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 меньше видео, что стоимость хранения и доставки одной звуковой дорожки – это погрешность округления рядом с картинкой: стереодорожка на 128 тысяч бит в секунду составляет около 1,5–2,5% от потока 1080p. Деньги появляются только при умножении: каждый дополнительный язык, каждый дополнительный объёмный или иммерсивный формат и каждый дополнительный рунг битрейта добавляют к тайтлу ещё одну полноразмерную дорожку, и фильм на восьми языках со стерео, 5.1 и Dolby Atmos несёт сорок и более аудиорендиций. Счёт приходит в двух местах – фиксированное помесячное хранение в гигабайтах, которое дёшево и предсказуемо, и egress сети доставки контента (CDN) в гигабайтах или в устойчивых мегабитах в секунду, и именно здесь «налог на мультидорожки» кусается. В статье – точная арифметика, правила обрезки по тайтлам и по рендициям, которые срезают счёт без вреда реальному зрителю, и одностраничная шпаргалка для ваших собственных расчётов.

Почему это важно

Если вы ведёте OTT-сервис, платформу онлайн-обучения, телемедицинский продукт или любое приложение, доставляющее записанное видео зрителям более чем на одном языке, кто-то в вашей команде уже спрашивал «во что нам обходятся все эти аудиодорожки?» – или вот-вот спросит. Эта статья – для продакт-менеджера, основателя или операционного руководителя, который утверждает облачный счёт, но никогда не видел, как именно аудио набирает стоимость, и которому нужно грамотно возражать, когда инженер предлагает добавить 5.1 на двенадцати языках «потому что можем». К концу вы сможете оценить стоимость хранения и доставки любого плана мультидорожек на салфетке, будете знать две модели биллинга CDN и поймёте, какие дорожки безопасно срезать. Каждое число ниже воспроизводимо из открытых данных по битрейтам и облачных цен 2026 года, а арифметика показана вслух, чтобы вы могли менять входные данные и пересчитывать сами.

Одна идея: аудио дёшево за дорожку, дорого за матрицу

Начнём с модели, на которой держится вся статья. Одна аудиодорожка крошечная. 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, изредка по восьми или шестнадцати каналам. В итоге поток видео примерно в сто раз больше стереозвука, который едет вместе с ним.

Почему же вообще беспокоятся о стоимости аудио? Потому что реальные сервисы доставляют не одну дорожку. Они доставляют матрицу. По одной стороне матрицы идут 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 – и вы получаете не одну дорожку в нагрузку, а десятки полноразмерных дорожек, каждая длиной во весь тайтл, и все они хранятся и доставляются.

Это и есть налог на мультидорожки. Дело не в том, что одна дорожка дорогая. Дело в том, что число дорожек умножается сразу в двух измерениях, и стоимость умножается вместе с ним. Держите эту картинку в голове: аудио дёшево за дорожку и дорого за матрицу. Всё ниже – следствие того, насколько большой становится эта матрица и сколько стоит каждая ячейка.

Нажмите, чтобы увеличить

Шаг первый: насколько велика одна дорожка?

Прежде чем считать матрицу, нужна стоимость одной ячейки. Размер дорожки зависит от трёх вещей: её битрейта – числа бит, которые кодек тратит на секунду звука, в килобитах в секунду (kbps), – её длительности, и больше ни от чего. Размер хранения – это битрейт, умноженный на время, переведённый из бит в байты.

Возьмём самую частую дорожку: стерео в кодеке AAC-LC – рабочая лошадка Advanced Audio Coding почти на каждой видеоплатформе – на 128 kbps. (Напомним: битрейт 128 kbps означает, что кодек выдаёт 128 тысяч бит на каждую секунду звука.) Для фильма длиной 90 минут расчёт такой:

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 размера видео, одна часть из сорока. Если вы всегда доставляете один язык в одном формате, аудио и правда погрешность округления, и читать дальше необязательно. Остальная часть статьи – о том, что происходит, когда это не так.

Таблица битрейтов, которой вы будете пользоваться

Вот битрейты, которые применяют реальные сервисы, с размером для 90-минутного тайтла. Это стоимости ячеек, которые вы будете умножать.

Арифметика каждой строки – то же умножение, что выше; меняется только битрейт. Заметьте факт, который удивляет: даже Dolby Atmos, самый «тяжёлый» формат в списке, – это 518 МБ против 3 375 МБ одного видеорунга 1080p, всё ещё меньше одной шестой одного видеопотока, а в вашей видеолестнице рунгов несколько. Аудио никогда не обгоняет видео в пересчёте на дорожку. Налог целиком в умножении.

Числа Dolby стоит зафиксировать, потому что их чаще всего угадывают неверно. Сервисы ограничивают Dolby Digital Plus с Joint Object Coding – формат, несущий Atmos внутри потока Dolby Digital Plus, сокращённо DD+ JOC – потолком 768 kbps. Netflix поднял свой битрейт Atmos до этого потолка в мае 2019 года, с 448 kbps, и называет 768 kbps точкой, выше которой прирост качества неразличим. Новый кодек AC-4 даёт сопоставимое качество Atmos на 448 kbps – поэтому сервисы, переходящие на AC-4, видят падение стоимости иммерсивного аудио примерно на сорок процентов на дорожку.

Шаг второй: насколько большой становится матрица?

Теперь умножаем. Возьмём реальный пример, какой 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. Хранение матрицы – сумма всех ячеек. На язык вы несёте по одному формату:

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 поставим это рядом с видео. Современная видеолестница для 1080p несёт, скажем, шесть рунгов битрейта – от 400 kbps мобильного до верхнего 8 Mbps – и вся лестница 90-минутного фильма выходит на 12–15 ГБ. Значит, наша аудиоматрица – 6,9 ГБ на 24 дорожках – вполне сопоставима со всей видеолестницей. Это момент, когда интуиция «аудио бесплатно» ломается. На восьми языках по три формата аудио – уже не погрешность округления, а примерно половина размера видео.

Если идти дальше, станет хуже. Добавьте низкобитрейтный мобильный стереорунг на язык (аудиолестница, а не один рунг), добавьте тифлокомментарии для доступности на топ-3 языках, добавьте рунг высокого стерео 256 kbps для музыкальных тайтлов – и матрица достигнет 40+ дорожек и обгонит видеолестницу. Частая ошибка – считать каждое добавление «просто ещё одной маленькой дорожкой»: верно для дорожки, но матрица – это место, где маленькие числа становятся большим.

Нажмите, чтобы увеличить

Шаг третий: стоимость хранения – дёшево и предсказуемо

Хранение – лёгкий счёт. Облачное объектное хранилище – бакет, где вы держите медиафайлы, например Amazon S3 – стоит около 0,023 $ за гигабайт в месяц за стандартное «горячее» хранение в 2026 году. Наша матрица 6,9 ГБ обходится 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 с тем же планом:

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

Меньше 800 $ в месяц за аудио каталога из пяти тысяч тайтлов. Хранение – не там, где кусается налог на мультидорожки. Оно реально, предсказуемо и растёт линейно с матрицей, но мало. Урок: не оптимизируйте аудио ради экономии хранения. Оптимизируйте ради экономии доставки – следующего и куда большего счёта.

Шаг четвёртый: egress CDN – где налог реально кусается

Доставка – счёт, который важен, и работает иначе, чем хранение. Сеть доставки контента, сокращённо CDN, – это цепочка пограничных серверов, держащих копии ваших файлов рядом со зрителями, чтобы байты шли недалеко. (Представьте CDN как сеть магазинов у дома: тот же товар, ближе к каждому покупателю.) Вы платите CDN за каждый байт, ушедший с её границы к зрителю, – этот исходящий трафик называют egress. И egress тарифицируется одной из двух моделей, которые надо знать, чтобы рассуждать о счёте.

Модель A – за гигабайт

Простейшая модель: вы платите фиксированную ставку за каждый доставленный гигабайт. Публичные ставки 2026 года разбросаны широко – Amazon CloudFront в США около 0,085 $ за ГБ на малых объёмах, падая к 0,02 $ за ГБ на больших коммитах; Bunny.net стартует около 0,01 $ за ГБ; Cloudflare вообще не берёт плату за гигабайт за стандартную кэшированную доставку. Модель за ГБ легко считать: стоимость = доставленные байты × ставка.

Главный вывод для аудио. Egress определяется тем, что зрители реально смотрят, а не тем, что вы храните. Зритель за просмотр получает ровно одну дорожку – выбранный язык в лучшем поддерживаемом устройством формате. 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, на среднем рунге ~4 Mbps для 90-минутного фильма (около 2 700 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 $ видео, около 3% счёта доставки. Это якорное число: при биллинге за ГБ аудио – небольшая стабильная доля egress, пока каждый зритель получает одну дорожку. Размер матрицы влияет на хранение, но не на egress, потому что всю матрицу никто не скачивает. Один этот факт снимает половину паники о стоимости аудио.

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

Вторая модель удивляет финансистов. Крупные контракты – и большинство пиринговых и транзитных соглашений – тарифицируют не суммарные гигабайты, а ваш устойчивый пик пропускной способности методом 95-го перцентиля. Как это работает, по шагам. Провайдер замеряет ваш исходящий трафик каждые пять минут весь месяц – это 8 640 замеров за 30-дневный месяц. Сортирует замеры от меньшего к большему, отбрасывает верхние пять процентов (432 самых высоких замера, ваши короткие всплески) и выставляет счёт по самому высокому из оставшихся, в мегабитах в секунду.

Смысл отбрасывания верхних пяти процентов – простить короткие всплески (внезапная премьера, наплыв) и тарифицировать ту полосу, которую вы держите устойчиво. В этой модели счёт задаёт ваша пиковая одновременность: сколько потоков идёт в пиковый момент, умножить на битрейт каждого.

Это меняет поведение стоимости аудио. Добавьте более «богатый» формат по умолчанию – и вы поднимаете битрейт на поток в пике, что поднимает число 95-го перцентиля и счёт, хотя ни один зритель не скачал больше файлов. Пример: пусть пик – 100 000 одновременных потоков. Если дефолт – стерео 128 kbps, аудио вносит:

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

Если сменить дефолт на 5.1 384 kbps, вклад аудио в пик утроится до 38,4 Гбит/с; сменить на Atmos 768 kbps – 76,8 Гбит/с. Против видеопика 100 000 × 4 Mbps = 400 Гбит/с стерео добавляет к 95-му перцентилю около 3%, а Atmos по умолчанию добавил бы почти 20%. Ловушка – делать тяжёлый формат дефолтом, а не опцией: при 95-м перцентиле формат по умолчанию умножается на всю одновременную аудиторию в пике, и это одно аудиорешение способно сдвинуть счёт на двузначные проценты.

Нажмите, чтобы увеличить

Шаг пятый: правила обрезки, которые срезают счёт безопасно

Теперь выгода. Вот где резать, по приоритету, и почему каждый рез безопасен.

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 рунгов, чтобы плеер переключался вниз на слабой связи. Видео нужно много рунгов, потому что его битрейт огромен и сильно варьируется. Битрейт аудио мал настолько, что один удачный рунг – обычно стерео 128 kbps плюс запасной 64 kbps для реально стеснённых мобильных сетей – покрывает почти всех. Пятирунговая аудиолестница впятеро умножает хранение стерео ради защиты от проблемы, которой у большинства нет. (Спутниковая статья об аудио ABR-лестницах разбирает, когда второй рунг 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 когда цепочка воспроизведения это поддерживает. В качестве это не стоит ничего – телефон всё равно не отрендерит Atmos – и защищает ваш счёт по пику.

Переводите иммерсивное аудио на AC-4 там, где устройства поддерживают. AC-4 даёт качество Atmos на 448 kbps против 768 kbps у DD+ JOC – примерно на сорок процентов меньше на дорожку. На большом каталоге Atmos это реальная экономия и на хранении, и на пике 95-го перцентиля, без заметной потери качества.

Делите аудио между видеорендициями. В HLS, DASH и CMAF аудио живёт в собственной группе рендиций, отдельно от видео, – одна дорожка сочетается с каждым видеорунгом, а не по одной на рунг. Если ваш упаковщик дублирует аудио на каждую видеорендицию, вы платите за матрицу несколько раз без причины. (См. спутниковую статью о том, как аудио едет внутри HLS, DASH и CMAF.)

Как стандарты держат аудио отдельно от видео

Причина, по которой egress аудио остаётся малым – одна дорожка на просмотр, а не вся матрица – заложена в стандарты стриминга, и её стоит понять, чтобы проверить, что упаковщик делает это правильно.

В HTTP Live Streaming, определённом в IETF RFC 8216, альтернативные аудиодорожки объявляются тегами EXT-X-MEDIA, группирующими рендиции по GROUP-ID. Видеоварианты ссылаются на аудиогруппу, а не встраивают аудио, так что плеер скачивает одну видеорендицию и одну аудиорендицию и мультиплексирует их при воспроизведении. В MPEG-DASH, стандартизованном как ISO/IEC 23009-1, аудио и видео получают собственный AdaptationSet в манифесте, и плеер выбирает по одной Representation из каждого. Common Media Application Format, ISO/IEC 23000-19, позволяет одному набору аудиосегментов обслуживать и HLS, и DASH, что вдвое сокращает аудиохранение, если раньше вы упаковывали аудио дважды. Итог всех трёх: аудио адресуется и доставляется независимо от видео, так что egress зрителя – одна дорожка, никогда не матрица. Если ваши цифры хранения и egress говорят иначе – баг в конфигурации упаковки, а не в стандарте.

Где здесь Фора Софт

Мы строим видеопродукты, где стоимость аудио – реальная строка бюджета: OTT- и Internet-TV-платформы с многоязычными каталогами, системы онлайн-обучения с лекциями на нескольких языках, телемедицинские и конференц-приложения, где записанные сессии копят аудиодорожки со временем. Повторяющийся паттерн – перепровизионирование: полные surround-лестницы на языках с ничтожной аудиторией, тяжёлые форматы по умолчанию и аудио, продублированное на каждую видеорендицию неверно настроенным упаковщиком. Лечение почти никогда не ухудшает опыт зрителя; это обрезка по телеметрии и исправление упаковки, чтобы аудио делилось, а не умножалось. Если вы оцениваете аудиосчёт нового сервиса или аудируете существующий – это тот анализ, который мы делаем на ранней стадии проекта.

Главное

• Одна стереодорожка – около 2–3% от видеопотока; дёшево за дорожку.
• Стоимость умножается по матрице «язык × формат»; 8 языков × 3 формата ≈ вся видеолестница.
• Хранение мало и предсказуемо: меньше 800 $/мес за аудио каталога из 5 000 тайтлов.
• Egress CDN – реальный счёт: за гигабайт или по 95-му перцентилю устойчивых Мбит/с.
• При 95-м перцентиле тяжёлый формат по умолчанию двигает счёт на двузначные проценты.
• Режьте по телеметрии, держите аудио ABR минимальным, дефолт – стерео, делите 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