科普文：詳解音視頻直播中的低延時(shí)

1、音視頻實(shí)時(shí)通訊的應(yīng)用場(chǎng)景已經(jīng)隨處可見，從“吃雞 ”的語音對(duì)講、直播連麥、直播答題組隊(duì)開黑，再到銀行視頻開戶等。對(duì)于開發(fā)者來講，除了關(guān)注如何能快速實(shí)現(xiàn)不同應(yīng)用場(chǎng)景重點(diǎn)額音視頻通訊，另一個(gè)更需要關(guān)注的可能就是“低延時(shí) ”。但是，到底實(shí)時(shí)音視頻傳輸延時(shí)應(yīng)該如何“低 ”，才能滿足你的應(yīng)用場(chǎng)景呢？延時(shí)的產(chǎn)生與優(yōu)化在聊低延時(shí)之前，我們先要講清延時(shí)是如何產(chǎn)生的。由于音視頻的傳輸路徑一樣，我們可以通過一張圖來說明延時(shí)的產(chǎn)生:在音視頻傳輸過程中，在不同階段都會(huì)產(chǎn)生延時(shí)?？傮w可以分為三類：T1 ：設(shè)備端上的延時(shí) 音視頻數(shù)據(jù)在設(shè)備端上產(chǎn)生延時(shí)還可以細(xì)分。設(shè)備端上的延時(shí)主要與硬件性能、采用的編解碼算法、音視頻數(shù)據(jù)量相

2、關(guān)，設(shè)備端上的延時(shí)可達(dá)到30200ms ，甚至更高。如上表所示，音頻與視頻分別在采集端或播放端產(chǎn)生延時(shí)的過程基本相同，但產(chǎn)生延時(shí)的原因不同。音頻在設(shè)備端上的延時(shí)：? 音頻采集延時(shí)：采集后的音頻首先會(huì)經(jīng)過聲卡進(jìn)行信號(hào)轉(zhuǎn)換，聲卡本身會(huì)產(chǎn)生延時(shí)，比如 M-Audio聲卡設(shè)備延遲1ms,艾肯聲卡設(shè)備延遲約為 37ms；? 編解碼延時(shí)：隨后音頻進(jìn)入前處理、編碼的階段，如果采用 OPUS標(biāo)準(zhǔn)編碼, 最低算法延時(shí)大約需要2.560ms；? 音頻播放延時(shí)：這部分延時(shí)與播放端硬件性能相關(guān)。? 音頻處理延時(shí)：前后處理，包括AEC, ANS, AGC等前后處理算法都會(huì)帶來算 法延時(shí)，通常這里的延時(shí)就是濾波器階數(shù)。在

3、10ms 以內(nèi)。端網(wǎng)絡(luò)延時(shí)：這部分延時(shí)主要出現(xiàn)在解碼之前的jitter buffer 內(nèi)，如果在抗丟包處理中，增加了重傳算法和前向糾錯(cuò)算法，這里的延時(shí)一般在20ms 到200ms 左右。但是受到j(luò)itter buffer 影響，可能會(huì)更高。視頻在設(shè)備端上的延時(shí)：? 采集延時(shí)：采集時(shí)會(huì)遇到成像延遲，主要由 CCD相關(guān)硬件產(chǎn)生，市面上較好 的CCr秒可達(dá)50幀，成像延時(shí)約為20ms,如果是一秒2025幀的CCD, 會(huì)產(chǎn)生 4050ms 的延時(shí)；? 編解碼延時(shí)：以H.264為例，它包含I、P、B三種幀（下文會(huì)詳細(xì)分析），如果是每秒30 幀相連幀，且不包括B 幀（由于B 幀的解碼依賴前后視頻幀會(huì)增加延

4、遲），采集的一幀數(shù)據(jù)可能直接進(jìn)入編碼器，沒有B 幀時(shí)，編碼的幀延時(shí)可以忽略不計(jì)，但如果有 B幀，會(huì)帶來算法延時(shí)。? 視頻渲染延時(shí)：一般情況下渲染延時(shí)非常小，但是它也會(huì)受到系統(tǒng)性能、音畫同步的影響而增大。? 端網(wǎng)絡(luò)延時(shí)：與音頻一樣，視頻也會(huì)遇到端網(wǎng)絡(luò)延時(shí)。另外，在設(shè)備端，CPU緩存通常會(huì)同時(shí)處理來自多個(gè)應(yīng)用、外接設(shè)備的請(qǐng)求，如 果某個(gè)問題設(shè)備的請(qǐng)求占用了 CPU,會(huì)導(dǎo)致音視頻的處理請(qǐng)求出現(xiàn)延時(shí)。以音頻為 例，當(dāng)出現(xiàn)該狀況時(shí)，CPU 可能無法及時(shí)填充音頻緩沖區(qū)，音頻會(huì)出現(xiàn)卡頓。所以設(shè)備整體的性能，也會(huì)影響音視頻采集、編解碼與播放的延時(shí)。T2 ：端與服務(wù)器間的延時(shí)影響采集端與服務(wù)器、服務(wù)器與播放端的

5、延時(shí)的有以下主幾個(gè)因素：客戶端同服務(wù)間的物理距離、客戶端和服務(wù)器的網(wǎng)絡(luò)運(yùn)營商、終端網(wǎng)絡(luò)的網(wǎng)速、負(fù)載和網(wǎng)絡(luò)類型等。如果服務(wù)器就近部署在服務(wù)區(qū)域、服務(wù)器與客戶端的網(wǎng)絡(luò)運(yùn)營商一致時(shí)，影響上下行網(wǎng)絡(luò)延時(shí)的主要因素就是終端網(wǎng)絡(luò)的負(fù)載和網(wǎng)絡(luò)類型。一般來說，無線網(wǎng)絡(luò)環(huán)境下的傳輸延時(shí)波動(dòng)較大，傳輸延時(shí)通常在10100ms 不定。而有線寬帶網(wǎng)絡(luò)下，同城的傳輸延時(shí)能較穩(wěn)定的低至5ms10ms 。但是在國內(nèi)有很多中小運(yùn)營商，以及一些交叉的網(wǎng)絡(luò)環(huán)境、跨國傳輸，那么延時(shí)會(huì)更高。T3 ：服務(wù)器間的延時(shí)在此我們要要考慮兩種情況，第一種，兩端都連接著同一個(gè)邊緣節(jié)點(diǎn)，那么作為最優(yōu)路徑，數(shù)據(jù)直接通過邊緣節(jié)點(diǎn)進(jìn)行轉(zhuǎn)發(fā)至播放端；第二

6、種，采集端與播放端并不在同一個(gè)邊緣節(jié)點(diǎn)覆蓋范圍內(nèi)，那么數(shù)據(jù)會(huì)經(jīng)由“靠近 ”采集端的邊緣節(jié)點(diǎn)傳輸至主干網(wǎng)絡(luò)，然后再發(fā)送至“靠近 ”播放端的邊緣節(jié)點(diǎn)，但這時(shí)服務(wù)器之間的傳輸、排隊(duì)還會(huì)產(chǎn)生延時(shí)。僅以骨干網(wǎng)絡(luò)來講，數(shù)據(jù)傳輸從黑龍江到廣州大約需要30ms,從上海到洛杉磯大約需要110ms130ms 。在實(shí)際情況下，我們?yōu)榱私鉀Q網(wǎng)絡(luò)不佳、網(wǎng)絡(luò)抖動(dòng)，會(huì)在采集設(shè)備端、服務(wù)器、播放端增設(shè)緩沖策略。一旦觸發(fā)緩沖策略就會(huì)產(chǎn)生延時(shí)。如果卡頓情況多，延時(shí)會(huì)慢慢積累。要解決卡頓、積累延時(shí)，就需要優(yōu)化整個(gè)網(wǎng)絡(luò)狀況。綜上所述，由于音視頻在采集與播放端上的延時(shí)取決于硬件性能、編解碼內(nèi)核的優(yōu)化，不同設(shè)備，表現(xiàn)不同。所以通常市面上

7、常見的“端到端延時(shí)”指的是 T2+T3延時(shí)低右！話質(zhì)量可靠不論是教育、社交、金融，還是其它場(chǎng)景下，大家在開發(fā)產(chǎn)品時(shí)可能會(huì)認(rèn)為“低延時(shí) ”一定就是最好的選擇。但有時(shí)，這種 “追求極致 ”也是陷入誤區(qū)的表現(xiàn)，低延時(shí)不一定意味著通訊質(zhì)量可靠。由于音頻與視頻本質(zhì)上的差異，我們需要分別來講實(shí)時(shí)音頻、視頻的通訊質(zhì)量與延時(shí)之間的關(guān)系。音頻質(zhì)量與延時(shí) 音頻采樣示意圖影響實(shí)時(shí)音頻通訊質(zhì)量的因素包括：音頻采樣率、碼率、延時(shí)。音頻信息其實(shí)就是一段以時(shí)間為橫軸的正弦波，它是一段連續(xù)的信號(hào)（如上圖）。? 采樣率：是每秒從連續(xù)信號(hào)中提取并組成離散信號(hào)的采樣個(gè)數(shù)。采樣率越高，音頻聽起來越接近真實(shí)聲音。? 碼率： 它描述了單

8、位時(shí)間長(zhǎng)度的媒體內(nèi)容需要空間。碼率越高，意味著每個(gè)采樣的信息量就越大，對(duì)這個(gè)采樣的描述就越精確，音質(zhì)越好。假設(shè)網(wǎng)絡(luò)狀態(tài)穩(wěn)定不變，那么采樣率越高、碼率越高，音質(zhì)就越好，但是相應(yīng)單個(gè) 采樣信息量就越大，那么傳輸時(shí)間可能會(huì)相對(duì)更長(zhǎng)。對(duì)照我們之前的公式，如果想要達(dá)到低延時(shí)，那么可以提高網(wǎng)絡(luò)傳輸效率，比如提 高帶寬、網(wǎng)絡(luò)速度，這在實(shí)驗(yàn)室環(huán)境下可以輕易實(shí)現(xiàn)。但放到生活環(huán)境中，弱網(wǎng)、 中小運(yùn)營商等不可控的問題必定會(huì)影響網(wǎng)絡(luò)傳輸效率，最后結(jié)果就是通訊質(zhì)量沒有 保障。還有一種方法，就是降低碼率，那么會(huì)損失音質(zhì)。視頻質(zhì)量與延時(shí)影響實(shí)時(shí)視頻質(zhì)量的因素包括：碼率、幀率、分辨率、延時(shí)。其中視頻的碼率與音 頻碼率相似，是

9、指單位時(shí)間傳輸?shù)臄?shù)據(jù)位數(shù)。碼率越大，畫面細(xì)節(jié)信息越豐富，視 頻文件體積越大。幀：正如大家所知，視頻由一幀幀圖像組成，如上圖所示為H.264標(biāo)準(zhǔn)下的 視頻幀。它以I幀、P幀、B幀組成的GOP分組來表示圖像畫面（如下圖）： 幀是關(guān)鍵幀，帶有圖像全部信息；P 幀是預(yù)測(cè)編碼幀，表示與當(dāng)前與前一幀（ I 或 P 幀）之間的差別；B 幀是雙向預(yù)測(cè)編碼幀，記錄本幀與前后幀的差別。幀率：*它是指每秒鐘刷新的圖像幀數(shù)。*它直接影響視頻的流暢度，幀率越大，視頻越流暢。由于人類眼睛與大腦處理圖像信息非?？欤?dāng)幀率高于24fps 時(shí)，畫面看起來是連貫的，但這只是一個(gè)起步值。在游戲場(chǎng)景下，幀率小于 30fps 就會(huì)讓人

10、感到畫面不流暢，當(dāng)提升到60fps 時(shí)會(huì)帶來更實(shí)時(shí)的交互感，但超過75fps 后一般很難讓人感到有什么區(qū)別了。分辨率：是指單位英寸中所包含的像素點(diǎn)數(shù)，直接影響圖像的清晰度。如果將一張640 x 480 與 1024 x 768 的視頻在同一設(shè)備上全屏播放，你會(huì)感到清晰度明顯不同。在分辨率一定的情況下，碼率與清晰度成正比關(guān)系，碼率越高，圖像越清晰；碼 率越低，圖像越不清晰。在實(shí)時(shí)視頻通話情況下，會(huì)出現(xiàn)多種質(zhì)量問題，比如：與編解碼相關(guān)的畫面糊、不 清晰、畫面跳躍等現(xiàn)象，因網(wǎng)絡(luò)傳輸問題帶來的延時(shí)、卡頓等。所以解決了低延時(shí)， 只是解決了實(shí)時(shí)音頻通訊的一小部分問題而已。綜上來看，如果在網(wǎng)絡(luò)傳輸穩(wěn)定的情況

11、下，想獲得越低的延時(shí)，就需要在流暢度、視頻清晰度、音頻質(zhì)量等方面進(jìn)行權(quán)衡。不同場(chǎng)景下的實(shí)時(shí)音視頻 我們通過下表看到每個(gè)行業(yè)對(duì)實(shí)時(shí)音視頻部分特性的大致需求。但是每個(gè)行業(yè)，不 僅對(duì)低延時(shí)的要求不同，對(duì)延時(shí)、音質(zhì)、畫質(zhì)，甚至功耗之間的平衡也有要求。在 有些行業(yè)中，低延時(shí)并非永遠(yuǎn)排在首位。游戲場(chǎng)景在手游場(chǎng)景下，不同游戲類型對(duì)實(shí)時(shí)音視頻的要求不同，比如狼人殺這樣的桌游，語音溝通是否順暢，對(duì)游戲體驗(yàn)影響很大，所以對(duì)延時(shí)要求較高。其它類型游戲具體如下方表格所示。但滿足低延時(shí)，并不意味著能滿足手游開發(fā)的要求。因?yàn)槭钟伍_發(fā)本身存在很多痛點(diǎn)，比如功耗、安裝包體積、安全性等。從技術(shù)層面講，將實(shí)時(shí)音視頻與手游結(jié)合時(shí)，

12、 手游開發(fā)關(guān)注的問題有兩類：性能類與體驗(yàn)類。? 性能類：包括SDK包大小、流量使用情況、CPU與內(nèi)存占用率、功耗? 體驗(yàn)類：包括網(wǎng)絡(luò)延遲、回音消除、抗雜音能力等 在將實(shí)時(shí)音視頻與手游結(jié)合時(shí)，除了延時(shí)，更注重包的大小、功耗等。安裝包的大 小直接影響用戶是否安裝，而功耗則直接影響游戲體驗(yàn)。社交直播場(chǎng)景目前的社交直播產(chǎn)品按照功能類型分有僅支持純音頻社交的，比如荔枝FM;還有音視頻社交的，比如陌陌。這兩類場(chǎng)景對(duì)實(shí)時(shí)音視頻的要求包括：直播答題場(chǎng)景在直播答題場(chǎng)景中，對(duì)實(shí)時(shí)音視頻的要求主要有如下兩點(diǎn)：? 音視頻質(zhì)量：與視頻直播類似，畫面與音質(zhì)決定了用戶的直觀體驗(yàn)? 直播與題目同步：直播畫面與題目的同步我們以

13、前經(jīng)常能看到主持人說完一道題，題目卻還沒發(fā)到手機(jī)上，最后只剩3 秒的答題時(shí)間，甚至沒看到題就已出局。該場(chǎng)景的痛點(diǎn)不是低延時(shí)，而是直播音視頻與題目的同步，保證所有人公平，有錢分。K 歌合唱場(chǎng)景天天K歌、唱吧等K歌類應(yīng)用中，都有合唱功能，主流形式是 A用戶上傳完整錄 音，B 用戶再進(jìn)行合唱。實(shí)現(xiàn)實(shí)時(shí)合唱的主要需求有如下幾點(diǎn)：在這個(gè)場(chǎng)景中，兩人的歌聲與音樂三者之間的同步給低延時(shí)提出了很高的要求。同時(shí)，音質(zhì)也是關(guān)鍵，如果為了延時(shí)而大幅降低音質(zhì)，就偏離了K歌應(yīng)用的初衷金融場(chǎng)景 對(duì)于核保、銀行開戶來講，需要一對(duì)一音視頻通話。由于金融業(yè)特殊性，該類應(yīng)用 對(duì)實(shí)時(shí)音視頻的需求，按照重要性來排序如下： 在這個(gè)場(chǎng)景

14、中，低延時(shí)不是關(guān)鍵。重要的是，要保證安全性、雙錄功能和系統(tǒng)平臺(tái) 的兼容。在線教育在線教育主要分為兩類：非K12 在線教育，比如技術(shù)開發(fā)類教學(xué)，該場(chǎng)景對(duì)實(shí)時(shí)音視頻的要求主要有：? 音視頻播放流暢：直播音視頻畫面不會(huì)出現(xiàn)卡頓、畫面模糊等情況? 回放功能：一些有價(jià)值的演講，或技術(shù)門檻較高的內(nèi)容都需要有回放功能很多非 K12 教學(xué)發(fā)生在單向直播場(chǎng)景下，所以延時(shí)要求并不高。另一類是K12 在線教育，比如英語外教、部分興趣教學(xué)，通常會(huì)有一對(duì)一或一對(duì)多的師生連麥功能，它對(duì)直播場(chǎng)景的要求包括：在 K12 的在線教育中，師生的連麥在低延時(shí)方面有較高的要求。如果會(huì)涉及跨國 的英語教學(xué)，或需要面向偏遠(yuǎn)地區(qū)學(xué)生，那還要考慮海外節(jié)點(diǎn)部署、中小運(yùn)營商網(wǎng) 絡(luò)的支持等。在線抓娃娃 在線抓娃娃是近期新興熱點(diǎn)，主要依靠實(shí)時(shí)音視頻與線下娃娃機(jī)來實(shí)現(xiàn)。它對(duì)實(shí)時(shí) 音視頻的要求包括：瓶頸與權(quán)衡 產(chǎn)品的開發(fā)追求極致，需要讓延時(shí)低到極限。但理想豐滿，現(xiàn)實(shí)骨感。我們?cè)谏?文提到，延時(shí)是因多個(gè)階段的數(shù)據(jù)處理、傳輸而產(chǎn)生的。那么就肯定有它觸及天花 板的時(shí)候。我們大膽假設(shè)，要從北京機(jī)場(chǎng)傳輸一路音視頻留到上海虹橋機(jī)場(chǎng)。我們突破一切物理環(huán)境、財(cái)力、人力限制，在兩地之間搭設(shè)了一條筆直的光纖，且保證真空傳輸（實(shí)際上根本不可能）。兩地之間距離約為1061 km 。通過計(jì)算可知，傳輸需要約35ms。數(shù)據(jù)在采集設(shè)備與播放設(shè)備端需要的采集