从云原生到智能化，深度解读行业首个「视频直播技术最佳实践图谱」

Posted 2022-07-28 阿里云视频云

 在2022阿里云直播峰会上，多位直播产业领域技术专家与行业先行者，共同探讨超视频化时代视频直播技术的演进趋势与未来发展。会上，阿里云重磅发布了行业首个「视频直播技术最佳实践图谱」，将直播技术归纳总结为7点：云原生、高可靠、低延时、超高清、智能化、专业性及多场景，本文将对「视频直播技术最佳实践图谱」进行深度解读。

视频直播的趋势就是极致降低延时，其包含传输延时和计算延时。

谈到延时，大众对于延时的理解主要集中在传输延时上，依据视频的延时，可以将视频分成点播、直播、连麦互动、实时互动等。

• 当传输的延时在3-10秒，这样的视频具备可广播的属性，如：体育赛事直播；
• 当传输的延时在250-800毫秒之间，可进行沟通、互动，如：互动课堂连麦等；
• 当传输的延时降低至50-80毫秒，此时视频便具有可操控性和沉浸感，如：云实时3D渲染、远程视频操控……

除了传输延时，视频的编解码、高清化等技术的计算也会带来算力的延时。紧随直播的趋势，如何能将传输延时和计算延时不断降低，为更多直播场景带来技术支撑及想象空间？

阿里云的直播技术基于云原生的底座和分布式边缘节点，通过对传输协议的改造，融合实时媒体处理能力与边缘算力，能够大幅有效降低传输延时与计算延时，并通过全球实时流媒体传输网络GRTN（‍Global Real-time Transport Network）、超低延时直播服务RTS（Real-time Streaming）、实时媒体处理能力、视频+AI等技术应用，完成低延时的最佳实践，实现成本与体验的最佳平衡，在带来众多通用直播解决方案的同时，也衍生出众多场景化解决方案。

本次峰会发布的行业首个「视频直播技术最佳实践图谱」，是经过阿里云多年的直播技术探索与实践沉淀而来的，归纳总结为7大点：云原生、高可靠、低延时、超高清、智能化、专业性及多场景。

云原生

视频技术就是云原生的最佳实践。

阿里云所倡导的云原生主要有三点：“产品的服务化”，“随意的弹性”，“软硬一体、云边一体、云端一体”，而视频技术恰恰就是云原生的最佳实践。

云的基础设施，包括中心节点、边缘节点、CDN网络是保障大规模分发和传输的基础；云原生的软硬一体，能支持CPU/GPU/FPGA/ASIC等多种软硬件异构方案；云与端的紧密协同和算力分配，能实现云、移动端、Web端、PC端渲染效果一致。

除此之外，云原生的时间、空间、异构弹性，不仅能支持数十种业务混跑，云边端计算量化灵活调整，还能实现100+种实时传输、媒体处理、AI任务多机型异构混跑，给视频业务带来无限的算力的同时将资源充分有效利用起来，大幅降低成本，衍生出更多新场景。

高可靠

热点视频有千万级的实时并发，高可靠是最基本的要求。

视频直播技术需要高可靠，尤其是热点视频往往会带来百万、千万级的并发，此时高可靠是最基本的要求。阿里云的视频技术高可靠主要体现两方面，一是在架构上拥有全链路日志/监测/报警/预测和高可靠、多副本的秒级切换，能实现智能自动化运维和接入网络秒级信息排查，带来跨中心逃逸能力及容灾服务保障。

高可靠的第二个方面，体现在对弱网体验的提升。阿里云独有的QoS技术，能对带宽进行精准预测，大幅提升带宽利用率和拥塞控制能力，同时结合编码器的弱网感知和抗丢包技术，能在70%的丢包状态下仍达到较高清晰度和流畅性。基于深度学习的智能语音丢包补偿，能提升弱网状态下的音频清晰度，而麦上麦下延迟敏感自适应技术，能在多场景下实现音频流畅性和通话延迟的平衡。QoS技术能识别和动态适配如：丢包、延时等多种网络场景，大大提升终端用户对业务性能的音视频主观感受。

低延时

GRTN打造最佳流媒体实践场景。

延时指的是主播端的画面传递到用户屏幕所耗费的时间，当排除网络、码流、设备性能的情况下，在不同的直播场景中选用合适的直播流协议，能大大降低直播的延时。回顾直播的历史，也是直播协议的历史，主流的协议有耳熟能详的HLS、DASH、RTMP等，延时普遍在5s以上，在强互动的需求下，直播协议也在不断向低延时转化，比如：SRT、LL-HLS等。

阿里云在低延时上的最佳实践，主要在两个方面。一是在网络层面，将传统的CDN内容分发网络改造成GRTN全球实时传输网，其定位是基于中心云和边缘云的异构节点，构建超低延时、全分布式下沉的通信级流媒体传输网络。

GRTN目前融合了互联网直播和RTC等多种业务场景的音视频流传输和交换，并具有众多其他核心技术，如：GRTN构建的双向的实时信令网能够做到切网消息的毫秒级传递，当有一个发布端的媒体流发生网络切换后，订阅的客户端对GRTN内部发生的切换行为是完全无感知的。

二是在这“一张网”上，阿里云打造了超低延时直播服务RTS（Real-Time Streaming）。基于GRTN的短延时直播RTS可以支持标准H5 WebRTC推播，在千万级并发情况下延时可以控制在1s以内；RTC端到端延时可以控制在250ms左右。观看下方RTS和RTMP的直播协议的对比视频，可以发现在有一定丢包率的情况下，RTS在体验、流畅度和色彩上都相对RTMP有明显的优势。

RTS与RTMP延迟对比

超高清

成本与体验的最佳调和，带来更沉浸、更极致的音视频体验。

关于超高清在视频直播技术中的实践，阿里云自研的s265编码技术能实现高画质低码率，并支持4K实时编码；支持AV1编码，较HEVC节省25%以上的码率。大众熟知的“窄带高清”技术，窄高1.0对多场景进行优化，通过RIO和JND智能编码节约码率，窄高2.0自适应视频降噪和内容修复，通过色彩和纹理增强提升人眼主观画质，带来体验和成本的最佳调和。

与此同时，阿里云在直播技术上还对采集编码传输链路进行优化，全链路支持4K和8K。在工程上，通过各类算法对帧率、码率、分辨率、色彩等各维度进行提升，无论是老片、瑕疵、人像、还是动画场景，都能进行修复带来超高清的体验。

除了在云端对视频进行处理，还能在端侧进行超分插帧、降噪、色彩增强等，即使是非HDR的设备，通过色彩增强SDR+技术，也能实现端侧一致的超高清体验。

端侧超高清对比

色彩增强SDR+技术

智能化

在超视频化时代，音视频的智能化是一大趋势。

深度学习能带来各类AI能力的提升，在视频实践上是最好的一个出口。在智能化方面，阿里云的视频直播技术，除了传统的智能配音、智能拆条、智能集锦，还能对音视频内容实时审核，针对黄反暴恐广告实现精准识别，节省了大量的人工甄别成本。

经过训练的虚拟人技术，支持3D头像、Live2D、风格化迁移、虚拟主播等，带来更多XR技术的演进。此外，“智能化”还体现在音频体验上，基于深度学习技术与传统信号处理有机结合的3A技术，能实现智能降噪、突出人声、无损音乐，并可以广泛应用于各类实时场景。智能语音超分技术，在小模型的情况下仍可保持高音质，这些都是AI与视频结合带来的效果。

“智能降噪”的多场景体验

专业性

专业性，让直播逐渐演变成“智播”。

阿里云对于直播技术的专业性体现在多码率、多协议、内容保护和实时制作上，直播逐渐演变为“智播”。值得一提的是，在实时制作方面，阿里云将传统导播台云端再造，融合实时翻译、图文包装、动态标签、广告替换等导播创新能力，兼顾直播专业性与远程导播优势。

同时，基于多路实时实景抠像，阿里云还曾将“虚拟演播室”搬到冬奥现场。阿里云的“云导播”技术，不仅支持多种设备、多机位、异地开播，还能够实现双屏、分屏、画中画等开播场景，最大程度贴近直播需求。

互动虚拟演播室助力冬奥

阿里云在直播技术上的专业性结合“云导播”丰富的节目制作形式、更低的成本，能够广泛应用到广电新媒体、赛事直播、活动直播、商业直播等场景中，帮助客户打破业务瓶颈，更快更好地开展业务。

《这！就是街舞》云导播+帧级别多视角同步

多场景

“直播+”已成为一种趋势，渗透到各个场景。

从场景来看，直播从最早的大型文体直播、电商直播、游戏直播逐渐渗透到企业培训、在线教育、广电新媒体场景。阿里云将直播、点播、在线会议的各种算法能力都集成到同一个SDK里面，实现多场景融合的同时，一体化SDK还能按需打包实现灵活的自定义。

从传统的SDK接入、API接入到“低代码直播样板间”，阿里云直播针对电商直播、在线教育、企业直播等提供一站式接入的场景方案，通过简单的三步对接和十几行代码，让客户轻松接入直播的体验，助力业务的发展。

当前，直播业务已成为数字化社会服务的重要组成部分，越来越多的内容与产业转向“直播+”模式，直播技术发展的未来图景随着市场需求变化更加清晰。

「视频直播技术最佳实践图谱」正是基于阿里云在直播技术上多年的探索和最佳实践，从直播技术的核心，到直播的全场景覆盖，再到直播技术创新与应用，助力企业深度理解“直播”，打破技术壁垒，携手各行各业在万物互联的浪潮中不断更迭与前行。

「视频云技术」你最值得关注的音视频技术公众号，每周推送来自阿里云一线的实践技术文章，在这里与音视频领域一流工程师交流切磋。公众号后台回复【技术】可加入阿里云视频云产品技术交流群，和业内大咖一起探讨音视频技术，获取更多行业最新信息。