随着音视频和AI技术的发展，在满足用户基础体验和需求情况下，更极致的用户体验和更丰富的互动玩法，成为各个平台打造核心竞争力的关键。LiveVideoStackCon 2022 北京站邀请到火山引擎视频云华南区业务负责人——张培垒，基于节跳动音视频业务实践沉淀，介绍音视频云端一体解决方案如何助力用户体验升级和业务创新。
文/张培垒
编辑/LiveVideoStack
大家好，我是火山引擎视频云商业化方向华南区的业务负责人，张培垒。
火山引擎视频云去年发布了音视频云端一体解决方案，来帮助音视频企业一站式构建抖音同款的音视频能力。
传统的视频观看调优场景中，遇到卡顿黑屏等问题，进行线路调整时通常比较粗粒度，比如只能针对云端CDN线路、特定片区或者运营商的线路调整，精度很难把控。我们在集团内部经过长期的经验积累，形成了一整套的云端一体化的联动、协同的体系，它由终端SDK，即埋点技术、策略调度中心、训练引擎，可以针对用户行为进行打标，最终结合A/B实验通道实现。
-01-
行业趋势与挑战
接下来进一步阐述，云端一体化在商业化场景中的实践和具体的优势。
首先，为什么要做云端一体化？
音视频行业随着移动互联网传输的发展，从早期的播放顺畅发展到现在更多的追求极致体验，主要体现在四个方面：
观看顺畅的追求，短视频和直播场景下越来越追求首帧的加载，feed流切换的平滑。我们此前在短视频实践的分享中，100ms以内用户是没什么感知的，到210ms会出现一个拐点，一旦超过300ms用户离开速度会快速增加。
清晰度上的追求，世界杯中抖音也是大面积尝试了超分，并且取得了不错的市场反馈，一旦尝试了超分的视觉体验后，再去看普通的1080P，就会觉得非常寡淡乏味。
互动实时性，在抖音日常进行的赛事直播和互动直播中，我们都大面积的运用了低延时直播和RTC，低延时直播保障了观看的及时性，RTC的互动性，保障了互娱直播间的乐趣。
沉浸，包括声音和视觉两方面，目前各家都在推出自己的VR/AR方案。我们也在PICO中不断优化升级，在RTC场景，如在游戏中感知队友的方位，运用空间音频技术进行定位。
除了行业的方向，不同的业务的发展，也会经历不同的阶段。
针对初创期的业务，人力投入和买量投放是关键阶段，开发人员在此阶段通常面临着多模块之间进行拼凑的难题，比如同时需要RTC、美颜、剪辑，多模块对接时的SDK组合非常复杂，对接周期以月为单位。
一旦业务稳定后，这里的主要目标就会变成体验的优化，抖音内部面临秒开、首帧优化等体验优化的挑战，如何平衡业务体验和业务增长的关系也是重要的课题。
业务发展的成熟期，目标会更多转向降本增效，在降低内部的运营成本，增加日常维护和运维效率的基础上，同时探索新的业务方向。
-02-
云端一体业务实践
为了适配行业和业务的发展发向，如何借助云端一体化构建自己的业务呢？
图中是整个云端一体化的阶段：
针对初创期的业务，也就是从0-1构建业务的阶段，提供了一站式的全链路方案，覆盖内容的生产、服务、消费。
生产端，我们提供基于短视频的拍摄剪辑制作，即抖音剪同款的能力。基于直播的实时音视频采集、推流，以及视频的二次渲染特效，音频的特性能力。最终采集到的音视频被传输到云端
服务端，云端的服务能力分为三个场景：
-
RTC场景，将音视频合流录制后进入房间，大大降低用户的使用成本；在一些线教育客户中，将RTC房间的流转推到直播，我们提供服务端的转推场景。针对链路的优化，我们进行了弱网的优化，包括UDP防丢包策略。
视频直播场景，可以做到云端的时移、转码、录制，分发一体化
点播场景，具备媒资的管理、处理、分发、审核的能力。
消费端，借助抖音集团生态下的播放器能力，嵌入SDK后即可具备秒开，零首帧，超分，265等能力。
除了业务模块的能力以外，结合C端用户的业务场景，提供了丰富的demo，如互动直播、电商直播和远程会议。目的是便于业务方快速集成，开发人员可以基于demo的源码快速构建业务。源码中的api覆盖了几乎所有常见的终端能力，最常见的是RTC和美颜的打通，直接调用美颜的api进行视频采集和二次渲染，极大提升了采集、渲染、传输联动式的一体化效率。整个demo里面把多端的能力融合，包体容量也可以根据需求做最小化的裁剪，帮助业务快速上线、验证。
在业务快速上线后，体验的优化会成为这一阶段的重要目标。此时，需要具备QoS/QoE体系，在我们的整个云+端体系中，对应有完整的数据体系，让业务开发者省去了数据上报、采集、治理的流程。可以直接借助全面的QOS指标来进行A/B实验，比如在点播场景的优化中，上传协议分为A/B采样组，A组使用QUIC，B组使用TCP，端侧实时观测首帧时间以及播放时长的指标情况，最终根据A/B实验结果进行快速策略调整。
同样，在观看直播分辨率的过程中，根据用户观看分辨率的集中性，来针对性修改转码的模版，什么样的终端适配什么样的分辨率等等。这里做的大量的QoS以及QoE的验证，都会沉淀为我们云端的服务策略，最终的体现就是，火山引擎视频云播放的策略、转码策略、存储沉降的策略都会非常适配业务的实际需求场景。
经过长时间大范围的A/B测试，我们积累了非常丰富的视频体验数据：
直播延迟vs播放时长：直播延迟每增加4s，终端用户的播放时长会下降1个百分点；
画质vs播放时长：开启720P超分后，时长增加2个百分点；
编码优化vs播放时长：在采集、转码、解码全链路使用自研的BVC算法后，播放时长增加了5个百分点；
卡顿率vs播放时长：降低卡顿率带来的播放时长的正向增长；
首帧vs播放时长：短视频的feed流首帧时间在超过210ms以后，用户的留存会快速下降；
成本vs收益：视频渲染，成本增加的同时带来业务增长。
业务发展到成熟阶段，降本增效就会成为主题，我们自己和很多外部客户在这一阶段会经常抱怨，当终端侧用户不断反馈卡顿、黑屏的问题时，我们很难在云端协助排查，最多提供客户端IP和运营商地址信息，很难准确定位到出现问题的播放阶段。
采用云端一体化方案后，很大程度解决了这一问题，将质量平台与终端和告警系统打通，精细化的追踪到生产端、服务端、消费端的指标数据。可以基于用户请求的session粒度追踪到问题存在的阶段，并采取针对性的策略调整，同时解决了质量优化和运维投入的矛盾，提高了问题定位的效率。
下面是几个具体的case：
第一个是在问题排障过程中的智能归因，根据终端播放失败的趋势对比，归因分析到是单用户问题还是聚集性问题，结合云端的线路错误码做进一步的趋势预判，错误的运营商，地区分布等，对比没有云端协调一体化的手段下，极大降低了排障时间，实现分钟级定位。
第二个是单点追查，基于单用户和Session级别的问题定位，追踪到问题环节，每个环节都能够展示较详细的错误信息。进一步细分播放详情，如首屏时长细分为加载数据、预处理、播放器准备耗时、整个播放环节的播发码率和终端的下载速度情况。终端播放时的每次事件记录，以及事件发生的持续时间也都有记录。
最终用户投诉的解决效率提升50%。
效率提升后，另一个课题就是业务创新，我们融合了多种玩法，包括互动特效、AI算法、配套丰富的素材和工具，提升内容创作者的效率和成功率，最直接的体现就是在抖音业务上。
主要有几大模块组成：
视频创作，大家熟知的抖音拍同款、剪同款，各种特效，智能字幕，能够根据视频中说话的声音自动生成字幕并进行多语言翻译、BGM授权，我们购买了丰富的版权方素材，方便智能创作者生成背景音。
算法模块，达到一定的渲染效果需要算法积累，可以基于面部，手势，肢体，甚至是情绪和特征做点位识别，也就是日常大家抖音观看过程中的，给拍摄者增加笑脸，脸萌特效，增加了视频的趣味性，还有渲染模块，包括虚拟形象，AI小游戏等。
最终这些业务运用到不同的创新场景下，比如我们有些客户做医美、微整形的效果体验， 电商场景下的基于人脸点位的AR试妆，在线教育下设计与课程相关的动画、特效，增加趣味互动性，视频直播场景下的视频美化，增加1V1场景中的观看时长。
-03-
音视频云端一体解决方案veVOS
最后基于以上几个阶段的最佳实践，总结一下抖音同款的音视频云端一体化解决方案veVOS。
整体框架由底层的云端服务作为基座，针对RTC场景的下的音视频通话传输网络，视频后处理，弱网优化等，针对直播下的转码、分发录制，针对点播的媒体处理和分发。
客户端打包丰富的SDK套件，包括RTC音视频的采集、播放器、视频制作、特效、直播的SDK等。全链路配备质量平台监控，保障QoS和QoE，底层通过策略平台来进行相对应场景的策略调整。
应用场景从在线音视频到社交娱乐、媒体资讯及在线教育。
通过去年到现在商业化的情况对比，云端一体化方案取得了非常不错的效果，总结主要优势点如下：
一站式方案，简单上手，传统的RTC场景客户对接到上线需要4-7周的时间，而一站式方案从接入到上线业务，时长缩短到2周，SDK的集成更是2天即可完成。
通过完善的质量和体验监控，能够不断优化QoS和QoE，用户在集成方案后，视频秒开率和用户播放时长有了显著提升。
集成很多创新玩法，在云加端的背景下，配合多个SDK孵化出了一起看抖音短剧，配合美颜贴纸，打造了脸萌社交场景，为客户制造很多新的增值服务。
依靠亿级DAU产品，也就是抖音的打磨，不断发现很多未知的问题，机型也做了最大程度的兼容，是业界领先。
最后，希望更多的业务合作伙伴体验云端一体化解决方案，希望抖音集团内部的科技创新能够助力用户体验升级和业务创新。
以上是本次的分享，谢谢！
▲扫描图中二维码或点击“阅读原文” ▲
查看更多LiveVideoStackCon 2023上海站精彩话题
