Kỹ sư QLTT Ghi chú ôn thi
← Về danh sách
Điện toán & Nhúng
#영상코덱#비디오압축#HEVC#AV1#엔트로피부호화
Cập nhật lần cuối · 2026-11-06

Codec video và nén video (H.264·HEVC·AV1·VVC)

1. Tổng quan

A. Định nghĩa

Codec video (Video Codec) là thuật ngữ chung chỉ các thuật toán·tiêu chuẩn nén video số bằng mã hóa (Encoding) để giảm chi phí lưu trữ·truyền tải và khôi phục bằng giải mã (Decoding) khi phát lại; đây là công nghệ nén mất mát (lossy compression) loại bỏ về mặt toán học tính dư thừa của tín hiệu video và khai thác giới hạn của thị giác con người để giảm khối lượng dữ liệu hàng chục đến hàng trăm lần trong khi vẫn giữ chất lượng cảm nhận.

Bản thân từ "codec" là sự ghép của bộ mã hóa (Coder) và bộ giải mã (Decoder). Video là một tín hiệu ba chiều (ngang × dọc × thời gian) khổng lồ, trong đó mỗi giây có 24~60 khung hình, mỗi khung hình có hàng triệu điểm ảnh, và mỗi điểm ảnh mang màu. Ví dụ, biểu diễn video 4K (3840×2160) không nén ở 60 khung hình mỗi giây, 24 bit mỗi điểm ảnh sẽ lên tới khoảng 11,9 Gbps (3840×2160×60×24), mà không đường truyền Internet nào có thể truyền thời gian thực. Codec video lọc bỏ khỏi tín hiệu gốc này thông tin mà "con người hầu như không nhận biết" và chỉ mã hóa hiệu quả phần cốt lõi còn lại, kéo cùng một chất lượng cảm nhận xuống dưới vài chục Mbps. Nói cách khác, codec là sản phẩm kỹ thuật kết hợp mô hình tri giác "bỏ cái gì mà con người không biết" và lý thuyết thông tin "biểu diễn phần còn lại ngắn nhất thế nào".

B. Bối cảnh ra đời và sự cần thiết

Sự bùng nổ lưu lượng video là động lực căn bản của việc nâng cấp codec. Hơn một nửa lưu lượng Internet toàn cầu là video, và streaming OTT·hội nghị video·CCTV·video ngắn·cloud gaming đều phụ thuộc vào truyền tải video. Thêm vào đó, độ phân giải không ngừng mở rộng từ FHD lên 4K·8K, tốc độ khung hình từ 30fps lên 120fps, biểu diễn độ sáng từ SDR lên HDR. Khối lượng dữ liệu gốc tăng tỷ lệ với bình phương độ phân giải và với tốc độ khung hình, nhưng tốc độ tăng trưởng của băng thông mạng và phương tiện lưu trữ không theo kịp. Phương tiện duy nhất để lấp khoảng trống này là việc cải thiện liên tục hiệu suất nén, nên khoảng mỗi mười năm lại xuất hiện một tiêu chuẩn mới nhắm tới "cùng chất lượng với nửa bitrate so với thế hệ trước".

Động cơ kinh tế cũng rõ ràng. Với các nhà cung cấp siêu lớn như Netflix·YouTube, việc giảm 1% bitrate ngay lập tức chuyển thành khoản tiết kiệm chi phí CDN·băng thông khổng lồ và giảm buffering. Ngược lại, với người dùng, nó nghĩa là chất lượng cao hơn trên cùng gói cước·đường truyền, và trên di động là xem trong khi giảm tiêu thụ dữ liệu. Trong các lĩnh vực có băng thông cấp phát cố định như phát sóng·vệ tinh, một codec hiệu quả hơn nghĩa là nhiều kênh hơn hoặc chất lượng cao hơn. Như vậy hiệu suất codec không phải là một chỉ số kỹ thuật đơn thuần mà là biến số then chốt đồng thời chi phối cơ cấu chi phí của dịch vụ và trải nghiệm người dùng.

Khả năng nén về căn bản phát sinh từ sự thật rằng entropy (độ bất định) của tín hiệu video thấp. Trong video tự nhiên, các điểm ảnh liền kề·các khung hình liên tiếp tương quan mạnh, nên lượng thông tin thực chứa trong đó nhỏ hơn nhiều so với số bit gốc. Giới hạn Shannon (Shannon limit) của lý thuyết thông tin quy định một cận dưới rằng "không thể nén dưới entropy một cách không mất mát", nhưng video cho phép nén mất mát bỏ đi phần con người không cảm nhận được, nên có thể đạt bitrate thấp hơn nhiều so với giới hạn đó. Thiết kế codec rốt cuộc là tối ưu hóa kỹ thuật "tối thiểu hóa méo tri giác trong một ngân sách bit cho trước", và đây là nền tảng lý thuyết của tối ưu hóa tỷ lệ-méo (rate-distortion) được giải thích ở phần sau.

C. Đặc điểm cốt lõi

Tính chất của codec video có thể tóm tắt thành bốn điểm. Thứ nhất, tính toán bất đối xứng — mã hóa phải tìm kiếm chế độ dự đoán và vector chuyển động tối ưu nên nặng hơn nhiều so với giải mã (tăng tốc phần cứng là bắt buộc khi phát trực tiếp). Thứ hai, sự đánh đổi tỷ lệ-méo (Rate-Distortion trade-off) — càng dùng ít bit thì méo càng lớn, nên mọi thiết kế đều quy về bài toán tìm điểm tối ưu trên đường cong này. Thứ ba, sự tách biệt giữa tiêu chuẩn và triển khai — tiêu chuẩn chỉ quy định "bộ giải mã diễn giải thế nào (cú pháp bitstream)", còn chất lượng mã hóa được giao cho triển khai (encoder) nhằm thúc đẩy cạnh tranh. Thứ tư, sự phụ thuộc giấy phép — cấu trúc tiền bản quyền sáng chế chi phối tỷ lệ áp dụng, và điều này trở thành bối cảnh trực tiếp cho sự xuất hiện của codec miễn phí bản quyền (AV1).

Bốn đặc điểm này đan xen với nhau và quyết định thành bại thực tế của codec. Dù hiệu suất tỷ lệ-méo xuất sắc đến đâu, nếu không có bộ giải mã phần cứng do gánh nặng tính toán bất đối xứng thì bị ngó lơ trên di động, và nếu giấy phép mập mờ thì hệ sinh thái không chuyển động. Do đó, khi đánh giá codec, góc nhìn xem xét toàn diện trên bốn chiều hiệu suất·độ phức tạp·giấy phép·hệ sinh thái, chứ không phải trục duy nhất là tỷ lệ nén, đặc biệt quan trọng dưới góc độ Kỹ sư chuyên nghiệp.

2. Nguyên lý cơ bản của nén video và cấu trúc codec lai

A. Bốn nguyên lý loại bỏ dư thừa (Redundancy)

Nén video loại bỏ "thông tin có thể bỏ đi" bằng cách chia thành bốn loại dư thừa. Dư thừa không gian (spatial redundancy) là tính chất các điểm ảnh liền kề trong một khung hình nhìn chung giống nhau, được loại bỏ bằng dự đoán trong khung và mã hóa biến đổi. Dư thừa thời gian (temporal redundancy) là tính chất các khung hình liên tiếp gần như giống nhau và chỉ một phần chuyển động, được loại bỏ bằng dự đoán bù chuyển động — đây là cốt lõi để nén video đạt tỷ lệ nén cao hơn nhiều so với ảnh tĩnh (JPEG). Dư thừa thống kê (statistical redundancy) là tính chất một số ký hiệu xuất hiện thường xuyên, được loại bỏ bằng mã hóa entropy. Dư thừa tâm lý thị giác (psycho-visual redundancy) là đặc tính tri giác rằng mắt người nhạy với độ sáng nhưng kém nhạy với sắc độ·chi tiết tần số cao, được khai thác bằng chroma subsampling (4:2:0) và lượng tử hóa.

Bốn nguyên lý này không độc lập mà kết hợp thành một pipeline. Dự đoán loại bỏ dư thừa thời gian·không gian, chỉ để lại phần dư (residual, chênh lệch giữa dự đoán và thực tế); phần dư được biến đổi·lượng tử hóa để loại bỏ dư thừa tâm lý thị giác; và cuối cùng mã hóa entropy loại bỏ dư thừa thống kê. Bản chất của sự phát triển codec qua các thế hệ là làm mỗi giai đoạn này "tinh vi hơn nhưng đắt hơn" để nâng cao hiệu suất nén.

flowchart LR
  IN["Khung hình đầu vào"] --> PRED["Dự đoán<br/>(trong khung/liên khung)"]
  PRED --> RES["Tín hiệu dư<br/>(gốc - dự đoán)"]
  RES --> T["Biến đổi(DCT/DST)"]
  T --> Q["Lượng tử hóa"]
  Q --> ENT["Mã hóa entropy<br/>(CABAC v.v.)"]
  ENT --> BS["Bitstream nén"]
  Q --> IQ["Giải lượng tử·biến đổi ngược"]
  IQ --> REC["Khung hình khôi phục"]
  REC --> ILF["Bộ lọc trong vòng<br/>(deblocking/SAO/ALF)"]
  ILF --> DPB["Bộ đệm khung khôi phục<br/>(khung tham chiếu)"]
  DPB --> PRED

B. Cấu trúc mã hóa lai dựa trên khối

Từ thập niên 1990, hầu như mọi codec thương mại (H.26x, MPEG, AV1) đều chia sẻ cùng một bộ khung gọi là mã hóa lai dựa trên khối (hybrid block-based coding). "Lai" nghĩa là kết hợp dự đoán (predictive coding) và biến đổi (transform coding), còn "dựa trên khối" nghĩa là chia khung hình thành các khối chữ nhật và xử lý theo đơn vị khối. Khung hình trước tiên được chia thành đơn vị mã hóa lớn rồi được chia đệ quy thành các mảnh nhỏ hơn tùy đặc tính ảnh. H.264 dùng macroblock (MB) 16×16, HEVC chia CTU (Coding Tree Unit) tối đa 64×64 bằng cây tứ phân, còn VVC chia khối tối đa 128×128 linh hoạt hơn bằng cây tứ phân + cây đa kiểu (QTMT). Chia vùng phức tạp thành nhỏ, vùng phẳng thành lớn để phân bổ bit hiệu quả chính là cốt lõi của tiến hóa cấu trúc phân chia.

Với mỗi khối, encoder cân nhắc vô số lựa chọn (chế độ dự đoán, độ sâu phân chia, kích thước biến đổi, khung tham chiếu) và chọn tổ hợp tối ưu bằng tối ưu hóa tỷ lệ-méo (RDO, Rate-Distortion Optimization). RDO là quá trình tìm lựa chọn tối thiểu hóa hàm chi phí J = D + λ·R (D là méo, R là lượng bit, λ là nhân tử Lagrange); thế hệ codec càng cao thì số lựa chọn càng bùng nổ và khối lượng tính toán của encoder tăng theo cấp số nhân. Chính "nhiều công cụ hơn và tìm kiếm sâu hơn" này là lý do căn bản khiến độ phức tạp mã hóa tăng vài lần đến hàng chục lần như cái giá của việc cải thiện hiệu suất nén.

flowchart TB
  F["Một khung hình"] --> SPLIT["Phân chia khối<br/>(CTU/CU cây tứ phân)"]
  SPLIT --> DEC{"Quyết định loại khối<br/>(RDO)"}
  DEC -->|trong khung| INTRA["Dự đoán Intra<br/>(chế độ hướng)"]
  DEC -->|liên khung| INTER["Dự đoán Inter<br/>(ước lượng·bù chuyển động)"]
  INTRA --> R["Tạo phần dư"]
  INTER --> R
  R --> TQ["Biến đổi·lượng tử hóa"]
  TQ --> E["Mã hóa entropy"]
  INTER -.tham chiếu.-> REFBUF["Bộ đệm khung tham chiếu"]

C. Không gian màu và chroma subsampling

Dư thừa tâm lý thị giác được khai thác đầu tiên ở biểu diễn màu. Codec xử lý đầu vào không phải dưới dạng RGB mà dưới không gian màu YCbCr được tách thành độ chói (Y) và sắc độ (Cb, Cr). Mắt người rất nhạy với độ sáng (Y) nhưng kém nhạy với độ phân giải không gian của màu (CbCr), nên dù áp dụng chroma subsampling giảm một nửa độ phân giải của các thành phần sắc độ thì hầu như không có suy giảm cảm nhận. 4:2:0 được dùng rộng rãi nhất giảm sắc độ cả theo chiều ngang·dọc đều một nửa, nén lượng thông tin màu còn 1/4, và chỉ riêng điều này đã giảm đáng kể khối lượng dữ liệu trước khi mã hóa.

Phát sóng·streaming thông thường hầu hết dùng 4:2:0, nhưng các luồng công việc biên tập·mastering hoặc chia sẻ màn hình, nơi ranh giới màu của phụ đề·đồ họa quan trọng, dùng 4:2:2 hoặc 4:4:4 (không subsampling) để tránh nhòe màu. Nghĩa là lựa chọn subsampling là sự đánh đổi giữa "khai thác sự kém nhạy của mắt người đến đâu" và "độ chính xác màu quan trọng thế nào cho mục đích sử dụng", và phạm vi hỗ trợ khác nhau theo profile ngay cả với cùng một codec. Giai đoạn này là cửa ải ngầm đầu tiên của pipeline codec, mang lại lợi ích nén lớn ngay trước dự đoán·biến đổi.

D. Loại khung hình và cấu trúc GOP

Việc loại bỏ dư thừa thời gian được thực hiện bằng cách chia khung hình thành ba loại. Khung I (Intra) tự nén mà không tham chiếu khung khác, làm điểm mốc cho truy cập ngẫu nhiên·khôi phục lỗi nhưng dung lượng lớn. Khung P (Predictive) tham chiếu một chiều khung trước và chỉ mã hóa chênh lệch, còn khung B (Bi-directional) tham chiếu hai chiều cả khung quá khứ lẫn tương lai để đạt tỷ lệ nén cao nhất. Đơn vị lặp của chúng là GOP (Group of Pictures), chẳng hạn được xếp theo cấu trúc I B B P B B P …. Kéo dài GOP cải thiện hiệu suất nén nhưng giảm điểm truy cập ngẫu nhiên và tăng rủi ro lan truyền lỗi, nên streaming đánh đổi bằng cách đặt một khung I tại mỗi ranh giới phân đoạn. Trên thực tế, streaming thích ứng (ABR) của Netflix·YouTube căn chỉnh phần đầu của các phân đoạn 2~6 giây vào khung I để không bị giật khi chuyển chất lượng.

3. Kỹ thuật mã hóa cốt lõi

A. Dự đoán (Prediction): trong khung·liên khung

Dự đoán trong khung (Intra prediction) ước lượng khối hiện tại từ các điểm ảnh lân cận đã khôi phục trong cùng khung. Trong khi H.264 cung cấp 9 chế độ hướng thì HEVC có 35, còn VVC đưa vào 67 chế độ góc cùng các công cụ kiểu học như dự đoán intra dựa trên ma trận (MIP). Càng nhiều chế độ hướng thì càng theo sát chính xác hướng của biên·kết cấu để giảm phần dư, nhưng chi phí tìm kiếm chế độ cũng tăng theo.

Dự đoán liên khung (Inter prediction) là trái tim của nén video. Nó tìm vùng giống nhất với khối hiện tại trong khung tham chiếu (ước lượng chuyển động, Motion Estimation), biểu diễn chênh lệch vị trí đó bằng vector chuyển động (MV), lấy khối tham chiếu làm giá trị dự đoán (bù chuyển động, Motion Compensation), rồi chỉ mã hóa phần dư. Qua các thế hệ, độ chính xác MV đi từ 1/4 điểm ảnh lên 1/16 điểm ảnh của VVC, số khung tham chiếu và kích thước khối trở nên linh hoạt hơn, và các công cụ nâng cao được bổ sung như chế độ Merge của HEVC và bù chuyển động affine (biểu diễn cả phóng to·xoay) cùng luồng quang hai chiều (BDOF) của VVC. Ví dụ, trong cảnh camera phóng·xoay, MV tịnh tiến trước đây dự đoán lệch, nhưng mô hình affine xấp xỉ cả biến dạng khối để giảm mạnh phần dư — đây là một yếu tố khiến VVC đạt lợi ích rõ rệt so với HEVC trên một số nội dung.

Ước lượng chuyển động là giai đoạn nặng nhất, chiếm phần lớn khối lượng tính toán của encoder. Về lý thuyết, tìm kiếm toàn cục (full search) kiểm tra mọi vị trí ứng viên trong khung tham chiếu là tối ưu nhưng đắt phi thực tế, nên các encoder thực tế giảm ứng viên bằng heuristic tìm kiếm nhanh như tìm kiếm kim cương·lục giác. Chúng còn dùng cấu trúc hai bước: tìm thô theo đơn vị điểm ảnh nguyên rồi tinh chỉnh tới đơn vị dưới điểm ảnh (sub-pel) qua nội suy. Nâng độ chính xác dưới điểm ảnh bù chính xác cả chuyển động nhỏ để giảm phần dư, nhưng tăng tính toán bộ lọc nội suy và chi phí báo hiệu MV. Dự đoán MV (MVP), lấy MV của khối lân cận làm giá trị dự đoán và chỉ mã hóa chênh lệch, cũng là một tối ưu hóa quan trọng loại bỏ dư thừa thống kê của chính MV. Rốt cuộc, chất lượng dự đoán liên khung tỷ lệ với "tìm kiếm rộng và tinh đến đâu", và độ sâu tìm kiếm này trở thành núm điều chỉnh cốt lõi phân định tốc độ và chất lượng mã hóa.

B. Biến đổi (Transform) và lượng tử hóa (Quantization)

Phần dư còn lại sau dự đoán được chuyển sang miền tần số bằng biến đổi cosine rời rạc (DCT) (một số khối dùng DST). Năng lượng của video tự nhiên tập trung ở tần số thấp, nên sau biến đổi nó tách thành một số ít hệ số lớn và nhiều hệ số nhỏ. Tiếp theo, lượng tử hóa chia mỗi hệ số cho bước lượng tử (QP) rồi làm tròn, và ở giai đoạn này thông tin thực sự bị bỏ đi (nguồn gốc của nén mất mát). Lượng tử hóa thô các hệ số tần số cao giúp tiết kiệm nhiều bit trong khi con người khó cảm nhận — đây chính là nơi việc loại bỏ dư thừa tâm lý thị giác vận hành cụ thể. Nâng QP làm giảm bitrate nhưng tăng nhiễu khối·mờ, nên encoder điều chỉnh QP thích ứng theo từng cảnh (adaptive QP) để giữ chất lượng cảm nhận. VVC nâng hiệu suất biến đổi thêm một bậc với biến đổi 64 điểm cho khối lớn, Lựa chọn Biến đổi Đa dạng (MTS), và Biến đổi Không tách rời Tần số thấp (LFNST).

C. Mã hóa entropy (Entropy Coding)

Các hệ số·MV·thông tin chế độ đã lượng tử hóa cuối cùng được nén bằng mã hóa entropy loại bỏ dư thừa thống kê. H.264 cung cấp tùy chọn CAVLC (độ dài biến đổi) và CABAC (mã hóa số học nhị phân thích ứng ngữ cảnh), còn HEVC·VVC hợp nhất về CABAC hiệu suất cao hơn. CABAC cập nhật xác suất xuất hiện của mỗi ký hiệu theo ngữ cảnh trong thời gian thực và nén bằng mã hóa số học tới dưới một bit mỗi ký hiệu, nhưng cái giá của hiệu suất cao này là sự phụ thuộc giữa các bit tăng lên khiến việc song song hóa khó khăn. AV1 dùng mã hóa số học đa ký hiệu tương tự. Mã hóa entropy đảm nhận phần đáng kể của tổng lợi ích nhưng về bản chất là tuần tự, nên đôi khi trở thành nút cổ chai của bộ giải mã trong xử lý thời gian thực độ phân giải cao.

D. Bộ lọc trong vòng (In-loop Filter)

Xử lý theo đơn vị khối tất yếu tạo ra sự gián đoạn ở ranh giới khối (hiện tượng khối, blocking artifact) và ringing. Để giảm nhẹ chúng, một bộ lọc deblocking được áp dụng lên khung khôi phục, HEVC bổ sung thêm SAO (Sample Adaptive Offset), và VVC thêm ALF (Adaptive Loop Filter). Điểm cốt lõi là việc lọc này được thực hiện bên trong vòng mã hóa để khung đã lọc được dùng làm tham chiếu cho khung tiếp theo. Do đó encoder và decoder chia sẻ cùng một kết quả khôi phục y hệt và không xảy ra trôi lệch (drift).

Bộ lọc càng tinh vi thì chất lượng tham chiếu càng cao, tạo vòng xoáy tích cực trong đó dự đoán về sau tốt hơn, nhưng gánh nặng tính toán của decoder cũng tăng theo. Đặc biệt ALF suy ra thích ứng các hệ số bộ lọc Wiener (Wiener filter) theo từng khung để đưa tín hiệu khôi phục gần với gốc hơn, và vì bản thân các hệ số này phải được tải trong bitstream nên sự đánh đổi "lợi ích bộ lọc với chi phí báo hiệu" lại phát sinh một lần nữa. Như vậy, mọi công cụ mới của codec, không trừ công cụ nào, đều có việc áp dụng được quyết định bằng cách cân nhắc giữa lợi ích nén thu được và chi phí tính toán·báo hiệu bổ sung.

E. Điều khiển bitrate (Rate Control): CBR·VBR·CRF

Dù dùng cùng codec·cùng công cụ, cách phân bổ bit theo trục thời gian (rate control) chi phối chất lượng cuối cùng và tính phù hợp truyền tải. CBR (bitrate cố định) giữ lượng bit mỗi giây không đổi, phù hợp với phát sóng·phát trực tiếp có băng thông cố định, nhưng có nhược điểm chất lượng sụt mạnh ở cảnh phức tạp. VBR (bitrate biến đổi) dùng nhiều bit hơn cho cảnh phức tạp và tiết kiệm ở cảnh đơn giản để nâng chất lượng trung bình, có lợi cho lưu trữ·VOD. CRF (Constant Rate Factor) cố định một "chất lượng mục tiêu" thay vì bitrate và để bit biến đổi theo đó, được dùng rộng rãi trong các encoder x264·x265·AV1.

Trên thực tế, chúng được kết hợp với mã hóa 2 lượt (lượt một phân tích độ phức tạp, lượt hai phân bổ bit) hoặc ràng buộc VBV (Video Buffering Verifier). Ví dụ, OTT thường áp dụng capped VBR, đặt trần bitrate đỉnh theo từng phân đoạn để ngăn tràn cạn bộ đệm decoder trong khi phân bổ bit linh hoạt theo độ phức tạp cảnh. Rốt cuộc, rate control là bài toán "phân bổ điểm tối ưu của đường cong tỷ lệ-méo theo trục thời gian thế nào trong các ràng buộc thực tế của mạng·bộ đệm", và nó ảnh hưởng trực tiếp đến chất lượng cảm nhận không kém gì hiệu suất codec.

F. Đo lường chất lượng (Quality Metrics): PSNR·SSIM·VMAF

Để phán đoán "đã nén tốt", phải đo méo một cách khách quan. Theo truyền thống, PSNR (tỷ số tín hiệu cực đại trên nhiễu) tính chênh lệch điểm ảnh giữa gốc và khôi phục nên đơn giản, nhưng tương quan với tri giác con người thấp, nên các trường hợp "con số thì tốt nhưng mắt thấy xấu" khá thường xuyên. SSIM (độ tương đồng cấu trúc) so sánh đồng thời độ sáng·tương phản·cấu trúc nên gần với tri giác hơn, và VMAF (Video Multimethod Assessment Fusion) do Netflix công bố hợp nhất nhiều đặc trưng chất lượng bằng học máy để cho tương quan cao với đánh giá của con người (MOS).

Các chỉ số này được dùng trực tiếp làm hạng méo (D) của tối ưu hóa tỷ lệ-méo và làm mục tiêu chất lượng trong thiết kế thang mã hóa. Ví dụ, mã hóa per-title định bitrate theo từng nội dung theo kiểu "đạt VMAF 93 điểm ở bitrate tối thiểu". Tuy nhiên, không chỉ số đơn lẻ nào là hoàn hảo, nên trên thực tế người ta chạy song song nhiều chỉ số và đánh giá chủ quan (golden-eye), và ngay cả so sánh hiệu suất giữa các thế hệ cũng phải nêu rõ sự phụ thuộc vào chỉ số mới đáng tin cậy. Bản thân việc tinh vi hóa đo lường chất lượng là một đòn bẩy khác "nâng chất lượng mà không đổi codec".

4. So sánh và lựa chọn codec theo thế hệ

Lịch sử codec có thể tóm tắt thành xu hướng "hiệu suất gấp đôi khoảng mỗi mười năm". H.264/AVC (2003) phổ cập video Internet, và H.265/HEVC (2013) mở ra kỷ nguyên 4K, đạt giảm bitrate khoảng 50% so với H.264. AV1, được Alliance for Open Media (AOMedia) ra mắt năm 2018, tuyên bố miễn phí bản quyền và cung cấp hiệu suất cao hơn VP9·HEVC, còn H.266/VVC, được JVET (ITU-T·MPEG phối hợp) chuẩn hóa năm 2020, được thiết kế nhắm tới lại giảm khoảng 50% so với HEVC. Tuy nhiên, các con số so sánh hiệu suất giữa các thế hệ dao động lớn theo độ phân giải·nội dung·độ trưởng thành của encoder nên khó khẳng định bằng một tỷ lệ phần trăm duy nhất, và nhìn chung độ phân giải càng cao thì lợi ích của codec thế hệ mới có xu hướng càng lớn.

Phả hệ của phe miễn phí bản quyền cũng quan trọng. VP8·VP9, được công bố dựa trên công nghệ On2 mà Google mua lại, đã định vị trên web·YouTube như giải pháp thay thế để tránh gánh nặng sáng chế HEVC, và dòng chảy này hội tụ vào AV1 của AOMedia, do Google·Amazon·Microsoft·Netflix·Intel và các bên khác lập ra. Nghĩa là AV1 không phải sản phẩm của một công ty đơn lẻ mà ra đời như phản ứng tập thể của giới công nghiệp trước sự bất định về giấy phép của HEVC. Chỉ khi hiểu bối cảnh này thì nghịch lý "tại sao một codec không phải hiệu suất cao nhất lại lan rộng nhanh hơn" mới được lý giải.

Điểm rẽ quan trọng ở đây là khoảng cách giữa hiệu suất kỹ thuật và sự phổ cập. VVC có hiệu suất cao nhất, nhưng do kinh nghiệm với các patent pool phức tạp của HEVC, sự bất định về giấy phép bị chỉ ra là trở ngại lớn nhất cho phổ cập, và hỗ trợ giải mã phần cứng cũng đang lan chậm (ví dụ: Intel Lunar Lake bắt đầu hỗ trợ giải mã VVC gốc cho PC). Ngược lại, AV1 tuy hiệu suất hơi kém VVC hoặc ở mức tương đương tùy nội dung, nhưng đang vượt lên trong phổ cập thực tế nhờ lợi thế quyết định là miễn phí bản quyền, việc áp dụng quy mô lớn bởi các nền tảng như YouTube·Netflix, và sự lan rộng của giải mã phần cứng trong các trình duyệt chính·SoC di động. Nói ngắn gọn, sự lan chậm của HEVC và sự trỗi dậy của AV1 đồng thời cho thấy bài học rằng không phải "codec tốt nhất" mà "codec có đủ giấy phép·hệ sinh thái·phần cứng" mới thắng.

Codec Chuẩn hóa (năm) Cơ quan Hiệu suất (so với trước) Giấy phép Ghi chú
H.264/AVC 2003 ITU-T/MPEG cơ sở tiền bản quyền tương thích rộng nhất
H.265/HEVC 2013 ITU-T/MPEG ~50%↓ patent pool phức tạp phát sóng 4K·UHD
VP9 2013 Google tương tự HEVC miễn phí bản quyền YouTube
AV1 2018 AOMedia vượt VP9/HEVC miễn phí bản quyền lan rộng OTT·web
H.266/VVC 2020 JVET ~50%↓ so với HEVC bất định còn tồn tại hiệu suất cao, phổ cập giai đoạn đầu

Lựa chọn codec là một quyết định cân nhắc toàn diện không phải hiệu suất đơn thuần mà việc giải mã phần cứng của thiết bị đích, chi phí giấy phép, yêu cầu độ trễ (tính thời gian thực), và độ trưởng thành của hệ sinh thái. Giải mã phần mềm càng tốn điện·nhiệt hơn với codec thế hệ mới, bất lợi trên di động, nên trên thực tế chiến lược phổ biến là mã hóa đa codec: chọn "codec hiệu quả nhất được tăng tốc phần cứng" và cũng cung cấp fallback H.264 cho các thiết bị không hỗ trợ.

Để cảm nhận cụ thể khác biệt hiệu suất qua một ví dụ, video gốc 4K60 khoảng 11,9 Gbps tính ở trên được H.264 nén xuống đại khái 2030 Mbps, đạt tỷ lệ nén khoảng 400600 lần. HEVC có thể truyền cùng chất lượng cảm nhận ở xấp xỉ một nửa con số đó, 10~15 Mbps, và dòng VVC·AV1 có thể truyền ở bitrate thấp hơn tùy tình huống (con số thực tế phụ thuộc nhiều vào nội dung·thiết lập encoder nên cần hiểu như một khoảng). Vì mức tiết kiệm này được quy đổi thành chi phí CDN và tỷ lệ buffering ở quy mô hàng trăm triệu người, các nhà cung cấp lớn đầu tư vào codec thế hệ mới và mã hóa thích ứng nội dung dù phải gánh khối lượng tính toán mã hóa khổng lồ. Ngược lại, các dịch vụ quy mô nhỏ thường ở lại trọng tâm H.264 do cân nhắc chi phí mã hóa·tính tương thích, nên dù cùng công nghệ, lựa chọn tối ưu thay đổi theo quy mô kinh doanh.

5. Chuyên sâu: Xu hướng mới nhất và nâng cao mã hóa

Không thể bỏ qua sự tiến hóa của mã hóa phần cứng. Để vượt giới hạn điện·tính toán của mã hóa phần mềm, các nền tảng siêu lớn triển khai quy mô lớn ASIC mã hóa chuyên dụng (ví dụ: Argos VCU của YouTube, bộ tăng tốc transcoding chuyên dụng) và encoder GPU để chuyển đổi hàng trăm triệu giờ nội dung tải lên sang codec thế hệ mới một cách kinh tế. Bộ tăng tốc vượt trội về thông lượng·hiệu suất điện nhưng có sự đánh đổi là hiệu suất nén hơi thấp hơn phần mềm, nên người ta dùng chiến lược phân tầng theo mức độ phổ biến của nội dung: "chỉ xử lý lại những video được xem nhiều bằng mã hóa phần mềm chậm và tinh vi". Đây là ví dụ tiêu biểu cho thấy lựa chọn codec không thể tách rời khỏi thiết kế hạ tầng mã hóa.

Tách biệt với việc thay thế thế hệ của bản thân codec, sự thông minh hóa của phương thức mã hóa đang nâng mạnh chất lượng thực tế. Mã hóa thích ứng nội dung (per-title / CAE) do Netflix dẫn dắt, thay vì dùng một thang bitrate cố định cho mọi nội dung, phân bổ bitrate thấp cho nội dung dễ nén như hoạt hình và bitrate cao cho hành động phức tạp, tiết kiệm lớn băng thông ở cùng chất lượng cảm nhận. Hơn nữa, shot-based encoding tối ưu theo từng cảnh quay kết hợp với tối ưu hóa dựa trên các chỉ số chất lượng tri giác như VMAF, đạt cải thiện hiệu suất đáng kể "mà không đổi codec".

Một khái niệm thường bị lẫn lộn ở đây là sự phân biệt giữa codec và container. Codec là quy cách "nén bitstream video thế nào", còn các container như MP4·MKV·WebM là quy cách "đóng gói các track video·âm thanh·phụ đề đã nén và thông tin đồng bộ vào một tệp thế nào". Vì cùng một bitstream AV1 có thể được đóng gói vào cả MP4 lẫn WebM, nên vấn đề tương thích phát lại phải được chẩn đoán bằng cách phân biệt không hỗ trợ codec với không hỗ trợ container. Ngoài ra, HDR (High Dynamic Range) tải siêu dữ liệu màu (hàm truyền PQ/HLG, gam màu BT.2020) trong bitstream tách biệt với codec, và HDR10·Dolby Vision·HDR10+ là sự khác biệt của hệ siêu dữ liệu này chứ không phải bản thân codec. Do đó một tổ hợp như "4K HDR AV1" chỉ phát lại đúng khi codec·container·siêu dữ liệu HDR·không gian màu mỗi thứ đều tương thích.

Xu hướng đáng chú ý nhất là nén video dựa trên AI (nơ-ron). Nghiên cứu sôi động về việc nén video thành biểu diễn tiềm ẩn bằng autoencoder, hoặc thay thế các giai đoạn cụ thể của codec truyền thống (dự đoán·bộ lọc) bằng mạng nơ-ron. MPEG đang thúc đẩy NNVC (Neural Network-based Video Coding) và tiêu chuẩn nén đặc trưng (VCM, Video Coding for Machines), vốn mở ra một mô hình mới là nén các đặc trưng mà máy sẽ phân tích thay vì chất lượng hình ảnh con người nhìn (ví dụ: chỉ truyền thông tin cần để phát hiện người trong CCTV). Về tiêu chuẩn thế hệ tiếp theo, AV2 của AOMedia và mô hình thử nghiệm ECM của JVET đang được phát triển, và cục diện cạnh tranh hiệu suất·giấy phép giữa hai phe được dự báo sẽ quyết định địa hình codec của cuối thập niên 2020.

Sự phân hóa theo đặc tính độ trễ cũng rõ rệt. Trong các lĩnh vực đòi hỏi độ trễ cực thấp như hội nghị video·chia sẻ màn hình (WebRTC) hoặc cloud gaming·XR, người ta tránh các công cụ gây trễ như khung B, và lấy độ trễ·độ phức tạp·khả năng chống lỗi làm tiêu chí lựa chọn thay vì hiệu suất nén. Vì lý do này xuất hiện hiện tượng đảo ngược trong đó, dù hiệu suất hơi thấp, một profile nhẹ hoặc thiết lập độ trễ thấp vẫn được áp dụng, và các cấu trúc tham chiếu phòng ngừa mất gói mạng (ví dụ: tham chiếu dài hạn, mã hóa phân lớp SVC) được dùng kèm. Ngược lại, VOD có thể dành thời gian thực hiện tối ưu hóa 2 lượt·theo cảnh quay nên theo đuổi hiệu suất đến cực hạn. Nói ngắn gọn, "thời gian thực hay không thời gian thực" phân định về căn bản bộ công cụ và thiết lập của codec.

6. Điểm cần cân nhắc và hàm ý

Việc áp dụng·chuyển đổi codec video phải được phán đoán chiến lược bằng cách cân nhắc tổng hợp những điều sau.

  • Sự phụ thuộc giải mã phần cứng (chiến lược áp dụng): Lợi ích hiệu suất của codec thế hệ mới chỉ được hiện thực hóa khi thiết bị đầu cuối đích có bộ giải mã phần cứng. Lộ trình chuyển đổi nên được xây dựng phù hợp với đường cong thâm nhập hỗ trợ phần cứng của SoC·TV·trình duyệt, và fallback sang codec cấp thấp hơn cho các thiết bị không hỗ trợ phải được chạy song song.
  • Sự đánh đổi tam giác hiệu suất-độ phức tạp-độ trễ (trade-off): Nâng hiệu suất nén làm tăng độ phức tạp mã hóa và độ trễ. Hợp lý là tách riêng codec·profile theo mục đích sử dụng, ưu tiên hiệu suất cho VOD và độ trễ thấp·độ phức tạp thấp cho phát sóng trực tiếp·hội nghị video·cloud gaming.
  • Rủi ro giấy phép·hệ sinh thái (triển vọng): Tiền lệ patent pool phân mảnh của HEVC làm trì hoãn phổ cập cho thấy lựa chọn codec không phải là chỉ số kỹ thuật mà là vấn đề tổng chi phí sở hữu (TCO) và rủi ro pháp lý. Khi chọn giữa miễn phí bản quyền (AV1/AV2) và codec tiêu chuẩn (VVC), cấu trúc sáng chế·khả năng dự đoán nên được lấy làm biến số then chốt.
  • Dịch chuyển đầu tư sang thông minh hóa mã hóa (công nghệ liên quan): Vì chu kỳ thay thế codec dài tới mười năm, cải thiện hiệu suất ngắn hạn đến từ tối ưu hóa mã hóa per-title·shot-based·dựa trên VMAF và tinh chỉnh thang ABR. Tách biệt với chuyển đổi codec, đầu tư vào pipeline mã hóa·chỉ số chất lượng có hiệu quả tiết kiệm chi phí tức thì lớn.
  • Chuẩn bị cho mô hình mới (triển vọng): VCM (mã hóa video cho máy)·codec nơ-ron lung lay giả định hiện hữu lấy "chất lượng hình ảnh con người nhìn" làm trung tâm. Trong CCTV·lái tự động·video công nghiệp nơi phân tích AI trở thành trung tâm tiêu thụ, nén theo tiêu chí độ chính xác phân tích chứ không phải chất lượng tri giác được yêu cầu, nên xu hướng này cần được phản ánh trước trong thiết kế kiến trúc trung·dài hạn.
  • Khả năng tương tác·tuân thủ tiêu chuẩn (chiến lược áp dụng): Vì codec chỉ chuẩn hóa cú pháp bitstream và để triển khai encoder tự do, việc khóa chặt vào một encoder cụ thể tạo rủi ro chất lượng·tương thích. Kiểm tra tuân thủ tiêu chuẩn (conformance) và kiểm thử khả năng tương tác end-to-end của siêu dữ liệu container·DRM·HDR phải được thực hiện trước khi chuyển đổi, và trong môi trường đa đầu cuối, một ma trận phát lại theo tổ hợp codec·độ phân giải·HDR nên được kiểm chứng trước.

Tài liệu tham khảo

Tóm tắt một câu: Codec video là công nghệ nén mất mát loại bỏ dư thừa không gian·thời gian·thống kê·tâm lý thị giác qua mã hóa lai dựa trên khối (dự đoán → biến đổi·lượng tử hóa → entropy → bộ lọc trong vòng); từ H.264 → HEVC → VVC/AV1 hiệu suất đã tăng gấp đôi khoảng mỗi mười năm, nhưng việc áp dụng thực tế bị chi phối bởi giải mã phần cứng·giấy phép·hệ sinh thái.