 500 $ egress видео

Egress-аудио – 7 310 $ против 229 500 $ у видео, то есть около 3% от общей стоимости доставки. Это ключевое число: при учёте трафика по объёму в гигабайтах аудио остаётся небольшой и стабильной долей egress, пока каждый зритель получает одну дорожку. Размер матрицы влияет на объём хранения, но не на egress, поскольку никто не скачивает всю матрицу целиком. Сам по себе этот факт устраняет половину опасений по поводу стоимости аудио.

Модель B – 95-й перцентиль (устойчивые мегабиты в секунду)

Вторая модель удивляет финансистов. Крупные контракты – и большинство пиринговых, и транзитных соглашений – тарифицируются не по общему объёму гигабайт, а по вашему устойчивому пиковому значению пропускной способности с использованием метода 95-го перцентиля. Как он работает – по шагам. Провайдер измеряет ваш исходящий трафик каждые пять минут в течение месяца – это 8 640 замеров за 30-дневный период. Затем он сортирует эти данные по возрастанию, отбрасывает верхние пять процентов (то есть 432 самых высоких замера – ваши кратковременные всплески) и выставляет счёт по самому высокому значению из оставшихся, выраженному в мегабитах в секунду.

Смысл отбрасывания верхних пяти процентов – игнорировать кратковременные всплески (например, внезапная премьера или наплыв трафика) и тарифицировать ту нагрузку, которую вы держите стабильно. В этой модели счёт зависит от вашей пиковой одновременности: количество потоков в пиковый момент умножается на битрейт каждого.

Это меняет поведение стоимости аудио. Если выбрать по умолчанию более «богатый» формат, вы увеличите битрейт потока в пиковые моменты, что повысит значение 95-го перцентиля и итоговый счёт, хотя ни один зритель не скачал больше файлов. Пример: пусть пик составит 100 000 одновременных потоков. Если по умолчанию используется стерео 128 kbps, аудио вносит:

100 000 потоков × 128 kbps = 12 800 000 kbps = 12,8 гигабит в секунду (Гбит/с) в пике

Если установить по умолчанию формат 5.1 с битрейтом 384 кбит/с, вклад аудио в пик утроится – до 38,4 Гбит/с; при выборе Atmos с 768 кбит/с – до 76,8 Гбит/с. В сравнении с видеопиком 100 000 × 4 Мбит/с = 400 Гбит/с, стерео добавляет к 95-му перцентилю около 3 %, а Atmos по умолчанию – почти 20 %. Ловушка в том, чтобы сделать тяжёлый формат дефолтом, а не опцией: при нагрузке на 95-м перцентиле формат по умолчанию применяется ко всей одновременной аудитории в пиковый момент, и одно аудиорешение способно увеличить нагрузку на двузначные проценты.

Нажмите, чтобы увеличить

Шаг пятый: правила обрезки, которые безопасно снижают счёт

Теперь о выгоде. Вот где можно сократить расходы, в порядке приоритета, и почему каждое сокращение безопасно.

Режьте по телеметрии плеера, а не по догадкам. Самая большая трата – хранить и упаковывать дорожки, которые никто не играет. Если аналитика показывает, что финская версия набирает 40 просмотров в месяц, а финский 5.1 ни разу не выбран, эта 5.1-дорожка платит за хранение и упаковку при нулевой пользе для egress. Возьмите из аналитики плеера счётчики выбора по языку и формату и срежьте длинный хвост. Это обрезка по тайтлам: не каждому тайтлу нужна полная матрица; нишевому документальному не нужен Atmos на двенадцати языках.

Не стройте аудио ABR-лестницу без доказанной нужды. Адаптивный битрейт (ABR) – это несколько уровней, чтобы плеер мог переключаться на более низкое качество при слабом соединении. Видео требует много уровней, потому что его битрейт очень высок и сильно варьируется. Битрейт аудио настолько мал, что одного качественного уровня – например, стерео 128 kbps – обычно достаточно, а запасной уровень 64 kbps покрывает даже самые стеснённые мобильные сети. Пятиуровневая аудиолестница увеличивает объём хранения в пять раз ради решения проблемы, которой у большинства пользователей нет. (Спутниковая статья об аудио ABR-лестницах разбирает, когда второй уровень себя окупает.)

Делайте тяжёлые форматы опцией, никогда не дефолтом. Как показала математика 95-го перцентиля, дефолтный формат умножается на всю одновременную аудиторию. Дефолт – стерео; пусть устройство и настройки зрителя запрашивают 5.1 или Atmos только тогда, когда цепочка воспроизведения это поддерживает. В качестве это ничего не теряет – телефон всё равно не отрендерит Atmos – и защищает ваш счёт по пику.

Используйте иммерсивное аудио в формате AC-4 на устройствах, которые его поддерживают. AC-4 обеспечивает качество звука Atmos при битрейте 448 кбит/с против 768 кбит/с у DD+ JOC – то есть примерно на 40 % меньше на дорожку. На обширном каталоге контента в формате Atmos это даёт реальную экономию как по объёму хранения, так и по нагрузке на пик 95-го перцентиля, без заметной потери качества.

Делите аудио между видеорендициями. В HLS, DASH и CMAF аудио хранится в отдельной группе рендиций, независимо от видео: одна аудиодорожка соответствует каждому видеорунгу, а не создаётся по одной на каждый рунг. Если ваш упаковщик дублирует аудио для каждой видеорендиции, вы платите за одну и ту же матрицу несколько раз без необходимости. (См. спутниковую статью о том, как аудио передаётся внутри HLS, DASH и CMAF.)

Как стандарты разделяют аудио и видео

Причина, по которой аудио-эгресс остаётся небольшим – одна дорожка на просмотр, а не вся матрица, – заложена в стандарты стриминга, и её стоит понять, чтобы убедиться, что упаковщик работает правильно.

В HTTP Live Streaming, определённом в IETF RFC 8216, альтернативные аудиодорожки объявляются с помощью тегов EXT-X-MEDIA, которые группируют рендиции по GROUP-ID. Видеоварианты ссылаются на аудиогруппу, а не содержат аудио напрямую, поэтому плеер загружает одну видеорендицию и одну аудиорендицию, мультиплексируя их при воспроизведении. В MPEG-DASH, стандартизованном как ISO/IEC 23009-1, аудио и видео получают отдельные AdaptationSet в манифесте, и плеер выбирает по одной Representation из каждого. Common Media Application Format (ISO/IEC 23000-19) позволяет одному набору аудиосегментов обслуживать как HLS, так и DASH, что вдвое сокращает объём хранения аудио – если ранее вы упаковывали его дважды. Итог всех трёх подходов: аудио адресуется и доставляется независимо от видео, так что трафик зрителя – это одна дорожка, а не матрица. Если ваши показатели хранения и трафика расходятся с этим – проблема в конфигурации упаковки, а не в стандарте.

Где здесь Фора Софт

Мы создаём видеопродукты, в которых стоимость аудио – реальная статья расходов: OTT- и интернет-телевизионные платформы с многоязычными каталогами, системы онлайн-обучения с лекциями на разных языках, телемедицинские и конференц-приложения, где записанные сессии накапливают аудиодорожки со временем. Повторяющийся паттерн – избыточное провижинирование: полные surround-лестницы на языках с минимальной аудиторией, тяжёлые форматы по умолчанию и дублирование аудио на каждую видеорендицию из-за неправильно настроенного упаковщика. Лечение почти никогда не ухудшает пользовательский опыт – это обрезка по телеметрии и исправление упаковки, чтобы аудио объединялось, а не дублировалось. Если вы оцениваете аудиобюджет нового сервиса или аудируете существующий – такой анализ мы проводим на ранней стадии проекта.

Главное

• Одна стереодорожка занимает около 2–3% от видеопотока – недорого за дорожку.
• Стоимость растёт по матрице «язык × формат»: 8 языков × 3 формата – и вы покрываете всю видеолестницу.
• Объём хранения мал и предсказуем: менее 800 $/мес за аудиокаталог из 5000 тайтлов.
• Egress CDN – реальная статья расходов: оплата идёт либо за гигабайт, либо по 95-му перцентилю устойчивого трафика в Мбит/с.
• При расчёте по 95-му перцентилю тяжёлый формат по умолчанию увеличивает счёт на двузначные проценты.
• Оптимизируйте по телеметрии, держите аудио ABR на минимуме, используйте стерео как дефолт, распределяйте аудио между рунгами.

Что читать дальше

• Аудио adaptive bitrate лестницы: они вам реально нужны?
• Аудио в HLS, DASH, CMAF: как плеер выбирает аудиодорожку
• Многоязычное аудио: дорожки, дубляж, тифлокомментарии, сурдоперевод