Звук в IP-камере долгие годы считался побочным эффектом. Камера должна видеть, диск должен писать, а микрофон — «что-то там записывать». Если при просмотре архива удавалось разобрать отдельные слова, это уже считалось успехом. Именно поэтому в настройках современных IP-камер до сих пор можно встретить удивительное соседство кодеков из телефонной эпохи, полузабытых стандартов начала MPEG-времен и относительно современных алгоритмов, которые выглядят так, будто попали в интерфейс случайно.
Выбор аудиокодека в реальных системах почти никогда не был осознанным. Его оставляли «как с завода», выбирали по принципу «чтобы регистратор не ругался» или просто не трогали вовсе. В результате звук существовал формально, без каких-либо требований к качеству, стабильности или дальнейшей обработке.
К 2026 году ситуация изменилась принципиально. Звук перестал быть второстепенным. Он участвует в видеоаналитике, в поиске по событиям, в системах ASR, в разборе инцидентов, в юридических спорах и просто в человеческом понимании того, что происходило за кадром. Детекторы крика, выстрела, конфликта или плача ребёнка зависят не от мегапикселей, а от качества аудиосигнала. И здесь всплывает неприятная, но важная истина: неправильный аудиокодек способен убить звук так же надёжно, как плохой микрофон или неудачное место установки камеры.
Архитектура аудиопотока в IP-камере
Чтобы понять, почему кодек играет ключевую роль, нужно рассмотреть типовую цепочку обработки звука в IP-камере:
- Аналоговый или MEMS-микрофон
- Аналогово-цифровой преобразователь (ADC)
- Предварительная обработка (AGC, фильтрация, шумоподавление)
- Кодирование аудиосигнала выбранным кодеком
- Мультиплексирование с видеопотоком
- Передача по RTSP, HTTP или проприетарному протоколу
- Декодирование на стороне NVR, VMS или клиента
Выбор аудиокодека и параметров Sampling Frequency влияет сразу на несколько уровней системы: нагрузку на сеть, размер архива, задержки, совместимость с принимающей стороной и, что особенно важно сегодня, пригодность звука для аналитики и автоматической обработки.
PCM: самый честный и самый неудобный вариант
Начнём с самого прямолинейного решения — PCM (LPCM). Это несжатый звук, по сути цифровая копия того, что слышит микрофон. PCM не портит речь, не добавляет артефактов и не маскирует шумы. В теории это идеал.
На практике PCM беспощаден к инфраструктуре. Битрейт растёт линейно с частотой дискретизации и разрядностью. Даже 16 бит при 16 кГц дают поток, который для аудио выглядит избыточным в контексте видеонаблюдения. Архив начинает расти быстрее видео, сеть перегружается, удалённый доступ начинает «заикаться», а часть NVR и облачных сервисов реагирует на PCM так, будто им предложили виниловую пластинку вставить в USB-порт.
С лицензионной точки зрения PCM абсолютно чист. Это не кодек, а формат представления данных, никаких патентов и отчислений. Но в реальных распределённых системах видеонаблюдения PCM живёт только в закрытых конфигурациях, где разработчик контролирует всю цепочку от камеры до плеера. Для всех остальных сценариев PCM остаётся теоретическим эталоном, а не практическим стандартом.
Телефонная эпоха: G.711 и G.726
Следующий слой — старая гвардия, кодеки G.711 и G.726. Они пришли в видеонаблюдение из телефонного мира, где приоритетом была разборчивость речи при плохих каналах связи.
G.711 работает с частотой дискретизации 8 кГц и даёт узнаваемый «телефонный» звук. Речь различима, но всё, что выходит за рамки узкой полосы, исчезает. G.726 использует ADPCM-сжатие, экономит битрейт и звучит немного лучше, но принципиально ситуацию не меняет.
Главное достоинство этих кодеков — совместимость. Они поддерживаются почти везде, лицензии давно истекли, сюрпризов не бывает. Главный недостаток — потолок качества, который невозможно пробить никакими настройками. Плач ребёнка, хлопок двери, фоновые шумы помещения превращаются в монотонную кашу. Для охраны и простого мониторинга этого достаточно, но для аналитики и ASR — уже нет.
Попытка расширить полосу: G.722 и G.722.1
G.722 и его развитие G.722.1 стали попыткой уйти от телефонного качества. Частота дискретизации 16 кГц, более естественная речь, расширенный спектр. На бумаге всё выглядит отлично.
На практике начинается типичная история индустрии видеонаблюдения. Кодек вроде бы есть, но поддержка фрагментирована. Одна камера пишет нормально, другая отправляет нестандартный RTP-поток, третий регистратор принимает, но не воспроизводит, а облачный сервис просто отбрасывает аудио без ошибок. Лицензионных проблем почти нет, но инженерная реальность делает эти кодеки рискованным выбором для систем, где важна предсказуемость.
AAC: де-факто стандарт, о котором редко говорят вслух
AAC стал тем редким случаем, когда всё сошлось. Этот кодек создавался для мультимедиа, но идеально вписался в видеонаблюдение. Он хорошо кодирует речь, не превращает шумы в артефакты, эффективно использует битрейт и масштабируется по частоте дискретизации.
AAC поддерживает 8, 16, 32, 44.1 и 48 кГц. На практике 16 кГц звучит заметно лучше G.711, а 32 кГц даёт дополнительный запас для сложных сцен. При этом архив не раздувается до абсурда, а совместимость с MP4, RTSP и облачными платформами остаётся высокой.
Да, AAC патентованный кодек. Формально он лицензируется через патентные пулы. Но в реальности конечный пользователь IP-камер с этим не сталкивается. Производитель камеры уже включил лицензирование в себестоимость. Именно поэтому AAC сегодня стал стандартом де-факто для большинства сценариев: локальный архив, облако, аналитика, ASR, удалённый просмотр. Он не идеален, но стабилен. А в видеонаблюдении это качество ценится выше всех остальных.
Экзотика и будущее: Opus, Speex, AMR, MPEG-2 Layer II
В настройках некоторых камер можно встретить и другие кодеки. MPEG-2 Layer II — надёжный, но морально устаревший реликт MPEG-эпохи. Speex — предшественник Opus, интересный скорее исторически. AMR и AMR-WB пришли из мобильного мира и так там и остались, не вписавшись в архитектуру камер.
Opus технически превосходит большинство кодеков из списка. Он свободный, гибкий, отлично работает с речью и шумами, поддерживает широкий диапазон частот дискретизации. Но именно он почти не встречается в IP-камерах. Причина банальна: консервативная отрасль, старые SoC, устоявшиеся стеки и нежелание производителей рисковать совместимостью. Opus — это будущее, которое пока не доехало до массового видеонаблюдения.
Sampling Frequency: частота, которая решает больше, чем кажется
Частота дискретизации напрямую определяет спектр аудиосигнала и его пригодность для аналитики.
8 кГц — телефонное качество, годится только для базовой разборчивости речи.
16 кГц — минимально приемлемый уровень для аналитики и ASR.
32 кГц — улучшенная детализация и лучшая работа в шумных сценах.
44.1 и 48 кГц — избыточны для большинства задач видеонаблюдения и создают лишнюю нагрузку.
На практике оптимальным выбором для IP-камер являются 16 или 32 кГц в зависимости от качества микрофона и задач системы.
Лицензии и юридические нюансы
Свободные кодеки (PCM, G.711, G.722, Opus, Speex) не требуют отчислений, но не всегда дают нужное качество или совместимость. Патентованные кодеки (AAC, AMR) в случае камер обычно уже лицензированы производителем. Проблемы начинаются не на стороне камеры, а при серверном транскодировании или облачной обработке, где лицензии нужно учитывать отдельно.
Практические рекомендации
Если отбросить теорию и маркетинг, вывод получается простой:
- Для большинства систем выбирайте AAC
- Устанавливайте Sampling Frequency 16 или 32 кГц
- Используйте G.711 только ради совместимости
- Применяйте PCM только в специальных случаях
- Проверяйте реальную поддержку кодека в VMS и NVR
И важный практический момент. Для нормальной настройки аудиокодека камера должна иметь полноценный веб-доступ к настройкам. Камеры, которые конфигурируются только через мобильное приложение или облачный сервис, часто скрывают реальные параметры аудио и не дают контролировать кодек и частоту дискретизации. В таких системах качество звука определяется не инженером, а маркетинговыми решениями производителя.
Итог
Современные IP-камеры поддерживают широкий набор аудиокодеков, отражающий не эволюцию, а исторический пласт индустрии. В 2026 году звук в видеонаблюдении перестал быть фоном и стал данными. Поэтому выбор аудиокодека и частоты дискретизации — это архитектурное решение, а не галочка в настройках.
Сегодня AAC с частотой 16 или 32 кГц остаётся самым сбалансированным и предсказуемым вариантом. Он не самый модный и не самый идеологически чистый, но он работает всегда, везде и без звонков в техподдержку. А для видеонаблюдения это по-прежнему главный критерий качества.