@greenskinmonster 9 楼的解释中，我研究了一下。做一下补充：使用 ffmpeg 将视频提取出视频流（也包括音频流，metadata ，字幕流等），将视频流打开获取到 packet 包，然后将 packet 包送入 codec ，可以获取到视频帧（ frame ），每帧视频有数据信息，比如 YUV420 格式的图片 plane( https://ffmpeg.org/doxygen/trunk/structAVFrame.html#a1d0f65014a8d1bf78cec8cbed2304992)。不管是软解还是硬解，最后都是获取到每一帧视频，使用音频的时钟来对齐每一帧画面进行播放。每一帧视频可以使用一些工具比如 OpenGL/Vulkan/Metal 等绘制到屏幕上。视频帧中也包括一些色彩调教信息（杜比）使其让人眼看着更符合真实画面，但也要屏幕支持才能达到最佳观看效果。