作者 | 李亮
编辑 | 苏子华

几天前，特斯拉表示，正在努力让用户在车载屏幕上玩 steam 的各种游戏。对于开发者而言，这意味着不需要进行移植或修改，大部分游戏就能接入车载屏，在座舱中运行。听到这样的消息，立刻有人兴奋地问：我是不是可以在电动皮卡上玩《赛博朋克 2077》了？

人对更沉浸、更美好的体验有着天然的向往。一块屏幕不断发展，就可以带来丰富体验。虽然目前智能汽车里的屏幕只拥有导航等简单的功能，但不久的将来，看电影、直播互动、视频开会都将成为常常在车里做的事情。

越来越习惯互动直播、视频连线的当下，人们对音视频的期待也从「看什么」变成了「怎么看」，期待更顺滑的体验。

迎接这样的未来，除了可以想象的硬件和算力进步，编转码、画质算法等底层音频技术也是不可或缺的前提。

正是对未来视频交互广泛场景的探索，让阿里云、腾讯云、和诞生于字节的火山引擎在今天联合发布一项新的技术标准—— 超低延时直播协议信令标准。这套标准，首次将传统直播技术 3 至 6 秒的延时缩短到 1 秒。这是第一个适合直播低延时的通用标准方案，也是三家技术先进方推动技术进步的一次尝试，将已验证的「最佳实践」普及。

这套标准可广泛应用于赛事直播、在线教育、电商直播等对实时性要求较高的场景，带来超低延时、低卡顿、秒开流畅的直播体验。

此次的新技术标准，三方以推动行业直播技术进步、提升用户体验为初衷，在技术层面上共同探讨与协助。2 月 25 日举行的「火山引擎视频云科技原力峰会」上，火山引擎直播技术负责人周一楠说，[在超低延时这个方向上，阿里云、腾讯云和火山引擎一起，做了一件大事，为整个直播的发展做出了贡献」。

01 泛视频时代，需要怎样的直播技术

「姐的眼睛就是尺」，王濛的金句随着直播讲解辐射开来。当下的情绪、即时的反应，直播不仅传递信息，更是陪伴与交互的载体。音视频直播技术，也成为了目前最流行的在线交互方式之一。即时流畅是直播内在的追求。具体到音视频传输的技术上，通用与高效，是直播技术发展变迁的终极目标。

直播场景中，人与人会直接建立连接。一旦出现延时，就会出现各种问题。例如，主播反馈慢，电竞和抢购也会由于延时不同导致不在同一个水平线，线上的 PK 也会因效果不同而不公平。

通过内部 A/B 测试的方法，火山引擎验证了低延时的对观看行为的直接影响。在内部的反转实验中，团队将 3 秒的端到端延时的播放重新提升为 7 秒，用户的观看时长下降了 1.3%。

目前，市面上没有合适直播的低延时通用标准方案。这也是火山引擎、阿里云、腾讯云共同探索出的这套方案，提供一套标准，从而让各种直播业务，迈入 1s 内规模分发的大关。

所谓低延时，也就是直播时端到端的延时达到 500 毫秒~1500 毫秒，人眼无感。一套标准方案，也让不同的技术供应商之间方便互通。参与者使用一套 SDK（Soft Development kit，软件开发工具包）即可无缝切换各种供应商的产品。

这项协议交互细节全部开放，也将在 Github 上逐步开放，其他三方公司可按照标准来实现服务端和客户端接入。

在视频云原力峰会上，行业人士也分享了对于视频技术趋势的观察。IDC 企业及系统软件研究部研究经理魏云峰表示，根据研究预测，2025 年全球实时产生的数据里将有 25% 以非结构化存在。这其中，大部分将以图片、视频的形式存在。

未来对于音视频的需求可以归纳为清晰、流畅、互动。2020 年，中国视频云市场的规模接近 70 亿，并且在过去 2 年保持了年均复合增长率 50% 以上的增速。例如线上教育、远程手术、金融行业的内训等更多场景都会需要更便捷高质的视频技术。这些领域的具体需求不同，对应的视频云方案既需要差异化，又需要能够低门槛。

02 从「中台」到「To B」，从「能力」到「体验」

视频云是火山引擎云业务的一环，随着字节跳动的视频业务而成长，在字节跳动内部支撑了抖音、西瓜视频的播放体验。目前，其技术支持着每日 1 亿次播放、数千万次互动的应用。

火山引擎视频云技术负责人浩铭介绍，火山引擎团队在思考对视频端到端体验的持续优化的过程中，逐渐意识到体验的重要性。

随着支持字节的产品越来越多，团队开始思考，「把作为中台的业务模式变成 to B 的服务模式，会在业务支持效率和组织效能上有更大的提升。」

从技术出发往往思考的是功能指标（QoS），而火山引擎从体验指标（QoE）去思考问题，将技术指标直接与业务的增长结果关联。

这样的思维也带来许多有价值的发现。例如，网络受限的用户不得不选择低分辨率播放模式。如果在带宽受限的情况下将画质优化，做超分处理，整个大盘的播放时长能够提升 0.23%。

甚至一些容易被忽略的指标也会带来明显影响。在点播时前后视频的音量可能会忽高忽低，实现了音量均衡之后，结果显示，不仅仅人均观看时长提升了 3%，电商直播的 GMV 也提升了 4%。

在不同的应用场景上，火山引擎很早就尝试了各种合作，以验证技术效果。例如，点播上，火山引擎视频云为足球社区APP「懂球帝」提供了视频云解决方案，帮助「懂球帝」解决了播放中首屏卡顿的问题。球迷在浏览 APP 中的视频时，首帧时间降低 30% 以上。

峰会上，PICO 行业资深市场专家刘凯展望了未来视频互动的场景。他认为，未来用户会希望和视频本身交流，因此，许多厂商在研究的「立体视频」会有大量的应用空间。视频云技术负责人浩铭表示，未来 VR 的视频互动会呈现更大的自由度、以及虚实结合两个特点。火山引擎将与 PICO 共同打磨更多沉浸式的视频体验，不断沉淀到视频云的解决方案中。

03 体验优化的四个维度

视频体验如何建立指标并优化？火山引擎的视频云将其分为四个部分： 播放体验、互动体验、画质体验、性能体验。在四个不同维度上建立指标，以求数据驱动的业务增长。

播放体验的优化，意味着首帧压缩到 100ms 以下，崩溃率小于 1/10000。首帧即是视频播放的第一帧。

其实 100ms 是一个更为严苛的指标。因为按照人眼自然体验，当你被一个视频封面吸引，点击播放到首帧渲染出来的耗时小于 200ms 时，基本就没有延时和卡顿感了。而崩溃率小于 1/100000，这意味着，一个人每天刷 100 个短视频，3 年才能遇到一次播放器崩溃。

互动体验则集合了不同维度的指标，聚焦服务直播场景。目前多人线上语音沙龙是非常流行的互动方式，一般多人同时在线时，同时开麦的人数需要控制在 20 到 50 人，且多人共同说话时卡顿、吞音常常出现。

视频云首次实现了单房间上麦人数超过1000人服务。多人同时说话、抢答，语音即使重叠也会完整传递。百万级用户高并发，可以让单个直播间容纳超过1000个主播。

画质体验上，火山引擎提供的 BVC 编码器，能够在保证画质清晰度不变的情况下，带宽比行业竞品降低 10%。性能优化涉及使用成本，火山引擎从三个方面入手：提供参数配置、码率配置的最优解；自研算法实现图片压缩更优；视频高清低码，主观效果相同下，码率再节省 10%~20%。

火山引擎总经理谭待表示，开放互联是火山引擎云服务的重要发展理念。火山引擎希望与产业的各方、上下游进行深度合作。一方面希望把自己最好的技术拿出来，输出最佳实践；另外一方面，此次火山引擎与阿里云、腾讯云的技术合作是共建开放的协议标准，也欢迎更多人直接参与到标准的接入和建设。

*头图来源：视觉中国