Что такое цифровое видео: от аналогового сигнала к битам

TL;DR

Цифровое видео – это просто длинный список неподвижных картинок, которые показываются так быстро, что глаз видит движение, а не отдельные слайды. Каждая картинка – это сетка крошечных цветных точек, называемых пикселями, а каждый пиксель хранится как небольшая группа чисел. Любое цифровое видео описывается пятью характеристиками: сколько точек в одной картинке, сколько картинок в секунду, какие именно цвета эти точки могут принимать, насколько точно записан каждый цвет и как строки картинки рисуются на экране. Как только вы поймёте эти пять параметров, всё, что вы потом услышите про кодеки, форматы файлов и протоколы стриминга, перестанет казаться магией и начнёт выглядеть как набор понятных компромиссов, в которых можно ориентироваться.

Зачем это знать

Если вы собираетесь строить продукт, в котором есть видео – сервис типа Netflix, онлайн-приём у врача, приложение для видеоконференций, платформу для камер видеонаблюдения, онлайн-обучение – следующий год вашей жизни будет наполнен разговорами о видео, которые звучат как другой язык. Инженеры скажут вам, что нужно «H.265 в 4K с chroma 4:2:0 и 10 бит», и вам придётся решать, подходит ли это вашим клиентам, бюджету и срокам. Эта статья – фундамент, который делает такие разговоры понятными. К концу вы сможете читать прайс-лист подрядчика, инженерный блог YouTube или команду FFmpeg – и видеть, в чём именно заключается компромисс.

Мы будем строить картину по кусочкам. Никаких предварительных знаний не требуется. Мы будем определять каждый термин до его использования и периодически возвращаться к важным понятиям, чтобы вам не пришлось держать всё в голове одновременно.

От аналога к цифре: 90-секундная история

Большую часть XX века телевидение и видео были аналоговыми. «Аналоговый» здесь значит просто непрерывный – непрерывная электрическая волна, которая плавно меняется, чтобы передать меняющуюся яркость сцены. Камера превращала свет, который видела, в волнистый электрический сигнал, передавала этот сигнал в эфир, а телевизор использовал этот сигнал, чтобы направлять луч электронов по стеклянному экрану, рисуя картинку строка за строкой с высокой скоростью. Никаких чисел в этой цепочке не было. Картинка была волной, и экран рисовал волну.

В аналоговую эпоху доминировали три региональных стандарта, отличавшиеся количеством горизонтальных строк и частотой обновления:

• NTSC – Северная Америка и Япония. 525 строк на картинку, 60 обновлений в секунду. Принят в чёрно-белом варианте в 1941 году, обновлён под цветное вещание в 1953-м. 1
• PAL – большая часть Европы. 625 строк, 50 обновлений в секунду. Запатентован немецкой компанией Telefunken в декабре 1962 года. 2
• SECAM – Франция и часть бывшего советского блока. То же количество строк, что у PAL, но иной способ кодирования цвета.

Аналоговая система работала, но имела жёсткие пределы. Магнитные ленты деградировали при каждой перезаписи. Сигнал нёс ограниченное количество деталей и быстро становился размытым. И компьютеры по сути не могли ничего с этим сигналом сделать – нельзя было его обработать, проиндексировать или эффективно передать по интернету, потому что компьютеры мыслят числами, а не волнами.

Переход на цифру произошёл примерно между 1993 и 2009 годами. «Цифровой» здесь значит измеренный и записанный числами – вместо непрерывной волны вы получаете длинный список дискретных значений, которые компьютер может хранить, копировать, обрабатывать и передавать. Вехи шли быстро: MPEG-1 (первый широко распространённый цифровой формат видео) в 1993 году, DVD-Video в 1996-м, стандарт ATSC для цифрового наземного ТВ принят в США в 1996-м, аналогичные стандарты появились в Европе под общим именем DVB. К июню 2009 года правительство США законодательно обязало все эфирные телестанции выключить аналоговые передатчики. 3 После этого момента каждая камера, каждый диск и каждый стрим, с которым сталкиваются вы и ваши клиенты, – цифровой.

Цифра победила по трём причинам, которые до сих пор важны для любого продукта. Во-первых, цифровые копии идеальны – копирование числа не портит его так, как порча копий магнитной ленты. Во-вторых, цифру можно сжимать – отбрасывать ту информацию, которой глаз всё равно не видит, и резко уменьшать размер файла, что и делает стриминг через интернет возможным. В-третьих, цифру можно обрабатывать программно – применять фильтры, запускать ИИ, искать по содержимому, монтировать на любом ноутбуке. Ни одно из этих свойств у непрерывной волны невозможно.

Что на самом деле лежит внутри файла цифрового видео

В основе цифровой видеофайл устроен очень просто. Это длинный упорядоченный список неподвижных картинок, называемых кадрами, проигрываемый с фиксированной скоростью так, чтобы глаз увидел движение, а не череду слайдов. Это та же самая иллюзия, что во флипбуке – стопка слегка различающихся рисунков, которые перелистывают достаточно быстро, чтобы мозг сшил их в движение. Разница в том, что в видеофайле тысячи кадров в минуту и каждый кадр гораздо детальнее, чем рисунок в флипбуке.

Каждый кадр – плоская двумерная сетка крошечных цветных точек, называемых пикселями (от picture elements, «элементы картинки»). Представьте пол в ванной, выложенный очень мелкой мозаичной плиткой, где каждая плитка одного сплошного цвета. Издалека вы видите гладкую картинку; вблизи – отдельные квадраты. Цифровое изображение устроено именно так. Кадр Full HD, например, это сетка 1920 пикселей в ширину и 1080 в высоту – чуть больше двух миллионов «плиток» на один кадр.

Каждый пиксель хранится как небольшая группа чисел. Самый интуитивный способ хранить цвет – три числа: одно для красного, одно для зелёного, одно для синего, – потому что смешивая эти три основных цвета в разных пропорциях, можно получить любой видимый цвет. Эта система называется RGB, сокращение от Red-Green-Blue, и это тот способ, которым «думают» о цвете мониторы и камеры. Яркий красный пиксель будет записан как (255, 0, 0). Яркий синий – (0, 0, 255). Серый – (128, 128, 128), равные доли всех трёх цветов в смеси.

А вот теперь первое контринтуитивное обстоятельство в видео. Почти ни один видеокодек – программа, которая сжимает видео для хранения и стриминга – не работает в RGB. Вместо этого он конвертирует каждый пиксель в другую трёхчисловую систему, называемую YCbCr. В YCbCr первое число (Y) – это luma, то есть только яркость – насколько светлый или тёмный пиксель. Два других числа (Cb и Cr) описывают chroma, то есть только цветовую информацию – насколько пиксель синий и насколько красный, отдельно от его яркости.

Зачем такая конвертация? Потому что у человеческого глаза есть особенность, которую обожают видеоинженеры. Ваш глаз гораздо чувствительнее к изменениям яркости, чем к изменениям цвета. Вы мгновенно заметите, если деталь на ярком объекте станет размытой, но не заметите, если цвет станет слегка размытым – особенно на движущейся картинке. Разделив яркость и цвет, кодек может тратить много бит на яркость и агрессивно резать биты с цветовой составляющей, и результат всё равно отлично выглядит для человеческого глаза. Один этот приём примерно вдвое уменьшает размер видеофайла ещё до начала «настоящего» сжатия. Технически этот приём называется chroma subsampling, и мы вернёмся к нему в статье про цветовые пространства. Подробнее про YCbCr и цветовые пространства.

Нажмите, чтобы увеличить

Эта структура – файл ➜ список кадров ➜ сетка пикселей ➜ тройка чисел на пиксель – вся ментальная модель целиком. Всё остальное в этой статье – это разные ответы на вопрос «сколько чисел мы используем и что они означают?»

Пять характеристик, описывающих любое видео

Любой спек-лист, любая настройка камеры, любая конфигурация стриминг-приложения сводятся к пяти значениям. Если правильно подобрать эти пять – остальная часть технологического стека следует за ними.

Разрешение – сколько пикселей в кадре

Разрешение считает пиксели в одном кадре. Два числа, которые вы видите – например, 1920 × 1080 – это ширина и высота сетки пикселей. Перемножьте их, и получится общее количество пикселей на кадр. Итого 1920 × 1080 ≈ 2,07 миллиона пикселей на кадр. Существуют ещё короткие имена вроде «Full HD» или «1080p» – это то же самое. 4

Стандарты, активно используемые в 2026 году:

В этих числах спрятан важный факт. Когда вы удваиваете каждую сторону, количество пикселей увеличивается в четыре раза. В 1080p около 2 миллионов пикселей. 4K вдвое шире и вдвое выше, но общее количество подскакивает примерно до 8 миллионов – в четыре раза больше. 8K – ещё в четыре раза больше, около 33 миллионов. Поэтому переход на более высокое разрешение требует гораздо большего, чем кажется по названию – не вдвое больше данных, а примерно в четыре раза больше.

Frame rate – сколько картинок в секунду

Frame rate – это количество кадров, показываемых в секунду, обычно обозначается fps (frames per second). 5 Три семейства frame rate, с которыми вы встретитесь:

• Кинематографическое – 24 fps. Стандарт для кино с 1927 года. Голливуд остановился на 24 fps, потому что это был самый медленный темп, при котором синхронизированный звук ещё нормально воспроизводился на механических киноаппаратах, а киноплёнка была дорогой. 6 Зрители привыкли ассоциировать лёгкое размытие 24 fps с «киношным ощущением», и этот стандарт держится почти век. Почти каждый полнометражный фильм, который вы когда-либо видели, снят в 24 fps.
• Broadcast – 25 или 30 fps. Телевидение и большая часть YouTube используют 25 fps в PAL-регионах (Европа) и 29,97 или 30 fps в NTSC-регионах (США и Япония). Раскол произошёл в 1940-х и 50-х, потому что частота обновления ТВ была привязана к местной частоте электросети – 50 Гц в Европе дают 25 кадров, 60 Гц в США дают 30.
• Высокое движение – 50, 60, 120, 240 fps. Live-спорт, гейминг-стримы, экшен-видео, VR. Высокие frame rate делают быстрое движение визуально более плавным и раскрывают больше деталей в движущихся объектах.

Ключевой компромисс: более высокий frame rate означает больше данных в секунду. Переход с 30 fps на 60 fps буквально удваивает количество кадров, которые системе надо снять, закодировать, сохранить и доставить. Это же делает движение гораздо более плавным – поэтому спортивные вещатели на это идут.

Цветовое пространство – какие именно красный, зелёный и синий?

Цветовое пространство – это определение, которое точно фиксирует, какой именно красный, зелёный и синий (и все оттенки между ними) обозначают числа в вашем видео. Звучит странно – ведь красный это просто красный, верно? – но это не так. Разные технологии экранов могут показывать разные диапазоны цветов, и ваши числа должны указывать, какой именно диапазон вы имеете в виду, иначе картинка будет выглядеть не так, как задумано.

Это как переводить слово «тёплый». Скажите норвежцу принести «тёплую» куртку и скажите то же саудовцу – и вы получите очень разные куртки, потому что у них разная бытовая шкала «тепла». Цветовые пространства устроены так же: они задают точки отсчёта.

Три цветовых пространства, которые встретятся вам в 2026 году: 7

• BT.709 – для HD-видео (1080p). Выпущен международным органом стандартизации ITU в 1990 году. Покрывает около 36% цветов, которые может видеть человеческий глаз.
• DCI-P3 – для цифрового кино и многих современных телефонов и ноутбуков. Покрывает около 54% видимого глазу цвета – гораздо более насыщенные красные и зелёные, чем BT.709.
• BT.2020 – для 4K и так называемого HDR (High Dynamic Range) видео. Покрывает около 76% видимого глазу цвета. Это цветовое пространство, дающее очень насыщенные синие и красные на современном OLED-телевизоре.

Проценты помнить не обязательно. Главное – чем больше и новее цветовое пространство, тем более «сочной» может выглядеть картинка, но только на экране, способном этот диапазон отобразить. Несоответствие пространств (например, файл BT.2020, показанный на BT.709-экране без конвертации) приводит к тому, что всё выглядит выцветшим или дико перенасыщенным. Подробнее про цветовые пространства.

Битовая глубина – насколько точно записан каждый цвет

Битовая глубина – количество бит, используемых для хранения одного цветового числа одного пикселя. Чем выше битовая глубина, тем точнее цветовые градиенты.

Короткое напоминание: бит – это наименьшая единица компьютерной памяти, либо 0, либо 1. С 8 битами вы можете хранить 2⁸ = 256 разных значений (потому что каждый бит удваивает количество комбинаций). С 10 битами – 2¹⁰ = 1024 значения. С 12 битами – 2¹² = 4096.

Бытовое видео исторически использует 8 бит: каждая из трёх цветовых компонент пикселя занимает число от 0 до 255. Это означает, что каждый пиксель может быть одним из 256 × 256 × 256 ≈ 16,7 миллиона различимых цветов. Этого достаточно для большей части повседневного контента. HDR-видео нуждается в гораздо более точных градациях, потому что должно представить и яркие блики, и глубокие тени в одной сцене без видимых ступенек на плавных переходах – эту проблему называют banding: вместо плавного неба вы видите тонкие полосы чуть различающихся оттенков синего. Поэтому HDR использует 10 бит или 12 бит – 1024 или 4096 градаций на канал, в сумме примерно от миллиарда до 68 миллиардов различимых цветов. Подробнее про bit depth и banding.

Конкретный компромисс: 10-битное видео несёт примерно на 25% больше данных, чем 8-битное. 12-битное – на 50% больше. Оправдано для премиум-контента, избыточно для камеры наблюдения.

Тип развёртки – как рисуется каждый кадр

Тип развёртки описывает, как рисуются строки каждого кадра. Вариантов два.

Прогрессивная развёртка рисует каждую строку каждого кадра за один проход, сверху вниз. Каждый кадр – это один полный, целостный снимок сцены. Почти всё современное – каждый стрим Netflix, каждый звонок Zoom, каждое видео YouTube, каждый современный ТВ – использует прогрессивную развёртку.

Чересстрочная развёртка – старый трюк 1930-х для размещения движения в узкой полосе аналогового вещательного ТВ. Она разбивает каждый кадр на две половины – сначала строки с нечётными номерами, затем с чётными через долю секунды. Телевизор сшивает их так быстро, что глаз видит одну целую картинку. Проблема: всё, что движется между двумя половинами, создаёт видимый «зубчатый» узор по краям – артефакт combing. На современных дисплеях нет электронного луча, который последовательно сканирует экран, поэтому interlaced на них без дополнительной обработки нормально и не работает. Подробнее про progressive vs interlaced.

Для любого продукта, который вы запускаете в 2026 году, относитесь к interlaced как к устаревшему входному формату, который вам могут прислать из старых архивов или каких-нибудь broadcast-фидов – но никогда не создавайте сами.

Проблема битрейта – почему raw-видео невозможно большое

Здесь абстрактная идея «видео – это просто числа» превращается в очень конкретную инженерную задачу. Несжатое цифровое видео огромно – настолько огромно, что не может быть использовано ни в одной реальной сети. Математика короткая, и пройти её внимательно стоит, потому что каждое будущее решение по кодекам – это управление этим числом.

Битрейт – количество бит, которые видео использует в секунду воспроизведения. Это самое важное число во всей теме. Измеряется в битах в секунду, обозначается bps, или в тысячах (Kbps), миллионах (Mbps), миллиардах (Gbps). Битрейт можно представить как размер трубы, через которую льётся ваше видео, как давление воды в шланге. Низкокачественное видео использует тонкую трубу; высококачественное – гораздо более толстую.

Формула для сырого, несжатого битрейта:

битрейт = ширина × высота × бит_на_пиксель × частота_кадров

Для повседневного Full HD-видео – 1920 × 1080, 30 fps, 8-битный цвет, с упомянутым выше chroma subsampling 4:2:0 – бит_на_пиксель в среднем выходит около 12 бит на пиксель. Пройдём по числам шаг за шагом:

битрейт = 1920 × 1080 × 1,5 байта × 30 кадров
        = 1920 × 1080 × 1,5 × 30
        = 93 312 000 байт в секунду
        ≈ 93 МБ/с
        ≈ 746 Мбит/с

746 мегабит в секунду на сырое Full HD. Для перспективы: среднее домашнее интернет-соединение в 2026 году – 100–300 Мбит/с, то есть уже недостаточно даже для одного несжатого 1080p-потока. 90-минутный фильм на таком битрейте занял бы около 504 гигабайт – стопка из девяти Blu-ray-дисков на один фильм.

Теперь то же для 4K на 60 fps с 10-битным цветом:

битрейт = 3840 × 2160 × 1,875 байта × 60 кадров
        ≈ 933 МБ/с
        ≈ 7,46 Гбит/с

7,46 гигабит в секунду. Это пожарный гидрант. Почти никакая бытовая сеть на земле этого не выдержит.

Сравните эти числа с тем, что реально получают люди в 2026 году. YouTube рекомендует загрузки на 8–15 Мбит/с для 1080p и 35–45 Мбит/с для 4K. 8 Netflix доставляет 4K на ваш ТВ в среднем примерно на 15–25 Мбит/с. 9 Сравните 15 Мбит/с доставки с 7460 Мбит/с raw – это коэффициент сжатия почти в 500 раз. Именно этот коэффициент – единственная причина существования видеокодеков, и поэтому каждый современный стриминговый бизнес в глубине своей сути занимается выбором и тонкой настройкой кодеков. Подробнее про математику битрейта.

Нажмите, чтобы увеличить

Кодеки и контейнеры – путаница, которая есть почти у всех

Самая частая ошибка в продуктовых разговорах – считать MP4 и H.264 одним и тем же. Это не одно и то же, и различие важно, потому что поддержка устройств выдаётся на уровне кодека, а не контейнера.

Кодек – программа, которая сжимает сырые кадры в компактный поток бит и распаковывает их обратно. Слово сокращено от coder-decoder. Современные кодеки – H.264, H.265 (он же HEVC), AV1, VP9. Каждый – это конкретный набор математических рецептов для ужатия видео при сохранении качества. Они выпускаются международными органами стандартизации или индустриальными консорциумами раз в несколько лет, и каждое следующее поколение примерно на 30–50% эффективнее предыдущего.

Контейнер – файловый формат, который оборачивает сжатый видеопоток, сжатый звуковой поток, субтитры, главы и метаданные в один файл. Распространённые контейнеры – MP4, MKV, WebM, MOV. Контейнер ничего не сжимает – он лишь определяет, как разные потоки организованы внутри файла.

Аналогия: контейнер – это картонная коробка, а кодек – это язык, на котором написана книга внутри коробки. Одна и та же коробка (MP4) может вмещать книгу на любом языке (H.264, H.265, AV1). Одна и та же книга (H.264) может быть упакована в любую из нескольких коробок (MP4, MKV, MPEG-TS) в зависимости от того, стримите ли вы её, архивируете или передаёте в эфир. 10

Почему это важно для вас? Потому что когда вы говорите разработчику «отгружай видео как MP4», вы на самом деле ничего конкретного не сказали о качестве, размере или совместимости. Следующий вопрос будет: «MP4 с каким кодеком внутри?» – потому что Safari охотно откроет MP4-файл и откажется его воспроизводить, если внутри окажется, скажем, AV1, а устройство пользователя не имеет AV1-декодера. Всегда указывайте оба. Правильная формулировка – что-то вроде «контейнер MP4 с H.264 High Profile, level 4.1 внутри». Подробнее про контейнеры.

Как видео проходит от камеры до экрана зрителя

Любой видеопродукт, будь то сервис в стиле Netflix на 50 миллионов зрителей или одноврачебный telemedicine-приём, проходит один и тот же шестиступенчатый пайплайн.

Нажмите, чтобы увеличить

1. Захват. Сенсор камеры превращает свет в цифровой сигнал. Сенсор – это сетка крошечных светочувствительных ячеек; каждая ячейка измеряет, сколько света попало на неё за время экспозиции одного кадра, и это измерение становится значениями пикселей. Выход этой стадии – сырые кадры, ровно те гигантские несжатые числа, которые мы посчитали выше.

2. Кодирование. Кодек сжимает сырые кадры в небольшой поток бит, отбрасывая информацию, которую глаз не видит, и находя паттерны, повторяющиеся внутри кадра и между соседними кадрами. Здесь происходит то самое сокращение в 500 раз.

3. Пакетирование. Программа, называемая packager, берёт закодированный поток, оборачивает его в контейнер и нарезает на короткие сегменты (обычно по 2–10 секунд). Короткие сегменты – это то, что делает работающим адаптивный стриминг (HLS, MPEG-DASH): плеер может скачивать по одному сегменту и переключать качество между сегментами незаметно для зрителя.

4. Доставка. Content Delivery Network (CDN) – это сеть серверов по всему миру, на которых лежат копии этих сегментов рядом со зрителями. Когда вы нажимаете «play» в Испании, сегменты приходят с сервера в Испании, а не из дата-центра в Калифорнии – именно это держит видео плавным и быстрым.

5. Воспроизведение. Приложение или браузер зрителя скачивает сегменты, запускает кодек в обратную сторону, чтобы превратить биты обратно в кадры, и отдаёт кадры дисплею.

6. Отображение. Экран – телефона, ноутбука, ТВ – превращает кадры обратно в свет, который видит зритель.

Разные продукты прогоняют через этот пайплайн разные бюджеты задержки. Для VOD типа Netflix допустимы минуты между съёмкой и просмотром, потому что никто не смотрит вживую. Для прямой спортивной трансляции бюджет сокращается до 8–30 секунд. Для звонка Zoom или telemedicine-приёма бюджет уменьшается ещё больше – до менее одной секунды, потому что два человека не могут нормально разговаривать с задержкой в секунду. Пайплайн один и тот же, меняются правила вокруг него.

Частая ошибка: считать, что более высокое разрешение всегда выглядит лучше

4K-поток на 5 Мбит/с почти всегда выглядит хуже, чем 1080p-поток на тех же 5 Мбит/с. Почему? Потому что тот же бюджет данных растягивается на в четыре раза большее количество пикселей. Каждый пиксель описан меньшим количеством данных, поэтому каждый пиксель более «мутный», и картинка полна артефактов компрессии.

Правильный способ думать о качестве – это «бит на пиксель», а не «разрешение». 1080p на 5 Мбит/с имеет примерно 2,4 бита на пиксель в секунду. 4K на тех же 5 Мбит/с – около 0,6 бита на пиксель в секунду, в четыре раза хуже. Разрешение оправдывает обещание, только если битрейт растёт вместе с ним. Правильный вопрос для любого видеопродукта – никогда не «это 4K?», а всегда «это 4K на битрейте, поддерживающем 4K?»

Чем мы занимаемся в Фора Софт

Мы пишем видеософт в Фора Софт с 2005 года, и описанный пайплайн – то, что мы живём каждый день. Мы делаем платформы видеоконференций и WebRTC, OTT и live-стриминг, системы видеонаблюдения, образовательные платформы, telemedicine и AR/VR-приложения. Те же пять параметров и те же шесть стадий пайплайна задают рамки каждого из этих продуктов – меняются только бюджет задержки, выбор кодека, протокол доставки и набор устройств. Понимание материала этой статьи – первое, что новый инженер у нас в команде обязан усвоить, и первое, что мы проговариваем нетехнической продакт-команде, когда стартуем проект.

Ключевые выводы

• Цифровое видео – список неподвижных кадров, показываемых быстро; каждый кадр – сетка пикселей; каждый пиксель – небольшая группа чисел.
• Любое видео описывается пятью характеристиками: разрешение, frame rate, цветовое пространство, битовая глубина, тип развёртки.
• Удвоение разрешения учетверяет количество пикселей – и примерно учетверяет требуемый битрейт.
• Несжатое 1080p30 – около 746 Мбит/с; несжатое 4K60 – около 7,46 Гбит/с. Оба невозможны для стриминга без сжатия.
• Кодеки (H.264, AV1) сжимают видео; контейнеры (MP4, MKV) лишь упаковывают его. Всегда указывайте оба.
• «Это 4K?» – неправильный вопрос. Правильный – «Это 4K на битрейте, поддерживающем 4K?»

Что читать дальше

• Краткая история видеокодеков: от H.120 (1984) до AV2 (2025)
• Контейнеры: MP4 vs MKV vs WebM vs fMP4
• Полный гид по HDR: HDR10, HDR10+, Dolby Vision, HLG