Giải thích nén video: Tại sao tệp 4K của bạn lại 200GB

Bạn vừa hoàn thành việc ghi một video 4K dài 10 phút trên điện thoại hoặc máy quay của mình, và khi kiểm tra kích thước tệp, bạn ngớ người: 200GB. Trong khi đó, một bộ phim 4K dài hai giờ trên Netflix vẫn phát mượt mà với có lẽ chỉ 15GB tổng cộng. Có gì xảy ra vậy?

Câu trả lời nằm ở nén video—một công nghệ cơ bản đến mức sống còn trong cuộc sống kỹ thuật số hiện đại đến nỗi nếu không có nó, YouTube sẽ không tồn tại, các cuộc gọi video sẽ là điều không thể, và dung lượng lưu trữ của điện thoại bạn sẽ đầy sau khi ghi khoảng 90 giây cảnh quay. Tuy nhiên, hầu hết mọi người làm việc với video hàng ngày lại không thực sự hiểu những gì đang diễn ra bên trong.

Đây không phải là một bài giải thích nông cạn khác. Chúng ta sẽ đi sâu vào cơ chế của nén video, những sự đánh đổi cần thiết, và lý do tại sao quy trình làm việc của bạn có thể đang lãng phí cả thời gian và không gian lưu trữ. Cho dù bạn là một nhà phát triển xây dựng tính năng video, một nhà thiết kế xuất đồ họa chuyển động, hay một nhà tiếp thị đang cố gắng tìm ra lý do tại sao video trên trang đích của bạn mất quá nhiều thời gian để tải, hướng dẫn này sẽ thay đổi cách bạn suy nghĩ về các tệp video.

Sự Thật Thô: Video Không Nén Thực Sự Trông Như Thế Nào

Trước khi chúng ta nói về nén, bạn cần hiểu chúng ta đang nén từ đâu. Video thô, không nén to lớn một cách khó tin vì nó lưu trữ thông tin đầy đủ cho từng pixel trong từng khung hình.

Hãy tính toán cho video 4K ở 30 khung hình mỗi giây. Độ phân giải 4K là 3840 × 2160 pixel, tương đương với 8.294.400 pixel mỗi khung hình. Mỗi pixel thường lưu trữ thông tin màu sắc trong 24 bit (8 bit cho màu đỏ, xanh lá và xanh dương). Điều đó là 3 byte mỗi pixel.

Vậy một khung hình video 4K = 8.294.400 pixel × 3 byte = 24.883.200 byte, hoặc khoảng 23.7 MB mỗi khung hình. Ở 30 khung hình mỗi giây, đó là 711 MB mỗi giây video. Một video dài 10 phút sẽ khoảng 427GB dữ liệu thô.

Đây là lý do tại sao tệp 200GB của bạn, mặc dù lớn, thực sự đã được nén ở một mức độ nào đó—có thể sử dụng một codec nhẹ được máy ảnh của bạn áp dụng trong quá trình ghi. Các máy quay phim chuyên nghiệp quay ở định dạng RAW thường tạo ra các tệp trong khoảng kích thước này vì chúng đang bảo toàn chất lượng hình ảnh tối đa cho việc hậu kỳ chỉnh màu và hiệu ứng.

"Thách thức cơ bản của nén video là cảm nhận của con người vô cùng tinh vi trong việc phát hiện chuyển động và chi tiết, nhưng cũng đặc biệt khoan dung với một số loại mất mát thông tin. Toàn bộ lĩnh vực tồn tại trong khoảng trống giữa những gì chúng ta có thể thấy và những gì chúng ta thực sự cần thấy."

Các yêu cầu lưu trữ trở nên thậm chí còn vô lý hơn khi bạn xem xét các tỷ lệ khung hình cao hơn. Nội dung trò chơi ở 60fps hoặc 120fps gấp đôi hoặc gấp bốn những con số này. Đây là lý do tại sao việc ghi lại và phát trực tuyến trò chơi là một lĩnh vực đòi hỏi kỹ thuật cao—bạn đang cố gắng nén một lượng lớn dữ liệu trong thời gian thực trong khi giữ chất lượng hình ảnh mà game thủ sẽ xem xét khung theo khung.

Hiểu những con số cơ bản này rất quan trọng vì nó cung cấp bối cảnh cho mọi thứ khác. Khi ai đó nói với bạn rằng họ đã nén một video xuống 1% kích thước ban đầu của nó, họ không phóng đại. Nén video hiện đại thực sự đáng kinh ngạc, đạt tỷ lệ nén 100:1 trong khi vẫn duy trì những gì hầu hết người xem cảm nhận là chất lượng xuất sắc.

Nén Không Gian vs. Nén Thời Gian: Hai Trụ Cột

Nén video hoạt động trên hai trục cơ bản: nén không gian (trong từng khung hình riêng lẻ) và nén thời gian (giữa các khung hình). Hiểu sự phân biệt này là rất cần thiết để nắm bắt tại sao các loại nội dung khác nhau lại nén khác nhau.

Nén không gian đối xử với mỗi khung hình video như một hình ảnh tĩnh và áp dụng các kỹ thuật tương tự như nén JPEG. Nó tìm kiếm các mẫu trong một khung hình đơn lẻ—các khu vực có màu tương tự, gradient, kết cấu—và đại diện cho chúng một cách hiệu quả hơn. Nếu bạn có một bầu trời xanh chiếm nửa khung hình của bạn, nén không gian không lưu trữ "pixel xanh, pixel xanh, pixel xanh" hàng triệu lần. Thay vào đó, nó về cơ bản nói "khu vực này là xanh" và lưu trữ thông tin đó một lần.

Đây là lý do tại sao các video nói chuyện lại nén tốt như vậy. Nền thường tĩnh hoặc đơn giản, và ngay cả trang phục và tông màu da của người đó cũng tạo ra các khu vực lớn có màu sắc tương tự. Một video phỏng vấn doanh nghiệp có thể nén xuống 5% kích thước thô của nó với mất mát chất lượng tối thiểu.

Nén thời gian là nơi nén video trở nên thực sự thú vị và hiệu quả. Nó khai thác thực tế rằng các khung hình video liên tiếp thường rất giống nhau. Trong một video điển hình, có thể 90-95% số pixel không thay đổi từ khung hình này sang khung hình khác. Tại sao phải lưu trữ tất cả thông tin dư thừa đó?

Các codec hiện đại sử dụng một hệ thống khung hình chính (I-frame) và khung hình dự đoán (P-frame và B-frame). Một khung hình chính là một khung hình hoàn chỉnh được lưu trữ chỉ với nén không gian. Sau đó, thay vì lưu trữ hoàn toàn các khung hình tiếp theo, codec chỉ lưu trữ những gì đã thay đổi từ khung hình chính. Nếu ai đó đang nói và chỉ miệng của họ đang chuyển động, bạn có thể chỉ cần lưu trữ dữ liệu cho khu vực miệng trong các khung hình tiếp theo.

B-frame (khung hình hai chiều) còn tinh vi hơn—chúng có thể tham khảo cả khung hình trước và khung hình tương lai để dự đoán nội dung. Đây là lý do tại sao việc mã hóa video không ngay lập tức; bộ mã cần phân tích nhiều khung hình cùng lúc để đưa ra quyết định tối ưu về những gì nên lưu trữ và những gì nên dự đoán.

Tỷ lệ của các loại khung hình này ảnh hưởng mạnh mẽ đến cả kích thước tệp và thời gian mã hóa. Một video có khung hình chính mỗi 10 khung hình sẽ lớn hơn nhưng dễ hơn để chỉnh sửa. Một video có khung hình chính mỗi 250 khung hình sẽ nhỏ hơn nhiều nhưng khó khăn hơn để tìm kiếm chính xác và yêu cầu nhiều công sức hơn để giải mã.

Đây là lý do tại sao các ghi màn hình với nhiều chuyển động (như cảnh quay trò chơi) lại lớn hơn nhiều so với các bản chụp màn hình tĩnh. Khi toàn bộ khung hình thay đổi mỗi 16 mili giây, nén thời gian không có gì để làm việc. Codec buộc phải coi gần như mọi khung hình là một khung hình chính, mất hầu hết hiệu suất mà nén video mang lại.

Giải Mã Codec: H.264, H.265, VP9 và AV1

Một codec (trình nén - trình giải nén) là thuật toán thực hiện nén thực tế. Cảnh quan codec đã phát triển mạnh mẽ trong hai thập kỷ qua, và việc chọn codec đúng là một trong những quyết định ảnh hưởng nhiều nhất đến kích thước tệp và chất lượng bạn có thể thực hiện.

H.264 (còn gọi là AVC) đã là công cụ chủ yếu của video internet từ giữa những năm 2000. Đây là định dạng mà YouTube đã sử dụng trong nhiều năm, hầu hết các máy ảnh ghi lại, và gần như mọi thiết bị đều có thể giải mã. H.264 đạt tỷ lệ nén khoảng 1000:1 cho nội dung điển hình trong khi vẫn duy trì chất lượng hình ảnh tốt. Một video 4K dài 10 phút có thể có kích thước thô là 427GB có thể nén xuống 400-600MB trong H.264 với thiết lập chất lượng hợp lý.

Tính phổ biến của H.264 vừa là điểm mạnh vừa là điểm yếu của nó. Nó được hỗ trợ phổ biến, tăng tốc phần cứng trên hầu hết mọi thiết bị được sản xuất trong 15 năm qua, và có các bộ mã hóa trưởng thành, tối ưu hóa tốt. Nhưng nó cũng đang thể hiện sự lỗi thời. Đối với nội dung 4K và đặc biệt là 8K, H.264 yêu cầu bitrate gây gánh nặng cho cả lưu trữ và băng thông.

H.265 (HEVC - Mã Hóa Video Hiệu Quả Cao) được thiết kế để giải quyết vấn đề này. Nó đạt mức nén khoảng 50% tốt hơn so với H.264 ở cùng chất lượng hình ảnh, hoặc tương đương, cùng kích thước tệp nhưng có chất lượng tốt hơn rõ rệt. Video 4K dài 10 phút đó có thể nén xuống 200-300MB trong H.265. Cái bẫy? Việc mã hóa chậm hơn đáng kể (2-5 lần lâu hơn so với H.264), và các vấn đề cấp bản quyền đã hạn chế việc áp dụng. Các thiết bị của Apple hỗ trợ tốt, nhưng hỗ trợ trên trình duyệt web vẫn không đồng đều.

VP9, phát triển bởi Google, cung cấp hiệu quả nén tương tự như H.265 nhưng không phải trả phí bản quyền. YouTube sử dụng VP9 rộng rãi cho nội dung 4K. Nó được hỗ trợ tốt trên Chrome và Firefox nhưng có hỗ trợ tăng tốc phần cứng hạn chế trên các thiết bị cũ. Thời gian mã hóa tương đương với H.265—chậm, nhưng tiết kiệm kích thước tệp thì rất đáng kể.

AV1 là codec mới nhất đang thu hút sự chú ý, hứa hẹn cải thiện thêm 30% so với H.265/VP