AI 视频怎么选格式？从 MP4、MP3 到编码、剪辑与流媒体

研究 AI 视频制作时，很容易遇到这样的困惑：生成工具下载的是 MP4，配音工具提供 MP3，剪辑软件又出现 MOV、H.264、ProRes。它们看起来都叫"格式"，究竟应该选哪个？

如果现在只需要交付一条普通的 SDR（标准动态范围）视频，MP4 封装、H.264 视频编码、AAC 音频编码，通常是兼容性较好的起点。配音需要继续剪辑时，优先拿到 WAV 中的 PCM 音频，并保留原始文件。

但这只是发布与制作的两个起点。要理解为什么这样选，需要先把"格式"拆成三个问题：文件如何组织，画面与声音如何编码，以及编码时保留多少信息。

一、MP4 和 MP3，名字相近，技术层次不同

**封装格式（container）**规定一个文件怎样组织视频轨、音频轨、字幕、时间戳和元数据。MP4、MOV、MKV 都属于这一层。封装负责让播放器找到各条轨道，并按照时间关系播放。

**编码格式（codec）**规定画面或声音怎样表示和压缩。H.264、H.265、AV1 是视频编码；AAC、MP3、Opus 是音频编码。通常也把实现编码与解码的软件或硬件称为 codec，实际讨论中要看上下文。

编码参数决定这次输出的具体规格，包括分辨率、帧率、码率、位深、色度采样等。同一种编码，也可以输出差异很大的文件。

因此，一个比较完整的视频说明应该是："MP4 文件，视频采用 H.264，1920×1080、30 fps；音频采用 AAC，48 kHz。"仅说"给我一个 MP4"，还没有说清质量和兼容性。

看下图蓝色的外层边界：MP4 把三条轨道放在同一个文件里。内部色块沿共同时间轴排列，说明封装还需要组织同步关系。这里的字幕是独立字幕轨；具体播放器是否支持显示，还要另行确认。

MP3 则主要指 MPEG Audio Layer III 这种有损音频编码；常见的 .mp3 文件保存这种编码的数据，也可以带有 ID3 等标签。它并不是"MP4 去掉画面后的版本"。MP4 也不等于 MPEG-4 Part 2 视频编码，更不等于 H.264。

于是，两个文件都叫 .mp4，一个可能是 H.264 加 AAC，另一个可能是 H.265 加 AAC。设备能够识别 MP4 封装，却未必能够解码其中每一种编码和规格。

文件改名也不会完成格式转换。把 clip.mkv 改成 clip.mp4，内部结构和编码都没有改变。

二、为什么这些技术出现很久，今天仍然常用？

视频格式的生命力，与播放器、芯片、剪辑软件、浏览器和平台的支持有关。成熟格式积累了大量支持，交付成本往往更低。

而且，封装与编码可以分别演进。MP4 仍然常见，并不代表内部只能使用早期的视频编码。在具体规范和工具支持的前提下，它也可以承载 H.265、AV1 等编码。

新编码主要争取在相近观看质量下减少数据量，但制作视频还要支付编码时间、算力、解码功耗和兼容性成本。短视频如果已经很小，换一种编码带来的节省，可能不足以抵消额外处理时间。

所以我会先确定文件要交给谁、还要经过哪些处理，再判断是否需要更新的编码。技术的新旧不能直接回答这个问题。

三、认识常见封装：按它们承担的工作来记

MP4：普通成片交付的常用选择

MP4 广泛用于网络视频、手机播放和平台上传。对普通 SDR 成片，H.264 加 AAC 是常见组合；如果目标平台、软件和设备都支持，也可以考虑其他编码。

MP4 可以组织多条轨道与元数据，但"文件装得进去"不等于"接收端会完整使用"。平台可能只保留一条音轨，也可能忽略软字幕。交付多语言视频时，要检查平台能力。

MOV：经常出现在后期制作链路

MOV 是 QuickTime 容器格式，与 MP4 有历史渊源。它常用于剪辑、特效和母版交换，例如 MOV 加 ProRes 视频、PCM 音频。

这里的"母版"是质量较高、用于后续生成其他版本的成片文件。MOV 本身不保证高质量，它也可以装有损压缩很重的 H.264 视频。比较质量时，必须继续查看内部编码与参数。

MKV：适合组织多轨内容，也常用于录制

MKV 是 Matroska 的常见视频扩展名。它能组织多音轨、字幕、章节和附件。例如，把中文与英文配音、不同字幕以及字幕字体放进同一个文件。

MKV 也常用于长时间录制。与依赖最后集中写入索引的传统 MP4 写入方式相比，它更有利于在异常中断后恢复已经写入的内容。这是恢复能力上的优势，不代表断电时不会丢失任何数据。

它的代价是接收端支持可能不同。播放器能打开 MKV，不代表剪辑软件或上传入口也接受 MKV；有时需要先重新封装。

WebM：面向网页媒体的封装

WebM 基于 Matroska 的受限结构，常见组合包括 VP9 或 AV1 视频，以及 Opus 音频。它适合纳入网页媒体的选型范围。

如果是自己控制的网站，可以根据浏览器与设备测试结果提供多个播放版本。交给别人剪辑或上传平台之前，则要确认对方支持具体的 WebM 编码组合。

MPEG-TS：广播与传输链路中的常见封装

TS 是 Transport Stream。它把媒体组织成传输包，适用于广播和流媒体等场景。HLS 的某些交付方案会把视频切成许多 .ts 分片。

它主要解决传输与同步问题。普通创作者上传成片时，通常不需要主动把文件转成 TS，除非接收系统有明确要求。

MXF：专业制作与机构交付

MXF 是 Material Exchange Format，常见于电视、广播和专业制作系统。它可以组织媒体内容及制作元数据，服务于更严格的交换与交付规范。

收到 MXF 交付要求时，还需要问清内部编码、音轨布局、时码和具体规范。"一个 MXF"与"一个 MP4"一样，都不是完整规格。

AVI、FLV：认识它们，方便处理现有素材

AVI 是较早的音视频容器，在老设备、旧素材和一些专用系统里仍可能遇到。FLV 与早期网页视频及 RTMP 直播生态关系密切。

它们都有实际使用场景，但新做一条普通 AI 视频时，通常不必把它们作为默认交付选择。遇到旧素材，先查看编码、时长和音画状态，再决定是否转换。

四、真正影响制作体验的，还有视频编码

H.264、H.265、AV1：主要关注分发效率

H.264，也叫 AVC，兼容性成熟，适合广泛交付。H.265，也叫 HEVC，在许多场景中能用更少的数据达到相近观看质量，常见于高分辨率视频。AV1 也以提高压缩效率为目标，值得在支持它的网页或分发系统中评估。

这些描述不能变成固定的省空间比例。结果取决于画面、编码器、速度预设和质量目标。同一编码换一个编码器，或者换一档编码速度，也可能改变结果。

还要分清硬件编码与硬件解码。前者帮助你快速导出，后者帮助观众流畅播放。一台电脑能流畅播放 AV1，不等于它也能快速硬件编码 AV1；支持范围还可能受位深、色度采样和分辨率限制。

对 AI 生成的大量短镜头，如果已经能顺利剪辑，没有必要只为追求新编码，把全部素材先转换一遍。

ProRes、DNxHR：更重视剪辑与中间处理

H.264、H.265 等编码经常采用帧间预测：利用相邻画面的相似部分减少数据量。后期常用的 ProRes、DNxHR 则采用帧内编码，每帧独立编码，更便于随机定位和逐帧处理。

这也解释了为什么一个更大的文件，有时反而剪得更顺。但效果取决于机器、软件、存储速度和原始素材，不能保证任何机器转成 ProRes 都会更快。

普通 ProRes 和 DNxHR 档位通常是有损编码。它们强调后期工作所需的视觉质量与处理便利，不能统称为数学无损。把已经压坏的视频转成高码率 ProRes，也不会恢复失去的细节。

如果只是剪辑卡顿，可以先制作代理文件：用较轻的素材完成剪辑，最终输出时再关联原始素材。代理文件不应替代原始素材归档。

透明背景需要额外确认

AI 数字人、动态贴纸和特效叠加，可能需要 Alpha 通道，也就是透明度信息。普通的 H.264 MP4 交付组合通常不保留它。

后期交换可以考虑 MOV 加支持 Alpha 的 ProRes 4444；网页透明视频还要验证浏览器和具体编码的支持。PNG 图像序列也是一种交换方式，但需要另行管理帧率和声音。

因此，提出"导出透明视频"时，应该同时说明透明通道、编码和使用软件。只选 MOV 或 WebM 扩展名还不够。

五、音频也要区分"制作文件"和"交付文件"

做 AI 配音时，格式选择会影响后续降噪、剪切、混音和再次压缩的质量。

WAV 与 PCM：WAV 是封装，PCM 是音频表示方式。常见 WAV 装的是未压缩 PCM，但不能把所有 WAV 都当作未压缩音频。录音与配音还要继续处理时，PCM WAV 通常比较方便。

MP3、AAC、Opus：三者都是有损音频编码。MP3 适合广泛分享单独的音频；AAC 常用于 MP4 成片；Opus 适用于语音、实时通信和网页音频等场景，具体仍取决于接收软件。

FLAC、ALAC：它们属于无损音频编码，能够在解码后还原输入的 PCM 样本，适合需要保留音频信息的存储与交换。FLAC 文件可能更省空间，但剪辑软件的支持需要确认。

M4A、Ogg ：M4A 常见于仅含音频的 MP4 文件，内部可能是有损 AAC，也可能是无损 ALAC。Ogg 是另一种容器，可以封装 Vorbis、Opus 等编码；常见 .opus 文件使用 Ogg 封装。扩展名不能独立回答"是否无损"。

对于普通视频项目，48 kHz 是常见的音频采样率，表示每秒采集或表示多少个音频样本。录音与处理链路支持时，可以保留 24-bit PCM，给电平调整留出更充足的精度。但把低质量 MP3 转成 24-bit WAV，只是改变后续处理格式，不能修复原来的压缩损失。

更实际的做法是：保存配音工具提供的最佳原始输出，在编辑链路中减少有损导出，交付成片时再按要求压缩。 如果工具只提供 MP3，也可以正常使用，避免反复导出成 MP3 即可。

六、选好扩展名后，至少再检查这些参数

首先是分辨率和帧率。把 24 fps 素材导出为 60 fps，可能只是重复帧；如果使用 AI 插帧，则引入了新的生成步骤，需要检查运动边缘和遮挡。单纯改参数不能增加真实拍摄细节。

其次是码率，即每秒使用的数据量。相同编码和相近设置下，提高码率通常能减少压缩损失，但并非无限提高就无限变清晰。用不同编码比较画质时，也不能只比较码率数字。

可以用一个近似公式估算体积：

文件大小（MB）≈ 总平均码率（Mb/s）× 时长（秒）÷ 8

假设视频平均码率为 8 Mb/s，音频为 192 kb/s，时长为 60 秒，总数据量约为 (8 + 0.192) × 60 ÷ 8 = 61.44 MB。这是十进制单位下的估算，不含少量封装开销；可变码率的实际结果也会变化。

然后是位深与色度采样。8-bit、10-bit 描述每个颜色分量的精度，10-bit 有利于表达更细的渐变。4:2:0、4:2:2、4:4:4 描述亮度与色度的采样关系。对小字、彩色边缘、抠像和重度调色，色度信息更完整可能更有价值。

但 10-bit 不自动等于 HDR（高动态范围）。HDR 还涉及传递函数、色彩空间以及相应的元数据要求。普通 SDR 项目不要为了"更高级"，随意套用 HDR 输出设置。颜色异常时，也要检查色彩标记与转换过程。

对于常规 SDR 网络交付，8-bit、4:2:0 往往有较好的兼容性。如果源素材和后期目标需要更高规格，就应在制作链路中保留，再针对交付端生成合适版本。

七、把格式选择放回 AI 视频制作流程

假设要制作一条带旁白、字幕和背景音乐的 AI 科普视频。我会把文件分为源素材、项目、母版和发布版。

下图从上方源素材进入剪辑项目，再分出两条路径。左下的母版方便以后制作其他交付版本；右下的发布版满足当前播放与上传要求。两条路径都不能替代原始素材和工程文件。

拿到素材时，保留原始文件。 AI 镜头、配音、音乐、字幕分别保存。不要先把所有镜头导出为低码率 MP4，再开始剪辑。如果各段素材帧率或声音采样率不同，由项目设置和导入流程明确处理；遇到可变帧率素材音画不同步，再评估转成恒定帧率。

剪辑时，按实际瓶颈选择中间格式。 原素材可流畅使用，就直接剪；解码吃力时，测试代理或 ProRes、DNxHR 中间文件。需要高质量返工或交接时，再根据工作链路生成母版。简单短片不必强制多存一份庞大母版。

发布时，从项目或母版输出目标版本。 普通 SDR 视频可从 MP4、H.264、AAC 开始。YouTube 的官方上传建议也列出了 MP4、H.264 及 AAC-LC 等选项，但这不是所有平台的统一规范。其他平台仍应检查上传入口的要求。

作为制作起点，1080p、约 24--30 fps 的普通 SDR 成片，可以先试 H.264 约 8--12 Mb/s；配音与背景音乐混合的双声道 AAC，可以先试 192--256 kb/s。它们是经验起点，并非画质保证或平台硬性标准。快速运动、粒子、细线条与屏幕小字都可能需要调整；旁白单声道也不必机械使用双声道规格。

保存时，把可修改的信息留住。 除了成片，还要保留工程、源镜头、原始配音和 SRT 等字幕文件。字幕烧进画面后会成为像素，无法像独立字幕那样直接修改文字或切换语言。

如果有严格的长期保存要求，可以评估 MKV 加 FFV1 无损视频、FLAC 音频等方案，并配合校验与备份。对普通 AI 视频项目，先保留原始文件和工程更实际。将有损素材转为无损格式，并不会让原片获得更多细节。

八、m3u8、DASH、CMAF 又属于哪一层？

当视频出现在网页上，播放系统经常需要适应不同网络速度。一个大文件之外，系统还可能提供多个码率版本，让播放器按网络和缓冲情况选择媒体分片。

HLS 和 MPEG-DASH 是流媒体交付技术。 HLS 常用 .m3u8 播放列表；DASH 使用 MPD 描述媒体。这些清单描述从哪里、按什么时间关系取得媒体，本身不包含完整视频画面。

TS、fMP4 是可能承载分片媒体的封装方式。 fMP4 指 fragmented MP4，即分片 MP4。传统 MP4 常把全片样本索引集中存放，fMP4 则把相关信息分散到各个片段，适应流式处理。

CMAF 是基于 ISO 基础媒体文件格式的通用媒体应用格式。 在编码、分片边界、加密方式等要求兼容的前提下，同一套 CMAF 媒体可以服务于 HLS 和 DASH，减少重复封装或存储。不能因此假定任意两套 HLS 与 DASH 文件都能直接共用。

看下图：上方是清单，中间是按时间排列的媒体分片，下方才是播放器。清单引导取片，播放器依据时间信息连续播放；这与单个成片文件的交付层次不同。

还有一个容易混淆的参数是 MP4 的 Fast Start。它把集中存放的索引元数据移到文件前部，方便边下载边开始播放；它不会把普通 MP4 变成自适应流媒体，也不会改变视频编码质量。

录屏时也要留意写入方式。传统 MP4 在录制异常中断后，可能因缺少最终索引而无法正常打开。MKV、分片 MP4，以及 OBS 提供的 Hybrid MP4／MOV，有不同的中断恢复设计。选择时应检查录制软件的具体实现，不能仅凭 .mp4 扩展名判断。

九、用 FFmpeg 看清文件，再决定是否转换

开发者可以用 ffprobe 查看真实信息。下面的命令列出封装、轨道编码、像素格式、帧率和部分颜色标记：

ffprobe -v error \
  -show_entries format=format_name,duration:stream=index,codec_type,codec_name,width,height,pix_fmt,avg_frame_rate,sample_rate,channels,color_space,color_transfer,color_primaries \
  -of json input.mp4

重点查看 codec_name，确认内部编码；查看 pix_fmt，辅助判断位深与采样方式。avg_frame_rate 是平均帧率，不能单凭它证明恒定帧率。颜色字段没有标记时，也不能据此认定素材一定是 SDR。

内部编码已经合适：尝试重新封装

假设 input.mkv 已经是 H.264 视频与 AAC 音频，目标软件接受这套组合，只要求 MP4，可以尝试：

ffmpeg -i input.mkv \
  -map 0:v:0 -map '0:a:0?' \
  -c copy -movflags +faststart output.mp4

-c copy 直接复制选中的编码流，不进行解码和重新编码，因此不引入一次新的有损压缩。这叫重新封装，或 remux。

这里明确只选第一条视频轨和可选的第一条音频轨，不复制其他音轨、字幕或附件。重新封装也可能受到目标容器、时间戳或接收软件的限制；完成后要检查时长、同步和播放情况。

内部编码不适合接收端：重新编码

对于普通 SDR 输入，需要输出常见的 H.264 加 AAC 版本，可以从下面的示例开始：

ffmpeg -i input.mov \
  -map 0:v:0 -map '0:a:0?' \
  -c:v libx264 -preset medium -crf 20 -pix_fmt yuv420p \
  -c:a aac -b:a 192k -ar 48000 \
  -movflags +faststart output.mp4

这要求 FFmpeg 包含 libx264 编码器。CRF 控制质量目标，在这个编码器中数值较小通常意味着更高质量和更大文件，但最终体积不能提前固定。preset 控制编码速度与压缩效率的取舍，yuv420p 是这里选用的 8-bit、4:2:0 像素格式。

这个示例会重新编码，不是无损转换。它没有完成 HDR 到 SDR 的色调映射，也不处理透明通道保留、缩放或帧率统一。用于这些素材前，需要调整处理流程。

本文在本地使用两秒合成测试素材检查了上述探测、重新封装与转码路径。测试确认了示例的基本执行与输出规格；真实项目还需要抽看片头、片中和片尾，重点检查字幕、音画同步、渐变与运动边缘。

下一次打开导出面板时，可以按这个顺序判断：先确认接收软件与平台，再选择封装和编码，接着设置质量参数，最后验证输出。普通发布从 MP4、H.264、AAC 开始；后期制作保留原始音视频与工程，遇到具体需求时，再引入中间编码、透明通道或流媒体封装。