一、背景

音频和视频都是单独以一条流的形式存在，互不干扰。那么在播放时根据视频的帧率（Frame Rate）和音频的采样率（Sample Rate）通过简单的计算得到其在某一Frame（Sample）的播放时间分别播放，理论上应该是同步的。但是由于机器运行速度，解码效率等等因素影响，很有可能出现音频和视频不同步，例如出现视频中人在说话，却只能看到人物嘴动却没有声音，非常影响用户观看体验。

二、同步方案

目前主要有三种方式实现同步：
（1）将视频和音频同步外部的时钟上，选择一个外部时钟为基准，视频和音频的播放速度都以该时钟为标准。
（2）将音频同步到视频上，就是以视频的播放速度为基准来同步音频。
（3）将视频同步到音频上，就是以音频的播放速度为基准来同步视频。

三、方案选择

比较主流的是第三种，将视频同步到音频上。至于为什么不使用前两种，因为一般来说，人对于声音的敏感度更高，如果频繁地去调整音频会产生杂音让人感觉到刺耳不舒服，而人对图像的敏感度就低很多了，所以一般都会采用第三种方式。
处理步骤：
（1）音频帧正常顺序播放，音频播放时间作为基准时钟
（2）视频帧在解码后，根据基准时钟来调整当前处理：
♦️ 视频帧PTS ＞基准时钟：根据时间差异计算视频帧显示延时
♦️ 视频帧PTS＜ 基准时钟＜ 下一GOP点：丢弃当前帧，直接依次解码后续帧
♦️ 视频帧PTS＜下一GOP点＜基准时钟：直接调整到下一GOP开始，依次解码

3.1 复习DTS、PTS和时间基

PTS：Presentation Time Stamp，显示渲染用的时间戳，告诉我们什么时候需要显示
DTS：Decode Time Stamp，视频解码时的时间戳，告诉我们什么时候需要解码
在音频中PTS和DTS一般相同。但是在视频中，由于B帧的存在，PTS和DTS可能会不同

• 帧顺序：
  实际帧顺序：I B B P
  存放帧顺序：I P B B
  解码时间戳DTS：1 4 2 3
  展示时间戳PTS：1 2 3 4

参考

音视频同步分析-基于ffplay - 知乎
FFmpeg音视频同步_CindyWangry的博客-CSDN博客_ffmpeg音画同步
音视频同步原理 - 知乎