dev-protocol/audio-video-technology/音视频技术.md

音视频技术

0. 目录

1. 背景

• 一方面，视频压缩技术从 H261 到 H264，再到现在的 H265及未来不久将出现的 AV1，视频压缩率越来越高；音频压缩技术也从电话使用的 G.711、 G.722 等窄带音频压缩技术，发展到现代的 AAC、OPUS 等宽带音频压缩技术。

• 标准: 所开发的直播系统既可以支持上万人同时在线，又可以进行多人实时音视频互动，此外还可以与固话、MCU等硬件设备互联互通

• 音频技术的现在与未来

• H264/H265、VP8/VP9 以及后面的 AV1 编解码器，解决了视频压缩率的问题；而 5G 的商用，解决了带宽的问题。

• 尤其是 2011 年 Google 推出 WebRTC 技术后，大大降低了音视频技术的门槛。有了WebRTC，你就不必自己去实现回音消除算法了；有了 WebRTC ，你也不必自己去实现各 种音视频的编解码器了；有了 WebRTC，你更不必去考虑跨平台的问题了。因此，可以说WebRTC 的出现大大加速了音视频技术的应用与推广。

• WebRTC 有个特别有诱惑力的愿景：可以在浏览器上快速开发出各种音视频应用。

• 行业及学习痛点

• 如果你想开发一款音视频产品，不仅需要有最基础的音视频知识（如音视频的编码、解码），往往还需要多层级的技术栈，涉及移动端开发、PC 端开发、各种协议规范、网络 协议、socket 开发等。所以，要想成为一员合格的音视频开发工程师，你需要对各领域的知识都有一些掌握才行。

• 如何学习音视频技术

• 首先，让你学会如何使用浏览器相关 API 调用 WebRTC 实现 1 对 1 通话；然后，再逐步深入学习其他音视频知识。

• 主题一：WebRTC 1 对 1 通话

  • 实现WebRTC 1 对 1 通话

• 主题二：WebRTC 多人音视频实时通话

  • 介绍几种多人音视频实时互动的架构，以及这几种架构的优劣
  • 重点讲解如何使用 SFU 架构实现多人音视频实时通话（SFU 是现在最流行的多人实时互动架构）

• 主题三：支持上万人同时在线的直播系统

  • 支持上万人同时在线的直播系统主要使用 CDN 技术，它是一种比较老的直播架构，使用的底层传输协议是 RTMP 和 HLS。以及如何使用各种播放器从 CDN 拉取媒体流

2. WebRTC1对1通话

2.1 通过浏览器访问摄像头

• 随着 WebRTC 1.0 规范的推出，现在主流浏览器 Chrome、Firefox、Safari 以及 Edge 都已经支持了 WebRTC 库。换句话说，在这些浏览器之间进行实时音视频通信已经很成熟了。

• WebRTC 处理过程

• 在正式讲解如何通过浏览器采集音视频数据之前，我先向你介绍一下 WebRTC 实现一对一音视频实时通话的整个处理过程

• 

• 这幅图从大的方面可以分为 4 部分，即两个 WebRTC 终端（上图中的两个大方框）、一个 Signal（信令）服务器和一个 STUN/TURN 服务器。

  • WebRTC 终端，负责音视频采集、编解码、NAT 穿越、音视频数据传输。
  • Signal 服务器，负责信令处理，如加入房间、离开房间、媒体协商消息的传递等。
  • STUN/TURN 服务器，负责获取 WebRTC 终端在公网的 IP 地址，以及 NAT 穿越失败后的数据中转。

• 描述一下WebRTC 进行音视频通话的大体过程。

  • 当一端（WebRTC 终端）进入房间之前，它首先会检测自己的设备是否可用。如果此时设备可用，则进行音视频数据采集。
  • 采集到的数据一方面可以做预览，也就是让自己可以看到自己的视频；另一方面，可以将其录制下来保存成文件，等到视频通话结束后，上传到服务器让用户回看之前的内容。
  • 在获取音视频数据就绪后，WebRTC 终端要发送 “加入” 信令到 Signal 服务器。Signal服务器收到该消息后会创建房间。在另外一端，也要做同样的事情，只不过它不是创建房 间，而是加入房间了。待第二个终端成功加入房间后，第一个用户会收到 “另一个用户已经加入成功” 的消息。
  • 在获取音视频数据就绪后，WebRTC 终端要发送 “加入” 信令到 Signal 服务器。Signal 服务器收到该消息后会创建房间。在另外一端，也要做同样的事情，只不过它不是创建房 间，而是加入房间了。待第二个终端成功加入房间后，第一个用户会收到 “另一个用户已经加入成功” 的消息。
  • 此时，第一个终端将创建 “媒体连接” 对象，即 RTCPeerConnection（该对象会在后面的文章中做详细介绍），并将采集到的音视频数据通过 RTCPeerConnection 对象进行编 码，最终通过 P2P 传送给对端。
  • 当然，在进行 P2P 穿越时很有可能失败。所以，当 P2P 穿越失败时，为了保障音视频数据仍然可以互通，则需要通过 TURN 服务器（TURN 服务会在后面文章中专门介绍）进行音 视频数据中转。
  • 这样，当音视频数据 “历尽千辛万苦” 来到对端后，对端首先将收到的音视频数据进行解码，最后再将其展示出来，这样就完成了一端到另一端的单通。如果双方要互通，那么，两 方都要通过 RTCPeerConnection 对象传输自己一端的数据，并从另一端接收数据。

• 音视频采集基本概念

• 在正式介绍 JavaScript 采集音视频数据的 API 之前，你还需要了解一些基本概念。

  • 摄像头。用于捕捉（采集）图像和视频。
  • 帧率。现在的摄像头功能已非常强大，一般情况下，一秒钟可以采集 30 张以上的图像，一些好的摄像头甚至可以采集 100 张以上。我们把摄像头一秒钟采集图像的次数称为帧 率。帧率越高，视频就越平滑流畅。然而，在直播系统中一般不会设置太高的帧率，因为帧率越高，占的网络带宽就越多。
  • 分辨率。摄像头除了可以设置帧率之外，还可以调整分辨率。我们常见的分辨率有 2K、1080P、720P、420P 等。分辨率越高图像就越清晰，但同时也带来一个问题，即占用的 带宽也就越多。所以，在直播系统中，分辨率的高低与网络带宽有紧密的联系。也就是说，分辨率会跟据你的网络带宽进行动态调整。
  • 宽高比。分辨率一般分为两种宽高比，即 16:9 或 4:3。4:3 的宽高比是从黑白电视而来，而 16:9 的宽高比是从显示器而来。现在一般情况下都采用 16:9 的比例。
  • 麦克风。用于采集音频数据。它与视频一样，可以指定一秒内采样的次数，称为采样率。每个采样用几个 bit 表示，称为采样位深或采样大小。
  • 轨（Track）。WebRTC 中的“轨”借鉴了多媒体的概念。火车轨道的特性你应该非常清楚，两条轨永远不会相交。“轨”在多媒体中表达的就是每条轨数据都是独立的，不会 与其他轨相交，如 MP4 中的音频轨、视频轨，它们在 MP4 文件中是被分别存储的。
  • 流（Stream）。可以理解为容器。在 WebRTC 中，“流”可以分为媒体流（MediaStream）和数据流（DataStream）。其中，媒体流可以存放 0 个或多个音频 轨或视频轨；数据流可以存 0 个或多个数据轨。
  • 媒体流: 参考 https://developer.mozilla.org/en-US/docs/Web/API/MediaDevices/getUserMedia

• 音视频采集

• 有了上面这些基本概念，你就可以很容易理解后面所要讲的内容了。接下来，就让我们来具体看看在浏览器下采集音视频的 API 格式以及如何控制音视频的采集吧。

• getUserMedia 方法

• 在浏览器中访问音视频设备非常简单，只要调用 getUserMedia 这个 API 即可。该 API 的基本格式如下：

var promise = navigator.mediaDevices.getUserMedia(constraints);

• 它返回一个 Promise 对象。

  • 如果 getUserMedia 调用成功，则可以通过 Promise 获得 MediaStream 对象，也就是说现在我们已经从音视频设备中获取到音视频数据了。
  • 如果调用失败，比如用户拒绝该 API 访问媒体设备（音频设备、视频设备），或者要访问的媒体设备不可用，则返回的 Promise 会得到 PermissionDeniedError 或 NotFoundError 等错误对象。

• MediaStreamConstraints 参数

  • 从上面的调用格式中可以看到，getUserMedia 方法有一个输入参数 constraints，其类型为 MediaStreamConstraints。它可以指定 MediaStream 中包含哪些类型的媒体轨（音 频轨、视频轨），并且可为这些媒体轨设置一些限制。
  • 下面我们就来详细看一下它包括哪些限制，这里我引用一下 WebRTC 1.0 规范对 MediaStreamConstraints 的定义，其格式如下：
  • PS: MediaStreamConstraints 详解 https://w3c.github.io/mediacapture-main/getusermedia.html#mediastreamconstraints

dictionary MediaStreamConstraints {
    (boolean or MediaTrackConstraints) video = false,
    (boolean or MediaTrackConstraints) audio = false
};

• 从上面的代码中可以看出，该结构可以指定采集音频还是视频，或是同时对两者进行采集。

• 举个例子，比如你只想采集视频，则可以像下面这样定义 constraints：

const mediaStreamContrains = {
    video: true
};

• 或者，同时采集音视和视频：

const mediaStreamContrains = {
    video: true,
    audio: true
};

• 其实，你还可以通过 MediaTrackConstraints 进一步对每一条媒体轨进行限制，比如下面的代码示例：

const mediaStreamContrains = {
    video: {
        frameRate: {min: 20},
            width: {min: 640, ideal: 1280},
            height: {min: 360, ideal: 720},
                aspectRatio: 16/9
    },
    audio: {
        echoCancellation: true,
        noiseSuppression: true,
        autoGainControl: true
    }
};

• 上面这个例子表示：视频的帧率最小 20 帧每秒；宽度最小是 640，理想的宽度是 1280；同样的，高度最小是 360，最理想高度是 720；此外宽高比是 16:9；对于音频则是开启回 音消除、降噪以及自动增益功能。

• 除了上面介绍的这些参数来控制摄像头和麦克风外，当然还有其他一些参数可以设置，更详细的参数信息，可以跳到下面的参考部分。

• 如何使用 getUserMedia API

• 如何使用上面介绍的 API 来采集视频数据吧

• 下面的 HTML 代码非常简单，它引入一段 JavaScript 代码用于捕获音视频数据，然后将采集到的音视频数据通过 video 标签播放出来。

<!DOCTYPE html>
<html>
    <head>
        <title>Realtime communication with WebRTC</title>
        <link rel="stylesheet", href="css/client.css" />
    </head>
    <body>
        <h1>Realtime communication with WebRTC </h1>
        <video autoplay playsinline></video>
        <script src="js/client.js"></script>
    </body>
</html>

• 为便于你更好地理解该部分的知识，上面这段代码中有两条代码我需要解释一下，一句是：

<video autoplay playsinline></video>

• 它是 HTML5 的视频标签，不仅可以播放多媒体文件，还可以用于播放采集到的数据。其参数含义如下：
  • autoplay，表示当页面加载时可以自动播放视频；
  • playsinline，表示在 HTML5 页面内播放视频，而不是使用系统播放器播放视频。
• 另一句是:

<script src="js/client.js"></script>

• 它引入了外部的 JavaScript 代码，起到的作用就是获取视频数据。具体代码如下：

'use strict';

const mediaStreamContrains = {
    video: true
};

const localVideo = document.querySelector('video');

function gotLocalMediaStream(mediaStream){
    localVideo.srcObject = mediaStream;
}

function handleLocalMediaStreamError(error){
    console.log('navigator.getUserMedia error: ', error);
}

navigator.mediaDevices.getUserMedia(mediaStreamContrains).then(
    gotLocalMediaStream
).catch(
    handleLocalMediaStreamError
);

• JavaScript 代码中首先执行 getUserMedia() 方法，该方法会请求访问 Camera。如果是第一次请求 Camera，浏览器会向用户弹出提示窗口，让用户决定是否可以访问摄像头。如果 用户允许访问，且设备可用，则调用 gotLocalMediaStream 方法。

• 在 gotLocalMediaStream 方法中，其输入参数为 MediaStream 对象，该对象中存放着getUserMedia方法采集到的音视频轨。我们将它作为视频源赋值给 HTML5 的 video 标 签的 srcObject 属性。这样在 HTML 页面加载之后，就可以在该页面中看到摄像头采集到的视频数据了。

• 在这个例子中，getUserMedia 方法的输入参数 mediaStreamContraints 限定了只采集视频数据。同样的，你也可以采集音频数据或同时采集音频和视频数据。

• 总结

• MediaTrack和MediaStream这两个概念特别重要，后续学习 WebRTC的过程中，我们会反复用到，所以在这最开始你就要理解透这两个概念。举个例子，如果你 想在一个房间里，同时共享视频、共享音频、共享桌面，该怎么做呢？如果你对 MediaTrack 和 MediaStream 真正理解了，就会觉得 WebRTC 处理这种情况太简单了。

• getUserMedia API 控制设备的参数及其含义如下：

• 

• 直接在chrome测试成功，声音不正常（回声很想），加了参数消除回音，还是不行，为什么啊？

  • 自己的音频没有mute 吧？把video 标签里加个muted 试试

• NAT穿越是啥？

  • P2P，端与端直接进行连接，不需要服务器中转数据，这样可以节省服务器带宽，但并不意味着不需要服务器，服务器作为辅助功能

• STUN/TURN 服务器是否有开源的，我之前看到都是使用谷歌的。

  • coturn就可以，大家都用它！

• 如果使用freeswitch在其中作为一个什么角色？

  • freeswitch可以做混音服务器，或mcu。不过在直播中，一般用它做服务器混音。

• 现有的 rtmp 的直播解决方案和 webRTC 之间优劣势在什么地方？

  • Rtmp 底层用的tcp,wenrtc底层主要使用udp,使用tcp 就注定他在极端网络情况下没法实时通信

• 在使用nuxt创建的vue项目中， 使用ip访问：navigator.mediaDevices.是 undefined 使用localhost访问：navigator.mediaDevices. 存在

  • 出于安全的原因，你只能用localhost 访问或https 访问时才能检测到mediaDevice

2.2 通过WebRTC进行音视频设备检测

• 在打开摄像头（Camera）或麦克风（Micphone）的时候，首先要对其进行检测，检测的内容包括：

  • 电脑 / 手机上都有那些音视频设备？
  • 我们选中的音视频设备是否可用？

• WebRTC 处理过程

  • WebRTC 的整体处理过程图：
  • 
  • 图中两个音视频设备检测模块置红了

• 音视频设备的基本原理

• 音频设备

• 音频有采样率和采样大小的概念，实际上这两个概念就与音频设备密不可分。

• 音频输入设备的主要工作是采集音频数据，而采集音频数据的本质就是模数转换（A/D），即将模似信号转换成数字信号。

• 模数转换使用的采集定理称为奈奎斯特定理，其内容如下：

  • 在进行模拟 / 数字信号的转换过程中，当采样率大于信号中最高频率的 2 倍时，采样之后的数字信号就完整地保留了原始信号中的信息。

• 你也知道，人类听觉范围的频率是 20Hz～20kHz 之间。对于日常语音交流（像电话），8kHz 采样率就可以满足人们的需求。 但为了追求高品质、高保真，你需要将音频输入设备的采样率设置在 40kHz 以上，这样才能完整地将原始信号保留下来。 例如我们平时听的数字音乐，一般其采样率都是 44.1k、48k 等，以确保其音质的无损。

• 采集到的数据再经过量化、编码，最终形成数字信号，这就是音频设备所要完成的工作。在量化和编码的过程中，采样大小（保存每个采样的二进制位个数）决定了每个采样最大可以表示的范围。 如果采样大小是 8 位，则它表示的最大值是就是 28 -1，即 255；如果是 16 位，则其表示的最大数值是 65535。

• 视频设备

• 至于视频设备，则与音频输入设备很类似。当实物光通过镜头进行到摄像机后，它会通过视频设备的模数转换（A/D）模块，即光学传感器， 将光转换成数字信号，即 RGB（Red、Green、Blue）数据。

• 获得 RGB 数据后，还要通过 DSP（Digital Signal Processer）进行优化处理，如自动增强、白平衡、色彩饱和等都属于这一阶段要做的事情。

• 通过 DSP 优化处理后，你就得到了 24 位的真彩色图片。因为每一种颜色由 8 位组成，而一个像素由 RGB 三种颜色构成，所以一个像素就需要用 24 位表示，故称之为24 位真彩色。

• 另外，此时获得的 RGB 图像只是临时数据。因最终的图像数据还要进行压缩、传输，而编码器一般使用的输入格式为 YUV I420，所以在摄像头内部还有一个专门的模块用于将 RGB 图像转为 YUV 格式的图像。

• 那什么是 YUV 呢？YUV 也是一种色彩编码方法，主要用于电视系统以及模拟视频领域。它将亮度信息（Y）与色彩信息（UV）分离，即使没有 UV 信息一样可以显示完整的图像，只不过是黑白的， 这样的设计很好地解决了彩色电视机与黑白电视的兼容问题。

• YUV 格式还是蛮复杂的，它有好几种存储方式

• WebRTC 设备管理的基本概念

• MediaDevices，该接口提供了访问（连接到计算机上的）媒体设备（如摄像头、麦克风）以及截取屏幕的方法。实际上，它允许你访问任何硬件媒体设备。而咱们要获取可用的音视频设备列表，就是通过该接口中的方法来实现的。

  • ps: https://developer.mozilla.org/en-US/docs/Web/API/MediaDevices

• MediaDeviceInfo，它表示的是每个输入 / 输出设备的信息。包含以下三个重要的属性：

  • deviceID，设备的唯一标识；
  • label，设备 名称；
  • kind，设备 种类，可用于识别出是音频设备还是视频设备，是输入设备还是输出设备。
  • ps: https://developer.mozilla.org/en-US/docs/Web/API/MediaDeviceInfo

• 另外，label 可以用作指纹识别机制的一部分，以识别是否是合法用户。对于这一点我们以后再专门讨论。

• Promise，它是一种 JavaScript 异步处理机制。其思想是，首先执行指定的业务逻辑，而不管逻辑的对错，然后再根据结果做具体的操作：如果成功了做些什么，失败了做些什么。 结合下面的例子，可以让你对 Promise 有个清楚的认识，生成 Promise 对象时，首先会执行 function 函数中的逻辑，该函数会根据随机数生成 timeOut， 然后定时地对 timeOut 做出判断：

  • ps: https://developer.mozilla.org/en-US/docs/Web/JavaScript/Reference/Global_Objects/Promise
  • 如果 timeOut 小于 1，则调用 resolve 方法。resolve 又会调用 Promise 中 then 部分传入的函数。
  • 如果 timeOut 大于等于 1，则调用 reject 方法。reject 则会调用 Promise 中 catch 部分传入的函数。

	new Promise(function (resolve, reject) {
		console.log('start new Promise...');
 
        // 产生随机值
		var timeOut = Math.random() * 2;
		console.log('set timeout to: ' + timeOut + ' seconds.');
 
        // 设置一个定时器函数，根据随机值触发该函数执行
		setTimeout(function () {
			if (timeOut < 1) {
				console.log('call resolve()...');
				resolve('200 OK');
			}
			else {
				console.log('call reject()...');
				reject('timeout in ' + timeOut + ' seconds.');
			}
		}, timeOut * 1000);
	}).then(function (r) {
		console.log('Done: ' + r);
	}).catch(function (reason) {
		console.log('Failed: ' + reason);
	});

• 获取音视频设备列表
• 首先，我们来看浏览器上 WebRTC 获取音视频设备列表的接口，其格式如下：

MediaDevices.enumerateDevices()

• 通过调用 MediaDevices 的 enumerateDevices() 方法就可以获取到媒体输入和输出设备列表，例如： 麦克风、相机、耳机等。是不是非常简单？
  • ps: https://developer.mozilla.org/en-US/docs/Web/API/MediaDevices/enumerateDevices
• 该函数返回的是一个 Promise 对象。我们只需要向它的 then 部分传入一个函数，就可以通过该函数获得所有的音视频设备信息了。
• 传入的函数有一个参数，它是一个 MediaDeviceInfo 类型的数组，用来存放 WebRTC 获取到的每一个音视频设备信息。
• 这样说可能有点抽象，还是让我们结合下面代码看一个具体的例子吧。

...
 
// 判断浏览器是否支持这些 API
if (!navigator.mediaDevices || !navigator.mediaDevices.enumerateDevices) {
  console.log("enumerateDevices() not supported.");
  return;
}
 
// 枚举 cameras and microphones.
navigator.mediaDevices.enumerateDevices()
.then(function(deviceInfos) {
 
  // 打印出每一个设备的信息
  deviceInfos.forEach(function(deviceInfo) {
    console.log(deviceInfo.kind + ": " + deviceInfo.label +
                " id = " + deviceInfo.deviceId);
  });
})
.catch(function(err) {
  console.log(err.name + ": " + err.message);
});

• 总结起来，上面的代码中做了以下几件事儿：

  • 首先，判断浏览器是否支持 MediaDevice 接口（老版本浏览器可能不支持）。
  • 如果支持，则调用navigator.mediaDevices.enumerateDevices()方法获取音视频设备列表，该方法会返回一个 Promise 对象。
  • 如果返回 Promise 对象成功，则执行 then 中的函数。而then分支中的函数非常简单，它遍历每一个 MediaDeviceInfo， 并将每个 MediaDeviceInfo 中的基本信息打印出来，也就是我们想要的每个音视频设备的基本信息。
  • 但如果失败的话，则执行 catch 中的函数。

• 设备检测

  • 在获取到电脑 / 手机上的所有设备信息后，我们就可以对设备的可用性做真正的检测了。在我们的设备列表中， 可以通过MediaDeviceInfo结构中的 kind 字段，将设备分类为音频设备或视频设备。
  • ps: https://developer.mozilla.org/en-US/docs/Web/API/MediaDeviceInfo
  • 如果再细分的话，还可以通过 kind 字段再将音视设备分为输入设备和输出设备。如我们平时使用的耳机，从大的方面说它是一个音频设备，但它同时兼有音频输入设备和音频输出设备的功能。
  • 对于区分出的音频设备和视频设备，每种不同种类的设备还会设置各自的默认设备。还是以耳机这个音频设备为例，将耳机插入电脑后，耳机就变成了音频的默认设备；将耳机拔出后，默认设备又切换成了系统的音频设备。
  • 因此，在获取到所有的设备列表后，如果我们不指定某个具体设备，直接调用介绍的 getUserMedia API 来采集音视频数据时，它就会从设备列表中的默认设备上采集数据。 当然，我们是可以通过 MediaDeviceInfo 中的 deviceID 字段来指定从哪个具体设备采集数据的，不过这就是后话了。
  • 如果我们能从指定的设备上采集到音视频数据，那说明这个设备就是有效的设备。我们在排查设备问题的时候，就可以利用上面的方法，对每个设备都一项一项进行检测，即先排查视频设备，然后再排查音频设备。 因此，需要调用两次 getUserMedia API 进行设备检测。
  • 第一次，调用 getUserMedia API 只采集视频数据并将其展示出来。如果用户能看到自己的视频，说明视频设备是有效的；否则，设备无效，可以再次选择不同的视频设备进行重新检测。
  • 第二次，如果用户视频检测通过了，再次调用 getUserMedia API 时，则只采集音频数据。由于音频数据不能直接展示，所以需要使用 JavaScript 中的 AudioContext 对象，将采集到的音频计算后， 再将其绘制到页面上。这样，当用户看到音频数值的变化后，说明音频设备也是有效的。