在當今的移動互聯(lián)網(wǎng)時代，直播類產(chǎn)品我們再熟悉不過了，比如看游戲直播、給美女主播打賞、聽直播課程等。此外，伴隨著抖音、快手等短視頻類應用的爆發(fā)，視頻類產(chǎn)品更是時刻充斥著我們的生活。那么，直播類或者視頻的產(chǎn)品背后涉及到的音視頻技術知識都有哪些呢？本文將從直播類產(chǎn)品的基礎架構出發(fā)，闡述一些基礎的音視頻技術知識。

（音視頻領域博大精深，本文僅從一個PM的角度出發(fā)，總結(jié)一些最基本的內(nèi)容）

一、直播的基礎架構

一個直播功能通用的基礎架構涉及三個部分，即音視頻采集端、云服務端和音視頻播放端。

如下圖，是一個APP直播功能的架構：

從上圖中我們可以看到，每一個部分都有各自要處理的一些工作。

總體來說，視頻直播類功能的整體流程包括以下內(nèi)容：

1. 音視頻采集
2. 音視頻處理
3. 音視頻編碼和封裝
4. 推流
5. 流媒體服務器處理
6. 拉流
7. 音視頻解碼
8. 音視頻播放

在具體了解每個流程之前，我們先從音視頻的基本知識入手。

二、音視頻技術基礎

1. 音頻

聲音：

我們平時在手機或電腦里聽到的音頻，是已經(jīng)數(shù)字化了的音頻模擬信號。最初，這些音頻都是始于物理的聲音。

中學物理都學過，聲音是波，是通過物體的振動產(chǎn)生的。

聲波具有三要素：

• 音調(diào)：也叫音頻，頻率越高，波長就會越短，而低頻聲響的波長則較長。所以這樣的聲音更容易繞過障礙物。能量衰減就越小，聲音就會傳播的越遠；
• 音量：就是振動的幅度。用不同的力度敲打桌面，聲音的大小勢必發(fā)生變換。在生活中，我們用分貝描述聲音的響度；
• 音色：在同樣的頻率和響度下，不同的物體發(fā)出的聲音不一樣。波形的形狀決定了聲音的音色。因為不同的介質(zhì)所產(chǎn)生的波形不同，就會產(chǎn)生不一樣的音色。

模擬信號的數(shù)字化過程：

模擬信號的數(shù)字化過程，就是將模擬信號轉(zhuǎn)換為數(shù)字信號的過程，包括采樣、量化和編碼。

我們可以通過下圖理解這一過程：

• 采樣：可以理解為在時間軸上對信號進行數(shù)字化。通常用采樣率來保證一定頻率范圍內(nèi)的聲音可以被數(shù)字化成功，比如：采樣頻率一般是44.1KHZ，指的就是1秒會采樣44100次。
• 量化：指的是在幅度軸上對信號進行數(shù)字化，就是聲音波形的數(shù)據(jù)是多少位的二進制數(shù)據(jù)，單位是bit。比如：常用16bit的二進制信號來存放一個采樣，這又叫做量化級。量化級是數(shù)字聲音質(zhì)量的重要指標，通常將聲音描述為24bit（量化級）、48KHZ（采樣率）。
• 編碼：按照一定的格式記錄采樣和量化后的數(shù)據(jù)。音頻編碼的格式有很多種，通常所說的音頻裸數(shù)據(jù)指的是脈沖編碼調(diào)制(PCM)數(shù)據(jù)。PCM音頻流的碼率可以用來描述PCM數(shù)據(jù)，它的計算公式是：采樣頻率*采樣大?。炕墸?聲道數(shù)（單聲道、雙聲道和多聲道）。

通過上述的流程，就實現(xiàn)了音頻信號的數(shù)字化過程。轉(zhuǎn)為數(shù)字信號之后，就可以對這些數(shù)據(jù)進行存儲、播放、復制獲取等其他操作了。

音頻編碼：

上面我們說到了，編碼就是按照一定的格式記錄采樣和量化后的數(shù)據(jù)，那么到底為什么需要編碼呢？

采集和量化后的數(shù)據(jù)是非常大的，從存儲或者網(wǎng)絡實時傳播的角度來說，這個數(shù)據(jù)量都太大了。對于存儲和傳輸都是非常具有挑戰(zhàn)的，所以我們需要通過編碼來進行壓縮。

壓縮編碼的指標是壓縮比，壓縮比通常是小于1的。

壓縮編碼算法分為2種：有損壓縮和無損壓縮。

• 無損壓縮：解壓后的數(shù)據(jù)可以完全復原。在常用的壓縮格式。用的較多的都是有損壓縮。
• 有損壓縮：解壓后的數(shù)據(jù)不能完全復原，會丟失一部分信息。壓縮比越小，丟失的信息就會越多，信號還原的失真就會越大。

壓縮編碼的實質(zhì)就是壓縮冗余的信號，冗余信號就是指不能被人耳感知的信號，包括：人耳聽覺范圍之外的音頻信號以及被掩蓋掉的音頻信號。信號的掩蔽可以分為頻域掩蔽和時域掩蔽，關于信號的掩蔽大家可以自行百度一下，這里就不做過多闡述了。

那么，音頻壓縮編碼的常用格式都有哪些呢？

主要包括：WMA編碼；MP3編碼；AAC編碼，這個是現(xiàn)在比較熱門的有損壓縮編碼技術，也是目前在直播或小視頻中常用的編碼格式；OGG編碼等。

2. 視頻

數(shù)字視頻：

我們平時在手機或PC上看到的視頻，是由內(nèi)容元素、編碼格式和封裝容器構成的。

• 內(nèi)容元素：包括圖像（Image）、音頻（Audio）和元信息（Metadata）。
• 編碼格式：包括視頻常用編碼格式H264，和音頻常用編碼格式AAC。
• 封裝容器：這就是常見的文件格式，如MP4、MOV、FLV、RMVB、AVI等等。

圖像：

圖像是人對視覺感知的物質(zhì)重現(xiàn)。三維圖像的對象包括：深度、紋理和亮度信息，二維圖像包括紋理和亮度信息，我們可以簡單的把紋理就理解為圖像。

說了圖像的概念，現(xiàn)在來說下視頻：視頻是由多幅圖像構成的，是一組連續(xù)的圖像。一個基本的數(shù)字視頻，基本是通過“采集——處理——顯示”形成的。

編碼格式：

上面我們說到了音頻的編碼，視頻同樣是存在編碼的過程的。視頻編解碼的過程是指對數(shù)字視頻進行壓縮或解壓縮的過程。

在進行視頻的編解碼時，需要考慮以下因素的平衡：視頻的質(zhì)量、用來表示視頻所需要的數(shù)據(jù)量（通常稱之為碼率）、編碼算法和解碼算法的復雜度、針對數(shù)據(jù)丟失和錯誤的魯棒性、編輯的方便性、隨機訪問、編碼算法設計的完美性、端到端的延時以及其它一些因素。

常用的視頻編解碼方式有H.26X系列和MPEG系列，而目前最常用的視頻編碼格式是H.264，它的優(yōu)點是低碼率、圖像質(zhì)量高、容錯能力強、網(wǎng)絡適應性更強，并且已被廣泛應用于實時視頻應用中。

再介紹一些關于H.264的知識：

在H.264中，圖像是包括幀、頂場和底場的，一副完整的圖像就是一幀。

當采集視頻信號時，如果采用逐行掃描，則每次掃描得到的信號就是一副圖像，也就是一幀。如果采用隔行掃描（奇、偶數(shù)行），則掃描下來的一幀圖像就被分為了兩個部分，這每一部分就稱為場，根據(jù)次序分為：頂場（也成為偶數(shù)場）和底場（也成為奇數(shù)場）。

幀和場的概念又帶來了不同的編碼方式：幀編碼和場編碼。逐行掃描適合于運動圖像，所以對于運動圖像采用幀編碼更好；而隔行掃描適合于非運動圖像，所以對于非運動圖像采用場編碼更理想。

此外，每一幀圖像可以分為多個片，每一個片由宏塊構成，而每個宏塊又是由子塊所構成的。

封裝格式：

視頻的封裝格式可以看成是一個裝載著視頻、音頻、視頻編解碼方式等信息的容器。一種視頻封裝格式可以支持多種的視頻編解碼方式，比如：QuickTime（.MOV）支持幾乎所有的編解碼方式，MPEG（.MP4）也支持大部分的編解碼方式。

在PC上，我們經(jīng)常會使用.MOV的視頻文件。通過以上的介紹，我們就知道了，這個視頻的文件格式是.MOV，封裝格式是QuickTime File Format，但是我們無法知道它的視頻編解碼方式。如果我們想要專業(yè)的去描述一個視頻，可以描述成：H.264/MOV的視頻文件，這就是說它的封裝方式是QuickTime File Format，文件格式是.MOV，編碼方式是H.264。

H.264：

H.264是一種高性能的視頻編解碼技術，是由“國際電聯(lián)”和“國際標準化組織ISO”聯(lián)合組建的聯(lián)合視頻組共同制定的新的數(shù)字視頻編碼標準。

我們在上面已經(jīng)說到了H.264編碼技術的優(yōu)勢，我們接下來看一下H.264所涉及的關鍵技術：

我們首先要知道，無論是視頻或音頻編碼，其目的都是壓縮。視頻編碼的目的，是抽取出冗余信息，這些冗余信息包括：空間冗余、時間冗余、編碼冗余、視覺冗余和知識冗余。

基于此，H.264的壓縮技術涉及：

a）幀內(nèi)預測壓縮，解決的就是空間數(shù)據(jù)冗余問題?？臻g冗余數(shù)據(jù)就是圖里數(shù)據(jù)在寬高空間內(nèi)包含了很多顏色和光亮，人的肉眼很難察覺的數(shù)據(jù)。對于這些數(shù)據(jù)，我們是可以直接壓縮掉的。

幀內(nèi)壓縮對應的是I幀——即關鍵幀。那么什么是I幀呢？網(wǎng)上教程中有一個經(jīng)典的例子，如果攝像頭對著你拍攝，1秒之內(nèi)實際你發(fā)生的變化是非常少的。攝像機一般1秒鐘會抓取幾十幀的數(shù)據(jù)，比如像動畫，就是25幀/s，一般視頻文件都是在30幀/s左右。那些對于一組幀來說變化很小的，為了便于壓縮數(shù)據(jù)，就將第一幀完整的保存下來。如果沒有這個關鍵幀后面解碼數(shù)據(jù)是完成不了的，所以I幀是特別關鍵的。

b）幀間預測壓縮，解決的是時間數(shù)據(jù)冗余問題。在上面的例子中，攝像頭在一段時間內(nèi)所捕捉的數(shù)據(jù)沒有較大的變化，我們針對這一時間內(nèi)的相同的數(shù)據(jù)壓縮掉，這就是時間數(shù)據(jù)壓縮。

幀間壓縮對應的是P幀和B幀。P幀是向前參考幀，壓縮時只參考前一個幀。而B幀是雙向參考幀，壓縮時即參考前一幀也參考后一幀。

c）整數(shù)離散余弦變換（DCT），將空間上的相關性變?yōu)轭l域上無關的數(shù)據(jù)然后進行量化。

d）CABAC壓縮：無損壓縮。

H.264除了上述的關鍵技術，還有幾個重要的概念需要了解：

• GOF：一組幀，就是一個I幀到下一個I幀，這一組的數(shù)據(jù)。包括B幀/P幀，我們稱為GOF。
• SPS和PPS：SPS和PPS是GOF的參數(shù)，SPS是存放幀數(shù)，參考幀數(shù)目，解碼圖像尺寸，幀場編碼模式選擇標識等。而PPS是存放熵編碼模式選擇標識，片組數(shù)目，初始量化參數(shù)和去方塊濾波系數(shù)調(diào)整標識等。

在進行視頻解碼的時候，接收到一組幀GOF之前，我們首先收到的是SPS/PPS數(shù)據(jù)，如果沒有這組參數(shù)的話，是無法進行解碼的。

因此，如果在解碼時發(fā)生錯誤，首先要檢查是否有SPS/PPS。如果沒有，就要檢查是因為對端沒有發(fā)送過來還是因為對端在發(fā)送過程中丟失了。

更加詳細的H.264編碼原理這里就不做介紹了，大家感興趣的可以上網(wǎng)查閱一下資料，比如：宏塊分組劃分、宏塊查找、幀內(nèi)預測、DCT壓縮以及H.264的碼流結(jié)構等知識。

三、直播流程詳述

通過上面的介紹，我們已經(jīng)了解音視頻一些基本的知識。接下來，我們一起再描述一遍直播類應用的整體流程。

1. 音視頻采集

在音視頻采集階段會包括：音頻采集和圖像采集。

在音頻采集時，除了上面我們說到的采樣率、量化級數(shù)和聲道數(shù)參數(shù)外，還需要音頻幀。

音頻跟視頻很不一樣，視頻每一幀就是一張圖像，而從聲音的正玄波可以看出：音頻數(shù)據(jù)是流式的，沒有明確的一幀幀的概念。在實際的應用中，為了音頻算法處理/傳輸?shù)姆奖?，一般約定俗成取 2.5ms~60ms 為單位的數(shù)據(jù)量為一幀音頻。

這個時間被稱之為“采樣時間”，其長度沒有特別的標準，它是根據(jù)編解碼器和具體應用的需求來決定的。

如果某音頻信號是采樣率為 8kHz、雙通道、量化級數(shù)是16bit，采樣時間是20ms，則一幀音頻數(shù)據(jù)的大小為：8000 * 2 * 16bit * 0.02s = 5120 bit = 640 byte

在圖像采集中，采集的圖片結(jié)果會組合成一組連續(xù)播放的動畫，即構成視頻中可肉眼觀看的內(nèi)容。

圖像的采集過程主要由攝像頭等設備拍攝成 YUV 編碼的原始數(shù)據(jù)，然后經(jīng)過編碼壓縮成 H.264 等格式的數(shù)據(jù)分發(fā)出去。在圖像采集階段，涉及的主要技術參數(shù)包括：圖像傳輸格式、圖像格式、傳輸通道、分辨率以及采樣率。

在音視頻的采集階段，常用的采集源包括攝像頭，比如手機的前后置攝像頭；游戲直播中使用的屏幕錄制；和電視節(jié)目中視頻文件的直接推流。

2. 音視頻處理

音視頻處理會分為：視頻處理和音頻處理。

視頻處理包括：美顏、濾鏡、面部識別、水印、剪輯拼接等。音頻處理包括：混音、降噪、聲音特效等。

下面我們簡要描述一下美顏和視頻水印的基本原理：

美顏的主要原理是通過【磨皮】+【美白】來達到整體美顏效果的。磨皮的技術術語是去噪，也就是對圖像中的噪點進行去除或者模糊化處理，常見的去噪算法有均值模糊、高斯模糊和中值濾波等。這個環(huán)節(jié)中也涉及到人臉和皮膚檢測技術。

視頻水印包括播放器水印和視頻內(nèi)嵌水印兩種方式。對于播放器水印來說，如果沒有有效的防盜措施，對于沒有播放鑒權的推流，客戶端拿到直播流之后可以在任何一個不帶水印的播放器里面播放，因此也就失去了視頻保護的能力。所以，一般來說會選擇視頻內(nèi)嵌水印的方式打水印，這樣，水印就會內(nèi)嵌到視頻之內(nèi)，在視頻播放的過程中持續(xù)顯示。

再多聊一些，視頻內(nèi)嵌水印也會應用在軟件中，軟件中播出企業(yè)內(nèi)部版權保護的動畫段視頻時，會應用到內(nèi)嵌水印的技術。

3. 音視頻編碼和封裝

音視頻的編碼以及視頻的封裝在上述基礎知識部分已經(jīng)介紹過了，這里不再贅述。

在這里說一下編碼器的知識。上文中我們了解了H.264的編碼技術，編碼流程是要基于編碼器進行的。

編碼器的主要流程是：幀內(nèi)預測（去除空間冗余）/幀間預測（去除時間冗余）——變換（去除空間冗余）——量化（去除視覺冗余）——熵編碼（去除編碼冗余）。通過該流程，即可完成音視頻的編碼步驟。

4. 推流

推流就是將處理過的音頻和視頻數(shù)據(jù)通過流媒體協(xié)議發(fā)送到流媒體服務器。

推流協(xié)議：

推流所遵循的協(xié)議有RTMP、WebRTC和基于UDP的私有協(xié)議。

• RTMP協(xié)議是基于TCP協(xié)議的，RTMP 是目前主流的流媒體傳輸協(xié)議，廣泛用于直播領域，市面上絕大多數(shù)的直播產(chǎn)品都采用了這個協(xié)議。但是，由于基于TCP協(xié)議，傳輸成本高，在弱網(wǎng)環(huán)境下丟包率高，不支持瀏覽器推送。
• WebRTC是一個支持網(wǎng)頁瀏覽器進行實時語音對話或視頻對話的 API，主要應用于視頻會議。它的主流瀏覽器支持度高，并且底層基于SRTP和UDP，弱網(wǎng)情況優(yōu)化空間大。
• 基于UDP的私有協(xié)議。有些直播應用會使用 UDP 做為底層協(xié)議開發(fā)自己的私有協(xié)議，因為 UDP在弱網(wǎng)環(huán)境下的優(yōu)勢通過一些定制化的調(diào)優(yōu)可以達到比較好的弱網(wǎng)優(yōu)化效果，但是開發(fā)成過高。

CDN：

推出去的流媒體要給各個地理位置的觀眾看，那么這里就需要CDN網(wǎng)絡了。CDN就是為了解決用戶訪問網(wǎng)絡資源慢而產(chǎn)生的技術。

CDN包括邊緣節(jié)點、二級節(jié)點和源站。內(nèi)容提供方可以將內(nèi)容放到源站上，用戶從邊緣節(jié)點獲取數(shù)據(jù)，而CDN的二級節(jié)點則用于緩存，減輕源站壓力。

在直播領域中，CDN要支持的服務如下：

• 流媒體協(xié)議的支持。比如RTMP等；
• 首屏秒開。從用戶點擊到播放控制在秒級以內(nèi)；
• 1~3 延遲控制。從推流端到播放端，延遲控制在 1~3 秒之間；
• 全球全網(wǎng)智能路由。可以利用整個CDN網(wǎng)絡內(nèi)的所有節(jié)點為某一單一用戶服務，不受地域限制。

5. 流媒體服務器處理

流媒體服務器要做的事情包括：數(shù)據(jù)分發(fā)（CDN）、支持上述CDN的一些服務、實時轉(zhuǎn)碼以及內(nèi)容的檢測（鑒黃）等。

6. 拉流

拉流就是客戶端從流媒體服務器上拉取獲得上述步驟中的音視頻數(shù)據(jù)。同理，這個過程也是要基于上述的協(xié)議和CDN。

7. 音視頻解碼

在上述H.264編碼的介紹中，說到了SPS/PPS是解碼必備的數(shù)據(jù)。此步驟就是需要對拉流下來已編碼的音視頻數(shù)據(jù)進行解碼。

解碼過程就是編碼的逆過程，這個過程包括：熵解碼、變換解碼、預測解碼。

H.264規(guī)范規(guī)定了解碼器的結(jié)構，解碼的過程大體如下：以宏塊為單位，依次進行熵解碼、反量化、反變換，得到殘差數(shù)據(jù)。再結(jié)合宏塊里面的預測信息，找到已解碼的被參考塊，進而結(jié)合已解碼被參考塊和本塊殘差數(shù)據(jù)，得到本塊的實際數(shù)據(jù)。宏塊解碼后，組合出片，片再進而組合出圖像。

這里要說明的是：如果H264碼流中I幀錯誤或丟失，就會導致錯誤傳遞，單獨的P幀或B幀是完成不了解碼工作的。I幀所保留的是一張完整的視頻幀，是解碼的關鍵所在。

8. 音視頻播放

在完成了音視頻數(shù)據(jù)的解碼后，就可以通過硬件設備（手機或PC）上的播放器對音視頻文件進行渲染播放了。

那么，上述架構圖中的信令服務器是干什么的呢？

——信令服務器是用來處理主播端和用戶端的一些信令指令的。

在網(wǎng)絡中傳輸著各種信號，其中一部分是我們需要的（例如：打電話的語音，上網(wǎng)的數(shù)據(jù)包等等），而另外一部分是我們不需要的（只能說不是直接需要）它用來專門控制電路的，這一類型的信號我們就稱之為信令（摘自百度百科）。也就是說，信令是指通信系統(tǒng)中的控制指令。

我們基于此，再來描述一下這整個的流程：

1. 主播共享端發(fā)起一個信令，比如：創(chuàng)建房間（或聊天、發(fā)送禮物等），到達信令服務器；信令服務器處理并且創(chuàng)建一個房間，同時返回給主播共享端一個流媒體云的地址。
2. 接下來，主播共享端采集數(shù)據(jù)（音視頻的采集、處理以及編碼封裝流程）形成RTMP流推送到CDN網(wǎng)絡（推流）。
3. 觀眾要進行觀看時，客戶端會發(fā)送信令到信令服務器，信令服務器將該觀眾加入到主播的房間中，同時也會返回一個流媒體云的地址（該地址就是之前主播端的流媒體云地址）。
4. 客戶端拿到此流媒體云地址后，就會到流媒體云服務器拉取到該媒體流（拉流和解碼），從而看到要觀看的直播節(jié)目（播放器播放）。

好了，以上就是直播類應用的一個最基本的架構和流程了。

四、總結(jié)

本文通過直播類應用的架構，介紹了一些音視頻技術方面的知識，并且詳述了直播類功能的整體流程。

音視頻技術是一個高深的領域，本文只是做了一些基礎知識的總結(jié)，如果大家想要深入了解更多的音視頻技術，我推薦大家可以學習一下雷神（雷霄驊）的博客。

#專欄作家#

流年，人人都是產(chǎn)品經(jīng)理專欄作家?；ヂ?lián)網(wǎng)產(chǎn)品設計師，4年互聯(lián)網(wǎng)產(chǎn)品設計經(jīng)驗。擅長用戶體驗設計，喜歡鉆研需求功能背后的技術實現(xiàn)方式；在成為綜合型產(chǎn)品設計師的道路上不斷努力前進！

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議