iOS ReplayKit 与 RTC

Posted 2021-10-11 声网Agora

作者：声网Agora Cavan
在日益繁多的直播场景中，如果你也是某位游戏主播的粉丝的话，有一种直播方式是你一定不陌生的，那就是我们今天要聊的屏幕分享。

直播场景下的屏幕分享，不仅要将当前显示器所展示的画面分享给远端，也要将声音传输出去，包括应用的声音，以及主播的声音。鉴于这两点需求，我们可以简单分析出，进行一次屏幕分享的直播所需要的媒体流如下：

1. 一条显示器画面的视频流
2. 一条应用声音的音频流
3. 一条主播声音的音频流

ReplayKit 是苹果提供的用于 ios 系统进行屏幕录制的框架。

首先我们来看看苹果提供的用于屏幕录制的 ReplayKit 的数据回调接口：

override func processSampleBuffer(_ sampleBuffer: CMSampleBuffer, with sampleBufferType: RPSampleBufferType) {
        DispatchQueue.main.async {
            switch sampleBufferType {
            case .video:
                AgoraUploader.sendVideoBuffer(sampleBuffer)
            case .audioApp:
                AgoraUploader.sendAudioAppBuffer(sampleBuffer)
            case .audioMic:
                AgoraUploader.sendAudioMicBuffer(sampleBuffer)
            @unknown default:
                break
            }
        }
    }

从枚举 sampleBufferType 上，我们不难看出，刚好能符合我们上述对媒体流的需求。

视频

格式

guard let videoFrame = CMSampleBufferGetImageBuffer(sampleBuffer) else {
    return
}
        
let type = CVPixelBufferGetPixelFormatType(videoFrame)

type = kCVPixelFormatType_420YpCbCr8BiPlanarFullRange

通过 CVPixelBufferGetPixelFormatType，我们可以获取到每帧的视频格式为 yuv420。

帧率

通过打印接口的回调次数，可以知道每秒能够获取的视频帧为30次，也就是帧率为 30。

格式与帧率都能符合 Agora RTC 所能接收的范围，所以通过 Agora RTC 的 pushExternalVideoFrame 就可以将视频分享到远端了。

agoraKit.pushExternalVideoFrame(frame)

插入一个小知识

显示器所显示的帧来自于一个帧缓存区，一般常见的为双缓存或三缓存。当屏幕显示完一帧后，发出一个垂直同步信号(V-Sync)，告诉帧缓存区切换到下一帧的缓存上，然后显示器开始读取新的一帧数据做显示。

这个帧缓存区是系统级别的，一般的开发者是无法读取跟写入的。但是如果是苹果自身提供的录制框架 ReplayKit 能够直接读取到已经渲染好且将用于显示器的帧，且这一过程不会影响渲染流程而造成掉帧，那就能减少一次用于提供给 ReplayKit 回调数据的渲染过程。

音频

ReplayKit 能提供的音频有两种，分为麦克风录制进来的音频流，与当前响应的应用播放的音频流。(下文将前者称为 AudioMic，后者为 AudioApp)

可以通过下面的两行代码，来获取音频格式

CMAudioFormatDescriptionRef format = CMSampleBufferGetFormatDescription(sampleBuffer);
const AudioStreamBasicDescription *description = CMAudioFormatDescriptionGetStreamBasicDescription(format);

AudioApp

AudioApp 会在不同的机型下有不一样的声道数。例如在 iPad 或 iPhone7 以下机型中，不具备双声道播放的设备，这时候 AudioApp 的数据就是单声道，反之则是双声道。

采样率在部分试过的机型里，都是 44100，但不排除在未测试过的机型会是其他的采样率。

AudioMic

AudioMic 在测试过的机型里，采样率为 32000，声道数为单声道。

音频前处理

如果我们将 AudioApp 与 AudioMic 作为两条音频流去发送，那么流量肯定是大于一条音频流的。我们为了节省一条音频流的流量，就需要将这两条音频流做混音(融合)。

但是通过上述，我们不难看出，两条音频流的格式是不一样的，而且不能保证随着机型的不同，是不是会出现其他的格式。在测试的过程中还发现 OS 版本的不同，每次回调给到的音频数据长度也会出现变化。那么我们在对两条音频流做混音前，就需要进行格式统一，来应对 ReplayKit 给出的各种格式。所以我们采取了以下几个重要的步骤：

     if (channels == 1) {
        int16_t* intData = (int16_t*)dataPointer;
        int16_t newBuffer[totalSamples * 2];
                
        for (int i = 0; i < totalSamples; i++) {
            newBuffer[2 * i] = intData[i];
            newBuffer[2 * i + 1] = intData[i];
        }
        totalSamples *= 2;
        memcpy(dataPointer, newBuffer, sizeof(int16_t) * totalSamples);
        totalBytes *= 2;
        channels = 2;
    }

• 无论是 AudioMic 还是 AudioApp，只要进来的流为单声道，我们都将它转化为双声道；

     if (sampleRate != resampleRate) {
        int inDataSamplesPer10ms = sampleRate / 100;
        int outDataSamplesPer10ms = (int)resampleRate / 100;
        
        int16_t* intData = (int16_t*)dataPointer;
        
        switch (type) {
            case AudioTypeApp:
                totalSamples = resampleApp(intData, dataPointerSize, totalSamples,
                                           inDataSamplesPer10ms, outDataSamplesPer10ms, channels, sampleRate, (int)resampleRate);
                break;
            case AudioTypeMic:
                totalSamples = resampleMic(intData, dataPointerSize, totalSamples,
                                           inDataSamplesPer10ms, outDataSamplesPer10ms, channels, sampleRate, (int)resampleRate);
                break;
        }
        
        totalBytes = totalSamples * sizeof(int16_t);
    }

• 无论是 AudioMic 还是 AudioApp，只要进来的流采样率不为 48000，我们将它们重采样为 48000；

  memcpy(appAudio + appAudioIndex, dataPointer, totalBytes);
  appAudioIndex += totalSamples;

    memcpy(micAudio + micAudioIndex, dataPointer, totalBytes);
  micAudioIndex += totalSamples;

• 通过第一步与第二步，我们保证了两条音频流都为同样的音频格式。但是由于 ReplayKit 是一次回调给到一种数据的，所以在混音前我们还得用两个缓存区来存储这两条流数据；

  int64_t mixIndex = appAudioIndex > micAudioIndex ? micAudioIndex : appAudioIndex;
            
  int16_t pushBuffer[appAudioIndex];
            
  memcpy(pushBuffer, appAudio, appAudioIndex * sizeof(int16_t));
            
  for (int i = 0; i < mixIndex; i ++) {
       pushBuffer[i] = (appAudio[i] + micAudio[i]) / 2;
  }

• ReplayKit 有选项是否开启麦克风录制，所以在关闭麦克风录制的时候，我们就只有一条 AudioApp 音频流。所以我们以这条流为主，去读取 AudioMic 缓存区的数据长度，然后对比两个缓存区的数据长度，以最小的数据长度为我们的混音长度。将混音长度的两个缓存区里的数据做融合，得到混音后的数据，写入一个新的混音缓存区(或者直接写入 AudioApp 缓存区)；

[AgoraAudioProcessing pushAudioFrame:(*unsigned* *char* *)pushBuffer
                                   withFrameSize:appAudioIndex * *sizeof*(int16_t)];

• 最后我们再将这段混音后的数据拷贝进 Agora RTC 的 C++ 录制回调接口里，这时候就可以把麦克风录制的声音与应用播放的声音传输到远端了。

通过对音视频流的处理，结合 Agora RTC SDK，我们就完成了一个屏幕分享直播场景的实现了。

具体的实现上的细节，可以参考 https://github.com/AgoraIO/Ad...