多媒体技术是一个传统行业，从模拟到数字，VCD到蓝光，从窄带到宽带，标清到高清，技术演进让人的视听体验发生了颠覆式的改变。LiveVideoStack采访了即构科技CTO金健忠，他回顾了过去20年多媒体技术的发展，并展望了未来的技术趋势。

文 / 金健忠

策划 / LiveVideoStack

LiveVideoStack：能否向LiveVideoStack读者简单介绍下自己，当初是如何进入音视频这个领域的，以及这些年的工作体会。

金健忠：大家好，我是金健忠，目前担任即构科技CTO。从2001年开始到现在，先后在InterVideo、ST意法半导体从事音视频软硬件方面的开发，2010年加入腾讯，组建QQ语音团队，做互联网音视频。5年时间里，我们逐渐发现互联网有很多应用都需要用到音视频。2015年和林友尧（即构科技创始人&CEO，QQ前总经理）等人出来创业，思考怎么把这些年在音视频领域积累的经验转化为平台，服务更多的应用，到现在，我们创立即构已经3年多。

即构主要为企业提供互联网+音视频整体解决方案，覆盖音视频的产生、接入、存储、分发、回放等方面，帮助各个行业快速接入和应用音视频，让客户更专注在自己的领域发展。

这些年的工作体会主要有三点：

第一， 音视频是需要长期积累的技术，数字音视频技术可以追溯到模拟信号彩色电视时代，复合视频信号本身在时间、帧、场方面已经离散化处理了，里面还涉及颜色空间转换、色差信号压缩以及各种复杂的同步。

第二， 音视频技术涉及的范围很广，比如双工通讯的回声消除是属于算法方面的，性能优化ARM-NEON/SSE等属于CPU结构方面，音频播放线程缓冲属于OS方面的，带宽预测/FEC/ARQ属于网络传输方面，还有高包量低延迟服务、GPU等。

第三， 音视频技术应用场景非常丰富，我自己经历过的就有DVD（数字视频光盘）、DVB（数字视频广播）、VOD（视频点播系统）、LIVE（直播）、Communication（通话）等应用场景。

LiveVideoStack：在音视频领域从业近20年，能否从你的角度给我们分享一下近20年来音视频（技术）领域的发展历程？

金健忠：我认为整个音视频行业大致围绕以下3条线索在发展演进：

线索1：数字化进程和协议分层

首先我理解音视频发展是一个数字化和协议分层的一个过程。大家知道一开始电影是一秒钟拍24张照片，放出来看效果就是连续的，这是时间轴上的采样。接下来模拟电视信号又在扫描线上采样，然后再放入色差信号、音频信号形成复合视频信号。将复合视频信号进行调制发送就完成音视频传输，将复合视频信号记录到磁带上就完成音视频的存储。这一阶段整个音视频需要作为一个整体考虑。这些技术发生在很久之前。

接下来发生的事情就是音视频信号纯数字化的过程，这个过程产生了VCD/DVD/蓝光BD/数字电视DVB/ATSC等一系列存储传输方式，技术上也把整个音视频技术分为若干层，包括如MPEG编解码codec、存储冗余编码纠错技术如Reed-Solomon、传输编码、传输数字调制如QAM/COFDM、物理传输如Cable、存储介质如DVD等等。这些技术都互相独立和发展。

第三个重要的阶段是通用硬件的介入以及互联网化。通用硬件和互联网的介入使得各个层次之间的分解更细致。比如容器和编码的分离，MPEG2 PS/TS可能还算是codec的一部分，到了MP4/mkv等容器就已经和codec没有太多关系了。H.264提出NAL概念，明确建立codec和容器/协议的边界。存储可以有各种容器和介质，传输也可以有各种协议和物理介质。应用更是丰富多彩。以前一个视频广播业务需要地面广播或者Cable或者卫星+接受机+电视一整套系统。现在无论是专用接收机、电脑，还是手机都可以完成视频广播的接收，基于IP的网络协议可以通过光纤或者卫星链路实时地传送到各个边缘节点，再通过Cable、Wifi、Cellular传输到终端。

线索2：硬件和质量提升

第二条线索可以从硬件和质量上看。记得我刚上大学的时候，在电脑上看VCD还需要一个MPEG解码卡的专用硬件。随后不久，CPU等硬件能力持续增强，出现MMX等专门为多媒体设计的指令，这些让软解成为可能。但是好景不长，更高质量DVD的出现又让老旧硬件性能捉襟见肘。接着又是更强的CPU，带硬件加速的显卡。这种硬件的升级和质量的需求互相促进形成闭环。模拟信号一个频道可以传输一路标清视频，MPEG2一条TS流可以传输五路标清或一路高清，升级H.264后高清也能传五路了。以前手机只能窄带语音，现在则需要全带全双工。音视频开发需要不断更新技术，适配新硬件，满足新的需求。

线索3：互动和场景丰富

场景丰富，尤其是互动的需求是不可忽略的一个趋势。在IP化/互联网化之前，早有DVD加入互动菜单，蓝光BD引入BD-J可以跑Java程序进行互动，数字广播DVB加入MHP ，使用一个拨号网络作为回传通道。DVB-H则在COFDM+TS上加入DSM-CC把音视频IP化。互联网化之后，基于互联网实时传输分发网络，可以方便的实现全双工多方互动。

LiveVideoStack：经历了众多产品的音视频架构底层开发，包括之前的QQ语音以及现在的即构科技。相比于过往的产品，你认为即构的音视频架构有哪些变化与不同？

金健忠：QQ语音架构是我在2010年加入腾讯后，针对腾讯互联网+实时音视频场景应用开发的。后续又经历腾讯音视频中心、腾讯互娱、腾讯云等多个团队的打磨，可以说性能已经非常出色。在即构，为丰富互联网+音视频应用场景，我们重新设计了一套音视频架构，旨在希望以平台的方式满足各个行业对音视频需求。在思路上，我们吸取了以往架构的经验，比如我们同样设计灵活的模块结构，让音视频处理管道可以合理安排线程、buffer，保证整个管道实时、高效。同时，我们也针对更复杂的场景在技术上进行一些优化，比如：

• 音视频引擎的整体设计

• 更好的音视频同步设计

• 支持多协议以及多协议互通

• 支持时钟注入，进一步优化数据驱动链路

• 优化元数据处理流程，媒体数据和元数据有强相关性，管道结构中需要维护这种相关性，包括有缓冲节点和无缓冲节点

• 更灵活的buffer机制，同时支持可引用和不可引用buffer，支持CVPixelBuffer/SurfaceTexture等传递方式

• 灵活的模块间协商机制，静态协商、事件触发协商、动态协商。比如切换硬件codec的时候可以触发事件协商改用SurfaceTexture

• 就近接入调度支持、最优线路调度支持、分发调度支持

LiveVideoStack：市面上很多实时音视频方案是基于WebRTC，即构在最初技术选型时，为什么没有选用WebRTC，而选择了走自研这条路？

金健忠：即构提供完整的互联网+音视频平台服务，包括内容产生、接入、分发、回放等环节，支持多端互通，包括WebRTC协议的Web端。Web端互通只是即构音视频平台服务中众多特性中的一个。WebRTC开源框架没有原生支持即构的众多特性，相比从WebRTC框架开始修改打磨来说，自研可以从一开始就融入即构的设计原则，从架构、算法、平台支持、协议等方面最优化设计。

例如：

技术架构上，我们希望原生支持多路音视频，支持AUX输入环回或混音到远端，支持低延迟耳返，原生支持多协议，支持外部采集、渲染、外部编码、解码音视频外部滤镜等。

算法设计上，一开始就考虑到架构和场景，比如Jitter Buffer，帧率码率控制，视频分层编解码等都会匹配多协议设计。带宽预测，反馈能够适应多跳选路（例如国际加速优化），分发到需求。3A设计采用全频带，适应多场景多平台多需求。

平台支持上，能够更好适应通用/嵌入平台，如CVPixelBuffer，SurfaceTexture原生支持等。

协议支持上，就近接入调度，支持多跳路由优化，支持分发，支持秒开特性。媒体层协议进行合理安排减少连接建立时间。

LiveVideoStack：随着5G商用时间表的临近，VR场景将会得到释放，最可能带来变革的就是音视频领域。你觉得5G将会给音视频行业带来怎样的机遇与挑战？

金健忠：VR/AR是交互方式革新，本身还有许多技术问题需要解决。为了营造沉浸式环境，需要给用户提供极快速的响应。100Hz的刷新频率、LCD（液晶显示器）的一点点拖尾都会让用户觉得头晕。高分辨率、高刷新频率需要的高带宽让头戴设备很难摆脱物理联线。精准的定位和不到10ms的响应时间也是需要突破的难点。我觉得整个VR/AR的革新主要还是在其本身，只有这些问题解决后才会引起音视频的进一步变革。

相比VR来说，5G商用已经有时间表。5G可能会带来带宽、延迟、密度方面的变化。

这些提升主要来自毫米波段的使用，QAM256，100MHz频道。一般认为5G可以带来Gb/s级别的用户带宽，ms级别空口延迟。这个水平相当于使用网线连接千兆以太局域网。整个系统的瓶颈会转移到如国内网络环境50ms RTT，国外直连 >200ms RTT，云虚拟机负载，云虚拟机单链接性能，存储性能等其他方面。可以从服务器接入调度，优化负载调度，单链接性能等方面优化整体性能。

LiveVideoStack：展望未来，你对音视频领域有哪些期待？

金健忠：我认为有以下几个方面，

• 变声和声音特效

• 更好的语音去背景噪声。

  当前实用的降噪算法主要集中在噪音学习和阵列降噪上。但是人耳人脑的能力远超现在算法能达到的水平，比如人在嘈杂环境下，也有很大可能“过滤掉”噪声和其他人的语音集中理解某个人说话。

• 声纹识别，说话人识别

• 语音分离，音乐分离。

  比如两个人说话，能把一个人的语音完整分离出来。能够从交响乐分离出大提琴的声音。

• 语音识别

  音乐识别，哼唱识别。这个也很有意思，哼一哼就能找到对应歌曲。这个领域好像有一些接近实用的应用了。

其它还包括以下领域，都非常令人期待：

• 更高效视频codec，4k，8k，低码率，足够低的计算复杂度

• 更好的视频分层编码codec

• 人脸识别

• 文字识别

• AI视频分类