8.2.2 音画同步：主时钟的三种策略

8.2.1 的第三问停在岔路口：音画两条时钟必然漂移，必须钦定一条为主。候选者有三——音频主时钟、视频主时钟、外部时钟。这不是口味问题，三条路通向三套完全不同的追随机制。ffplay 参考实现把三套都造了出来，还附赠一条回退链 [2]：

回退链的朝向已经泄露了答案的排序：音频在，则音频为主——这也是 ffplay 的出厂默认 [2]。为什么是它？看完三套机制各自的本钱，答案会自己浮出来。

视频做从时钟：丢与重的粗粒度艺术

视频追随主时钟的手段，糙得像裁缝只用剪刀——要么丢，要么重，没有中间态。ffplay 的判决围绕一个偏差值展开：diff = 视频时钟 - 主时钟，再配一条随帧间隔浮动的同步阈值带，钳制在 40ms 到 100ms 之间 [2]：

• 视频落后（偏差负向超阈）：把显示间隔压短，加速追帧——delay = max(0, delay + diff)，落后狠了可以压到零，连珠上屏
• 视频超前且本帧间隔本就偏大：顺势延长本帧显示，把超前量消化掉
• 视频超前但间隔正常：直接双倍间隔，同一帧重放一轮
• 追也追不上：队列里已有下一帧候场，而当前时刻连本帧的应显结束点都过了——丢弃本帧，认栽赶路 [2]

粗粒度不等于粗糙。注意丢帧的判决条件：不是 "晚了一律丢"，而是 "下一帧已在候场才丢"——库存见底时宁可迟到，也不能让画面断供。这套丢重逻辑在 8.3 的实测里会交出成绩单：三百帧的测试片上，音频主时钟把偏差摁在 ±40ms 以内，代价是 83 帧候补被丢弃——看得见的丢帧，换听不出的同步。

音频做从时钟：采样级微调的细针脚

换成视频做主、音频追随，画风骤变。音频绝不丢帧——人耳对声音断续的敏感度远超人眼对画面丢帧，砍一段采样，听众立刻皱眉。ffplay 的做法是微调每帧的采样数 [2]：

• 偏差先做一阶平滑，取最近 20 次的均值——拒绝被单次抖动带偏
• 校正量按 偏差 × 采样率 折算成采样数，但钳制在原采样数的 ±10% 以内——每次只挪一小步
• 偏差一旦达到 10 秒量级，判定为 PTS 异常，放弃校正并清空统计——这不是漂移，是数据坏了

粗剪对细针：视频的单位是帧（33ms 起步），音频的单位是采样（48kHz 下约 0.02ms）。视频只能大步腾挪，音频可以无声无息地把偏差揉碎在千分之一秒的粒度里。两相对照，默认策略的理由一目了然——让粗粒度的那侧去追随细粒度的那侧，追随动作才不可能被察觉。视频丢一帧，33ms 的空白藏在视觉暂留里；音频丢一帧，耳朵当场报警。工业界让视频迁就音频，不是偏爱，是生理。

外部时钟：谁都不信，只信墙钟

第三条路：音画都不做主，共同对齐一台外部墙钟。流媒体直播是它的主场——7.4 的低延迟直播里，音频可能稀疏甚至缺席，主时钟无人可任。

外部时钟自身也要防漂移，ffplay 给它配的舵是缓冲水位反馈调速 [2]：任一队列入队包数跌到 2 帧以下，判定供料不足，播放速度微降；水位回升，速度恢复。调速边界钳在 0.900 到 1.010 之间，步进千分之一——减速明显（断供是急症，得下猛药），加速克制（观众对变调敏感，对慢半拍迟钝）。不对称的调速区间，写的是同一份对人性的体谅。

小结：同步即政治

回看三种策略：主时钟是音画世界的宪政设计——谁做主，决定了谁的体验被优先保护，谁承担全部追随成本。音频主时钟保护听觉、视频主时钟保护视觉、外部时钟保护直播的时效，各守一种价值排序。主时钟解决了 "对齐谁"，但还有半边问题悬着：帧从哪里来、何时来，全看网络脸色。下一节，抖动缓冲——播放器与网络和解的艺术。