সফটওয়্যার ডিকোডিং: এটি কী, কাজের নীতি এবং ব্যবহারের পরিস্থিতি

সফটওয়্যার ডিকোডিং কী?

Software decoding হল মিডিয়া ডেটা ডিকম্প্রেস করার একটি পদ্ধতি যেখানে সমস্ত গণনামূলক কাজ সাধারণ-উদ্দেশ্যের CPU কোরগুলিতে সঞ্চালিত হয়। হার্ডওয়্যার ডিকোডিংয়ের বিপরীতে, যেখানে প্রতিটি কোডেকের জন্য একটি ডেডিকেটেড ফিজিক্যাল ব্লক থাকে, সফটওয়্যার ডিকোডার হল সাধারণ কোড যা প্রসেসর নির্দেশ ব্যবহার করে একই অ্যালগরিদম সম্পাদন করে।

সফটওয়্যার ডিকোডারগুলি নির্দিষ্ট CPU আর্কিটেকচারের জন্য অপ্টিমাইজেশন সহ C/C++-এ লেখা হয়: মোবাইল ডিভাইসের জন্য ARM NEON SIMD নির্দেশ, ডেস্কটপের জন্য Intel SSE/AVX। FFmpeg-এর libavcodec লাইব্রেরিতে বিভিন্ন প্ল্যাটফর্মের জন্য অপ্টিমাইজড অ্যাসেম্বলি কোডের হাজার হাজার লাইন রয়েছে, যা সফটওয়্যার ডিকোডিংকে শক্তিশালী CPU-তে AV1-এর মতো ভারী ফরম্যাটের জন্যও শালীন পারফরম্যান্স অর্জন করতে দেয়।

সফটওয়্যার ডিকোডিংয়ের প্রধান সুবিধা হল বহুমুখিতা। যদি একটি হার্ডওয়্যার ডিকোডার শুধুমাত্র 4–5টি প্রধান ফরম্যাট (H.264, H.265, VP9, AV1) সমর্থন করে, তাহলে FFmpeg 200-এর বেশি কোডেক ডিকোড করতে পারে: আধুনিক AV1 এবং H.265 থেকে শুরু করে পুরাতন Sorenson Spark, RealVideo এবং Motion JPEG পর্যন্ত। এটি সফটওয়্যার ডিকোডিংকে অ-মানক মিডিয়া ডেটা নিয়ে কাজ করা অ্যাপ্লিকেশনগুলির জন্য একটি অপরিহার্য হাতিয়ার করে তোলে — যেমন পেশাদার ভিডিও এডিটর, ভিডিও নজরদারি সিস্টেম এবং বিশেষায়িত প্লেয়ার।

সফটওয়্যার ডিকোডিং কীভাবে কাজ করে?

সফটওয়্যার ডিকোডিং হার্ডওয়্যার ডিকোডিংয়ের মতো একই ধাপগুলি অনুসরণ করে, তবে একটি সাধারণ-উদ্দেশ্যের CPU-তে। প্রতিটি ধাপ ফাংশন হিসাবে প্রয়োগ করা হয় যা প্রতিটি ম্যাক্রোব্লক বা ফ্রেমের জন্য ক্রমানুসারে কল করা হয়। মূল পার্থক্য হল নমনীয়তা: ডেভেলপার পাইপলাইন পরিবর্তন করতে পারে, ডিকোডিং ধাপগুলির মধ্যে ফিল্টার এবং পোস্ট-প্রসেসিং যোগ করতে পারে।

সফটওয়্যার ডিকোডারের আর্কিটেকচার

একটি সাধারণ সফটওয়্যার ডিকোডারে মডিউল থাকে যা পৃথক অ্যালগরিদম ধাপগুলি প্রয়োগ করে। এনট্রপি ডিকোডিং মডিউল বিটস্ট্রিম পড়ে এবং কোয়ান্টাইজড DCT সহগ পুনরুদ্ধার করে। H.264-এর জন্য, এই মডিউল CABAC (প্রসঙ্গ-অভিযোজিত বাইনারি গাণিতিক কোডিং) প্রয়োগ করে — শর্তসাপেক্ষ শাখা সহ একটি জটিল অ্যালগরিদম যা হার্ডওয়্যারে ত্বরান্বিত করা কঠিন কিন্তু ভাল শাখা ভবিষ্যদ্বাণীকারী সহ CPU-তে দক্ষতার সাথে চলে।

ইনভার্স কোয়ান্টাইজেশন মডিউল সহগকে কোয়ান্টাইজেশন ধাপ দ্বারা গুণ করে, এবং ইনভার্স DCT মডিউল বিযুক্ত কোসাইন রূপান্তর প্রয়োগ করে। ইনভার্স DCT-এর সফটওয়্যার বাস্তবায়ন দ্রুত চেন অ্যালগরিদম বা লোফলার অ্যালগরিদম ব্যবহার করে, যা 8x8 ব্লকের জন্য গুণ-সঞ্চয় ক্রিয়াকলাপের সংখ্যা 4096 থেকে 256-এ কমিয়ে দেয়। NEON SIMD নির্দেশ (ARM) বা SSE (x86) প্রতি নির্দেশে 4–8টি সহগ প্রক্রিয়া করার অনুমতি দেয়, যা স্কেলার কোডের তুলনায় 4–8 গুণ গতি প্রদান করে।

মোশন কম্পেনসেশন মডিউল সবচেয়ে মেমরি-নিবিড়। এটি গতি ভেক্টর অনুসারে রেফারেন্স ফ্রেম থেকে অঞ্চলগুলি বের করে এবং সাবপিক্সেল ইন্টারপোলেশন প্রয়োগ করে। H.265-এর জন্য, ইন্টারপোলেশন নির্ভুলতা 1/8 পিক্সেলে পৌঁছায়, যার জন্য লুমার জন্য 8-ট্যাপ FIR ফিল্টার এবং ক্রোমার জন্য 4-ট্যাপ প্রয়োজন। সফটওয়্যার বাস্তবায়নকে ক্যাশে থেকে প্রচুর পরিমাণে রেফারেন্স ফ্রেম ডেটা লোড করতে হয়, যা CPU-তে উচ্চ রেজোলিউশন ডিকোড করার সময় মোশন কম্পেনসেশনকে একটি বাধা করে তোলে।

মোবাইল CPU-তে ডিকোডিংয়ের বৈশিষ্ট্য

আধুনিক মোবাইল প্রসেসর, যেমন Apple A17 বা Qualcomm Snapdragon 8 Gen 2, 6–8 কোর সহ ফ্রেম ড্রপ ছাড়াই 1080p H.264-এর সফটওয়্যার ডিকোডিংয়ের জন্য যথেষ্ট পারফরম্যান্স রাখে। তবে, 4K কন্টেন্টের জন্য, বিশেষ করে H.265 এবং AV1 ফরম্যাটে, CPU-তে সফটওয়্যার ডিকোডিং সংগ্রাম করতে পারে: সমস্ত কোর জুড়ে সাধারণ লোড 70–90% এ পৌঁছে, যা মাল্টিটাস্কিংয়ের জন্য গুরুত্বপূর্ণ। বড় কোর (Apple Performance, Qualcomm Kryo Prime) ছোট শক্তি-দক্ষ কোরের তুলনায় ~4–5 গুণ পারফরম্যান্স প্রদান করে, কিন্তু সমানুপাতিকভাবে বেশি শক্তি খরচ করে।

জনপ্রিয় সফটওয়্যার ডিকোডার

সফটওয়্যার ডিকোডার বাজারে বেশ কয়েকটি মূল লাইব্রেরি রয়েছে, প্রতিটি তার নিজস্ব ক্ষেত্রের জন্য অপ্টিমাইজড। ডিকোডার নির্বাচন প্রয়োজনীয় ফরম্যাট, প্ল্যাটফর্ম এবং লাইসেন্সিং সীমাবদ্ধতার উপর নির্ভর করে।

FFmpeg / libavcodec

FFmpeg শিল্পে সফটওয়্যার ডিকোডিংয়ের ডি-ফ্যাক্টো মান। libavcodec লাইব্রেরিতে সমস্ত প্রধান এবং বেশিরভাগ বিরল কোডেকের জন্য ডিকোডার অন্তর্ভুক্ত রয়েছে, সমস্ত কন্টেইনার (MP4, MKV, AVI, MOV, WebM) সমর্থন করে এবং সমস্ত প্ল্যাটফর্মে চলে। FFmpeg LGPL/GPL-এর অধীনে লাইসেন্সপ্রাপ্ত, যার জন্য বাণিজ্যিক ব্যবহারের জন্য লাইসেন্স শর্তাবলী মেনে চলা প্রয়োজন। মোবাইল ডিভাইসে, FFmpeg র্যাপারের মাধ্যমে ব্যবহার করা হয়: iOS এবং Android-এর জন্য ffmpeg-kit, React Native-এর জন্য mobile-ffmpeg।

Dav1d — অপ্টিমাইজড AV1 ডিকোডার

Dav1d VideoLAN (VLC-এর ডেভেলপার) থেকে একটি সফটওয়্যার AV1 ডিকোডার, SIMD অপ্টিমাইজেশন সহ C-তে লেখা। এর প্রধান লক্ষ্য হল হার্ডওয়্যার সমর্থন ছাড়াই CPU-তে AV1-এর দ্রুততম সম্ভাব্য সফটওয়্যার ডিকোডিং। Dav1d Alliance for Open Media-এর রেফারেন্স libaom ডিকোডারের চেয়ে 30–50% দ্রুত, আক্রমনাত্মক অপ্টিমাইজেশনের জন্য ধন্যবাদ: ম্যানুয়াল ক্যাশে ব্যবস্থাপনা, পোস্ট-প্রসেসিং ফিল্টারের জন্য JIT কম্পাইলেশন এবং গুরুত্বপূর্ণ ফাংশনের ভেক্টরাইজেশন।

মোবাইল ডিভাইসে, dav1d ফ্ল্যাগশিপ SoC (Apple A16+, Snapdragon 8 Gen 2+) এ রিয়েল-টাইমে 1080p AV1 ডিকোড করতে পারে, কিন্তু 4K-এর জন্য একটি শক্তিশালী CPU প্রয়োজন। উদাহরণস্বরূপ, Apple M1-এ, সফটওয়্যার dav1d 4K AV1-এর জন্য ~60 FPS অর্জন করে, যখন Snapdragon 8 Gen 2-এ ~35 FPS-এ পৌঁছায়। মোবাইল ডিভাইসে স্থিতিশীল 4K AV1 প্লেব্যাকের জন্য, হার্ডওয়্যার সমর্থন এখনও সুপারিশ করা হয়।

সফটওয়্যার এবং হার্ডওয়্যার ডিকোডিংয়ের তুলনা

সফটওয়্যার এবং হার্ডওয়্যার ডিকোডিংয়ের মধ্যে পছন্দ হল সামঞ্জস্য এবং দক্ষতার মধ্যে একটি সমঝোতা। নীচের টেবিলটি মূল বৈশিষ্ট্যগুলির একটি বিস্তারিত তুলনা উপস্থাপন করে।

সফটওয়্যার ডিকোডিং সর্বোচ্চ নমনীয়তা প্রদান করে: ডেভেলপার অ্যালগরিদম পরিবর্তন করতে পারে, কাস্টম ফিল্টার যোগ করতে পারে এবং কাস্টম প্রক্রিয়াকরণ পাইপলাইন প্রয়োগ করতে পারে। উদাহরণস্বরূপ, ভিডিও সম্পাদনা অ্যাপ্লিকেশনগুলিতে, প্রতিটি ডিকোডিং ধাপ রঙ সংশোধন বা প্রভাব ওভারলেগুলির জন্য GPU-তে পুনঃনির্দেশিত করা যেতে পারে — এটি শুধুমাত্র ডিকোডিংয়ের উপর সফটওয়্যার নিয়ন্ত্রণের সাথে সম্ভব।

তবে, নমনীয়তার মূল্য হল শক্তি খরচ। 3000–5000 mAh ব্যাটারি সহ মোবাইল ডিভাইসগুলির জন্য, অবিচ্ছিন্ন সফটওয়্যার ডিকোডিং দেখার সময় 10–15 ঘন্টা (হার্ডওয়্যার) থেকে 2–4 ঘন্টা কমিয়ে দেয়। 45–50 ডিগ্রিতে CPU গরম হওয়া থ্রটলিংও ঘটাতে পারে — অতিরিক্ত গরম হওয়া রোধ করতে প্রসেসর ফ্রিকোয়েন্সি হ্রাস, যা ফ্রেম ড্রপ এবং ব্যবহারকারীর অভিজ্ঞতার অবনতি ঘটায়।

সফটওয়্যার ডিকোডিংয়ের কোড উদাহরণ

আসুন উভয় মোবাইল প্ল্যাটফর্মে সফটওয়্যার ডিকোডিংয়ের ব্যবহারিক বাস্তবায়ন দেখি। iOS-এ, সফটওয়্যার ডিকোডিং FFmpeg-এর মাধ্যমে ব্যবহার করা হয়, এবং Android-এ — Java/Kotlin র্যাপার সহ একই লাইব্রেরির মাধ্যমে।

C-তে FFmpeg-এর সাথে সফটওয়্যার ডিকোডিং

extern "C" {
    #include <libavcodec/avcodec.h>
    #include <libavformat/avformat.h>
    #include <libswscale/swscale.h>
}

class SoftwareDecoder {
    AVCodecContext* codecCtx;
    
public:
    bool init(const char* filename) {
        AVFormatContext* fmtCtx = nullptr;
        avformat_open_input(&fmtCtx, filename, nullptr, nullptr);
        avformat_find_stream_info(fmtCtx, nullptr);
        
        int videoStream = av_find_best_stream(
            fmtCtx, AVMEDIA_TYPE_VIDEO, -1, -1, nullptr, 0
        );
        
        AVCodec* decoder = avcodec_find_decoder(
            fmtCtx->streams[videoStream]->codecpar->codec_id
        );
        
        codecCtx = avcodec_alloc_context3(decoder);
        avcodec_parameters_to_context(codecCtx,
            fmtCtx->streams[videoStream]->codecpar);
        avcodec_open2(codecCtx, decoder, nullptr);
        return true;
    }
    
    AVFrame* decodePacket(AVPacket* packet) {
        avcodec_send_packet(codecCtx, packet);
        AVFrame* frame = av_frame_alloc();
        int ret = avcodec_receive_frame(codecCtx, frame);
        return (ret >= 0) ? frame : nullptr;
    }
};

কোডটি সফটওয়্যার ডিকোডিংয়ের জন্য একটি ন্যূনতম FFmpeg পাইপলাইন প্রদর্শন করে। avformat_open_input ফাইলটি খোলে এবং কন্টেইনার ফরম্যাট নির্ধারণ করে, avcodec_find_decoder যেকোনো কোডেকের জন্য স্বয়ংক্রিয়ভাবে উপযুক্ত ডিকোডার খুঁজে পায়। decodePacket পদ্ধতি নতুন API (avcodec_send_packet / avcodec_receive_frame) ব্যবহার করে, যা রিয়েল-টাইম অ্যাপ্লিকেশনের জন্য AV_CODEC_FLAG_LOW_DELAY ফ্ল্যাগ সক্ষম সহ মাল্টিথ্রেডেড ডিকোডিং সমর্থন করে।

mobile-ffmpeg-এর সাথে Kotlin-এ সফটওয়্যার ডিকোডিং

class SoftwareDecoder(private val context: Context) {
    fun decodeVideo(inputPath: String, outputFolder: String) {
        val cmd = "-i $inputPath -vf fps=1 $outputFolder/frame_%04d.jpg"
        FFmpegExecutor(context).executeCommand(cmd) { rc ->
            Log.d("Decoder", "Finished with rc: $rc")
        }
    }
    
    fun getFrameCount(filePath: String): Int {
        val probe = MediaMetadataRetriever()
        probe.setDataSource(filePath)
        val duration = probe.extractMetadata(
            MediaMetadataRetriever.METADATA_KEY_DURATION
        )?.toIntOrNull() ?: 0
        val fps = probe.extractMetadata(
            MediaMetadataRetriever.METADATA_KEY_VIDEO_FRAME_COUNT
        )?.toIntOrNull() ?: 0
        probe.release()
        return fps
    }
}

Kotlin উদাহরণটি ভিডিও থেকে প্রতি সেকেন্ডে একটি ফ্রেম বের করতে FFmpegExecutor ব্যবহার করে। প্যারামিটার -vf fps=1 একটি ফিল্টার তৈরি করে যা 60টির মধ্যে 59টি ফ্রেম এড়িয়ে যায়, CPU লোড হ্রাস করে। এই পদ্ধতিটি মোবাইল অ্যাপ্লিকেশনে প্রিভিউ এবং প্লেসহোল্ডার তৈরি করার জন্য দরকারী। রিয়েল-টাইম সফটওয়্যার ডিকোডিংয়ের জন্য, JNI-র মাধ্যমে সরাসরি নিম্ন-স্তরের libavcodec API ব্যবহার করার পরামর্শ দেওয়া হয়।

dav1d-এর সাথে সফটওয়্যার AV1 ডিকোডিং

#include <dav1d/dav1d.h>

int decode_av1_frame(const uint8_t* data, size_t size) {
    Dav1dContext* ctx = nullptr;
    Dav1dSettings settings = { 0 };
    dav1d_default_settings(&settings);
    settings.n_threads = 4;
    dav1d_open(&ctx, &settings);
    
    Dav1dData dav1d_data = { 0 };
    dav1d_data_wrap(&dav1d_data, data, size, nullptr, nullptr);
    
    Dav1dPicture pic = { 0 };
    if (dav1d_send_data(ctx, &dav1d_data) == 0) {
        dav1d_get_picture(ctx, &pic);
    }
    
    dav1d_close(&ctx);
    return pic.p.w;
}

Dav1d একটি ন্যূনতম API প্রদান করে: dav1d_open নির্দিষ্ট সংখ্যক থ্রেড সহ একটি ডিকোডার প্রসঙ্গ তৈরি করে, dav1d_send_data সংকুচিত বিটস্ট্রিম গ্রহণ করে, dav1d_get_picture YUV420 ফরম্যাটে ডিকোড করা ফ্রেম ফেরত দেয়। মোবাইল ডিভাইসের জন্য, সর্বোত্তম থ্রেড সংখ্যা (n_threads) হল পারফরম্যান্স CPU কোরের সংখ্যা বিয়োগ এক, UI থ্রেডের জন্য সংস্থান রেখে দেওয়ার জন্য। Dav1d মেমরি ব্যবস্থাপনা এবং GPU-তে ফ্রেম স্থানান্তর করার সময় অপ্রয়োজনীয় কপি এড়াতে Dav1dPicAllocator সমর্থন করে।

কখন সফটওয়্যার ডিকোডিং ব্যবহার করবেন

উচ্চ শক্তি খরচ সত্ত্বেও, সফটওয়্যার ডিকোডিং বিভিন্ন পরিস্থিতিতে অপরিহার্য যেখানে হার্ডওয়্যার ডিকোডিং প্রয়োজনীয় কার্যকারিতা প্রদান করতে পারে না। এই পরিস্থিতিগুলি বোঝা ডেভেলপারদের আর্কিটেকচারাল সিদ্ধান্ত নিতে সহায়তা করে।

বিরল এবং পুরাতন ফরম্যাট

হার্ডওয়্যার ডিকোডার শুধুমাত্র আধুনিক ফরম্যাট সমর্থন করে। যদি অ্যাপ্লিকেশনটি আর্কাইভাল রেকর্ডিং, ভিডিও নজরদারি (MJPEG, H.263), পেশাদার কোডেক (ProRes, DNxHD, CineForm) বা তৃতীয় পক্ষের উৎস থেকে কন্টেন্ট নিয়ে কাজ করে — FFmpeg-এর মাধ্যমে সফটওয়্যার ডিকোডিংই একমাত্র বিকল্প হবে। ProRes হার্ডওয়্যার সমর্থন সহ Apple A13+ চিপ ব্যতীত সমস্ত ডিভাইসে শুধুমাত্র সফটওয়্যার দ্বারা ডিকোড করা হয়। H.263-এর জন্য, কোনো আধুনিক SoC-তে হার্ডওয়্যার সমর্থন নেই — শুধুমাত্র সফটওয়্যার ডিকোডিং।

কাস্টম পোস্ট-প্রসেসিং

সফটওয়্যার ডিকোডিং প্রতিটি ফ্রেম প্রক্রিয়াকরণ ধাপে সম্পূর্ণ অ্যাক্সেস প্রদান করে। এটি সেই অ্যাপ্লিকেশনগুলির জন্য গুরুত্বপূর্ণ যেগুলিকে আউটপুটের আগে সরাসরি ডিকোড করা ডেটাতে ফিল্টার (ব্লার, শব্দ হ্রাস, শার্পনিং) প্রয়োগ করতে হয়। FFmpeg ফিল্টার জটিল চেইন তৈরি করতে দেয়: ডিকোডিং -> রঙ সংশোধন -> স্কেলিং -> সাবটাইটেল ওভারলে -> এনকোডিং — সবকিছু একক লাইব্রেরির মধ্যে বিভিন্ন API-র মধ্যে ডেটা স্থানান্তর না করেই।

হার্ডওয়্যার সমর্থনের অনুপস্থিতিতে ফলব্যাক

প্রস্তাবিত মিডিয়া প্লেয়ার আর্কিটেকচার হল হাইব্রিড: হার্ডওয়্যার ডিকোডিং প্রাথমিক হিসাবে, সফটওয়্যার ডিকোডিং ফলব্যাক হিসাবে। প্লেব্যাকের আগে, অ্যাপ্লিকেশনটি প্রদত্ত কোডেকের জন্য একটি হার্ডওয়্যার ডিকোডারের প্রাপ্যতা পরীক্ষা করে। যদি কোনো ডিকোডার না পাওয়া যায়, তাহলে FFmpeg-এর মাধ্যমে সফটওয়্যার ডিকোডিং শুরু হয়। এই কৌশল প্রধান ফরম্যাটের জন্য পারফরম্যান্স ত্যাগ না করে সর্বোচ্চ সামঞ্জস্য নিশ্চিত করে। প্রাপ্যতা পরীক্ষা প্রতিটি লঞ্চে করা উচিত, কারণ বিভিন্ন SoC রিভিশনের কারণে একই মডেলের ডিভাইসেও হার্ডওয়্যার সমর্থন ভিন্ন হতে পারে।