视频编码器输出的是 H.264 裸流（纯视频数据），音频编码器输出的是 AAC 裸流（纯音频数据）。容器格式把视频轨 + 音频轨 + 字幕 + 元数据 + 时间戳打包成一个文件：
H.264 视频流 ─┐
├──→ MP4 / FLV / TS / MKV 容器
AAC 音频流 ──┘ │
├── 时间戳（PTS/DTS）
├── 每帧的时长
├── 分辨率、帧率
└── 字幕、章节等元数据