語音視頻社交背后技術深度解析

伴隨智能硬件設備快速發(fā)展和網(wǎng)絡條件提升，實時語音視頻的應用越來越廣泛，從互動直播、到休閑游戲、再到陌生人社交，而如何保障實時互動過程流暢不卡頓、如何消除回聲以及全球網(wǎng)絡節(jié)點部署調(diào)度成為了關鍵。即構科技聯(lián)合創(chuàng)始人蔣寧波在LiveVideoStack Meet上以語音視頻社交為例，深度解析實時語音視頻互動技術，本文為分享的整理。

大家好，我是即構科技的聯(lián)合創(chuàng)始人蔣寧波，今天分享的題目《實時語音視頻技術的深度解析》，希望和大家交流實時音視頻互動的一些技術點。首先簡單自我介紹下，我從2005年到2015年在騰訊工作，前期負責QQ Hummer部分重構項目，后期負責騰訊QQ安全的工作，包括把QQ的安全能力開放給其他企業(yè)使用。2015年聯(lián)合創(chuàng)立即構科技，即構科技是提供實時音視頻的云服務商，致力于提供全球最穩(wěn)定最高質(zhì)量的實時語音視頻云服務，主要產(chǎn)品針對多人實時語音，多人實時視頻，和互動直播?，F(xiàn)有的客戶包括映客、花椒、一直播，喜馬拉雅FM，六間房、酷狗直播、自由之戰(zhàn)2和好未來等。

今天主要分四塊內(nèi)容跟大家一起交流，首先是通過兩年大量實時音視頻客戶的合作，看到了行業(yè)應用的一些發(fā)展趨勢，其次就是實時音視頻互動的技術難點，以及即構科技解決這些問題的思路，最后會分享如何選擇實時語音視頻云服務商。

行業(yè)趨勢

近幾年，伴隨手機等智能硬件設備以及網(wǎng)絡情況的提升，實時音視頻得到越來越廣泛的應用，在娛樂化方面，從互動直播，到集成音視頻SDK、帶有社交屬性的休閑小游戲，再到現(xiàn)在音視頻的陌生人社交應用。從15年下半年到16年的千播大戰(zhàn)，基本上,一二線的直播平臺都標配了連麥直播，允許多個主播做實時互動；16年底到17年初，集成了音視頻的社交屬性的休閑小游戲異軍突起，最典型的就是狼人殺，還有一些棋牌類游戲；現(xiàn)在最火爆的則是陌生人視頻社交應用，像多人群聊社交產(chǎn)品Houseparty和青少年社交網(wǎng)絡Monkey等等，而且伴隨美顏、掛件這些圖像處理技術越來越成熟，更多的90后、00后等一批互聯(lián)網(wǎng)原住民將視頻社交融入到日常生活中。

實時音視頻互動難點

對于一個實時互動的音視頻系統(tǒng)而言，存在很多技術難點，我從中摘取幾個比較重要的點：首先是低延遲，如果要滿足比較流暢地進行實時互動，那么單向的端到端的遲延大概要在400毫秒以下才能保證流暢溝通；第二點就是流暢性，你也很難想象在視頻過程中頻繁卡頓會有良好的互動；第三點是回聲消除，回聲的產(chǎn)生是揚聲器播放的聲音經(jīng)過環(huán)境反射被麥克風重新采集并傳輸給對方，這樣對方就會一直聽到自己的回聲，整個互動過程會非常難受；第四點是國內(nèi)外互通，隨著現(xiàn)在國內(nèi)同質(zhì)化產(chǎn)品越來越多，國內(nèi)的競爭也異常激烈，很多廠商紛紛選擇出海，這時就需要做好海內(nèi)外的互通；第五點是海量并發(fā)，當然這不僅僅指實時音視頻了，基本對于任何一款互聯(lián)網(wǎng)產(chǎn)品而言都是必須要考慮的難點。

難點解決方案

接下來我將針對上面幾個技術難點，跟大家分享一下我們即構團隊的解決思路和實踐經(jīng)驗。

低延遲

首先，如果實時音視頻要保證低延遲，那么前端和后端的整個鏈條一定要做到極致的，比如前端的一些編碼算法、流控，甚至丟幀、追幀策略等等都要做到足夠好。另外，不同的業(yè)務場景下，編碼器的選擇也會有所區(qū)別，從而會帶來不同的編碼延遲，因此不同的業(yè)務場景能達到的延遲程度也是不一樣的。

其次，就是對推拉流網(wǎng)絡的選擇，通常的方案是讓需要實時互動的用戶通過核心語音視頻網(wǎng)絡——像BGP這樣的優(yōu)質(zhì)節(jié)點來做語音視頻傳輸，而對于一些特定場景來說，比如互動游戲會直播給一些圍觀用戶看，那么這里就需要做轉(zhuǎn)碼、轉(zhuǎn)協(xié)議、甚至混流，再通過內(nèi)容分發(fā)網(wǎng)絡去分發(fā)。像 內(nèi)容分發(fā)網(wǎng)絡本身天然就有做就近接入，但對于接入核心語音視頻網(wǎng)絡就需要有智能的調(diào)度策略來完成就近接入，以及跨運營商、跨區(qū)域的接入，比如可以采用上次登錄IP、常用IP和區(qū)域調(diào)度，甚至可以測速再去連接，當然網(wǎng)絡調(diào)度的策略也需要根據(jù)業(yè)務群的分布仔細規(guī)劃，甚至采用多個策略配置權重的方式。

流暢性

要實現(xiàn)流暢性也會有很多的技術難點和策略，我主要會介紹其中幾種。第一個是可以做動態(tài)伸縮的JitterBuffer，在網(wǎng)絡較差或者網(wǎng)絡抖動比較劇烈的情況下，可以適當增大JitterBuffer，從而降低一點點延遲來對抗抖動。

第二個是快播和慢播技術，在網(wǎng)絡較差的環(huán)境，可以在用戶無感知的條件下稍微降低播放速度，來應對短暫網(wǎng)絡抖動引起的立即卡頓，當網(wǎng)絡恢復可以加快速度追回來，但這種方式并非適合所有場景，比如對于節(jié)奏要求非常準確的唱歌場景，當播放速度稍微放慢就可以被感知。

第三個是碼率自適應，也就是以比較合適的碼率做動態(tài)傳輸，為了保證流暢度甚至可以調(diào)整幀率和分辨率。語音視頻引擎會根據(jù)當前網(wǎng)絡測速的結果和應用所期望的碼率，動態(tài)地調(diào)整碼率、幀率和分辨率，最終達到流暢觀看的用戶體驗。

第四個是分層編碼、傳輸控制，在推流端做一些分層的編碼，這樣在拉流端可以動態(tài)根據(jù)偵測到的網(wǎng)絡帶寬情況來拉取不同的數(shù)據(jù)去做渲染。分層編碼允許拉流端取選擇不同層次的視頻編碼數(shù)據(jù)，網(wǎng)絡情況好的時候，就拉取較多層次的數(shù)據(jù)；網(wǎng)絡情況差的情況下，就拉取基礎層次的數(shù)據(jù)。

第五個是動態(tài)調(diào)度，當在推拉流端監(jiān)測當前推拉流質(zhì)量比較差，而且即使通過降低碼率、幀率和分辨率等策略已經(jīng)無法保證質(zhì)量，這時就可以選擇放棄這條鏈路，直接重新做選入、建立連接，當然在這個過程中可能會出現(xiàn)短暫的停頓。

回聲消除

首先介紹下回聲消除的原理：對端發(fā)送的信號會先給到回聲消除的模塊，作為將來消除的參考信號，再把信號給到揚聲器播放，揚聲器播放后由于周圍環(huán)境反射形成回聲，與真實的音頻輸入一同被麥克風采集，這時采集到的輸入信號是帶有回聲的，回聲消除模塊會根據(jù)前面的參考信號生成濾波抵消掉回聲消后再發(fā)送出去。

原理聽起來會比較簡單，但在實際過程中卻蘊藏著很多的難點，比如回聲消除模塊接收的參考信號與最終被環(huán)境反射后的回聲本身就是存在差異的，此外設備也會極大的影響回聲消除，尤其是國內(nèi)的安卓機型特別多，比如國內(nèi)某手機廠商，從麥克風采集音頻數(shù)據(jù)到提交中間有將近一百毫秒的延遲，這時回聲消除算法如何適應這么長回聲延遲的手機就很關鍵；再比如很多用戶在直播中都會用外置聲卡，甚至是模擬器，這無形中也會帶來回聲的延遲。除了設備，場地同樣存在很大的相關性，對于普通會議室，設置 40米的回聲延遲可能已經(jīng)足夠了，但一些大會場這種回聲延遲能達到將近上百米，這也是一種挑戰(zhàn)。

關于回聲消除，其實谷歌開源的WebRTC提供了回聲消除模塊，但WebRTC的設計本身是為了在PC端實時音視頻互動的場景，在移動端的適應性上就會差一些，尤其體現(xiàn)在安卓的一些低端機上。而相對來說，蘋果因為整體硬件、軟件全是自己實現(xiàn)的，麥克風、揚聲器也都有聲學模型設計，因此回聲消除的效果會比安卓好很多。即構科技的音視頻引擎都是采用自研，在真機和模擬器等1000多的機型上測試過，都可以做到很好的回聲消除。

國內(nèi)外互通

前面提到很多產(chǎn)品都會選擇出海，包括主打國內(nèi)市場的產(chǎn)品也會有一些海外用戶，因此流媒體數(shù)據(jù)和控制信令就要做好跨國的互通，這就需要考慮在全球合理布置一些中繼節(jié)點。

這張圖就是一個典型的中繼續(xù)傳，北京用戶和迪拜用戶之間要做視頻溝通，根據(jù)就近接入原則他們會分別連接當?shù)氐墓?jié)點，而這兩個節(jié)點間如果互拉，效果會非常差，這時就需要布置適合的中繼節(jié)點，比如香港、新加坡、日本等等，數(shù)據(jù)路徑的選擇是需要根據(jù)業(yè)務側決定的，也就是說在物理鏈路路由之上還要再有一條業(yè)務的路由表，需要根據(jù)用戶場景制定，包括用戶分布、用戶訪問頻率、高頻段峰值等等，可能每次的路由都會有所不同。

海量并發(fā)

海量并發(fā)是所有互聯(lián)網(wǎng)產(chǎn)品都會遇到的問題，這里就不再展開，主要要考慮負載均衡，如何平滑擴容，對于無法覆蓋的地方要做代理調(diào)度，甚至需要考慮容災、接入層的設計等等。

如何選擇實時語音視頻云服務商

實時語音視頻的技術門檻相對比較高，如果依靠自己研發(fā)，可能即使會投入很多開發(fā)成本也無法與匹配市場快速發(fā)展的節(jié)奏?，F(xiàn)在實時音視頻云服務已經(jīng)十分成熟，其實不妨“讓專業(yè)的人去做專業(yè)的事”。而對于實時語音視頻云服務商的選擇也大致可以歸為幾點：

第一點，肯定是技術過硬。測試產(chǎn)品質(zhì)量是很好的選型方法，測試的指標包括延遲時間、回聲消除的效果以及多機型兼容性等等。

第二點，是否被頂級廠商地大規(guī)模驗證過。很多系統(tǒng)在小規(guī)模并發(fā)時看起來質(zhì)量很好而且非常穩(wěn)定，但在真實現(xiàn)網(wǎng)環(huán)境下一旦大規(guī)模并發(fā)上來的時候就會出現(xiàn)各種各樣的問題。因此選擇的產(chǎn)品必須得能在真實的復雜網(wǎng)絡中支持大規(guī)模并發(fā)。

第三點，系統(tǒng)接口要足夠簡單、靈活，可以保證基礎功能的廠商快速集成，同時也要能滿足高端客戶定制化能力的接入。從采集、前處理、編碼、推流、拉流、解碼和渲染一整套流程中每個環(huán)節(jié)都是要完全解耦的，這樣就可以集成第三方、甚至客戶自身的技術模塊。

第四點是技術服務足夠好，對需求的響應足夠快，而且要有完善的運營支撐體系，能快速定位問題，因此對于監(jiān)控告警、日志的上報采集就顯得非常重要。

圖：秒級原始數(shù)據(jù)