15 KiB
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
-
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