淘宝直播三大核心技术揭秘

本文分享内容主要分为四个部分：

• 全民直播大时代的背景介绍

• 直播痛点分析

• 淘宝直播窄带高清技术

• 音视频技术趋势探讨

背景-全民直播大时代

在疫情的影响下，直播从传统的秀场应用逐渐渗透到行业的各个领域。包括在线课堂，旅游，政企，房车销售等等，可以说是全民直播时代已经到来。

在这样的一个大背景下，过去一年淘宝直播得以快速发展。2019 年，淘宝直播拥有了 4 亿+的年度用户规模，有 100 万+年度主播入驻，2000 亿+年度直播成交以及 4000 万+直播商品。春节期间，钉钉在线课堂更是有 350 万+的教师主播，为 1.2 亿+中小学生提供了在线课程服务。

直播痛点分析

在这么大的一个业务体量下，我们将会面对非常多的难点与挑战。总的来说，包含以下三个部分，首先是成本，包括带宽、存储和转码三个方面。其次是用户体验，例如画质，音质，秒开、卡顿和延时。最后是效率方面，例如开播的效率、审核的效率和理解分发的效率。接下来我们就来看一下淘宝在成本和体验优化方面做了哪些工作。

淘宝直播窄带高清技术

淘宝直播窄带高清

淘宝直播有三大核心技术， 第一大核心技术是端上窄带高清。 我们采用 HEVC 编码实现了 720p，25fps，800kbps 的压缩，并且 PSNR> 43db/VMAF>90。端上窄带高清技术主要应用有三个方面：第一是音视频增强，采用基于 AI 的图像增强、美颜和语音增强来提高生产质量。第二是感知处理，采用信源信道联合自适应编码。第三是 S265 编码器，S265 编码器是业界领先的 HEVC 编码器。

第二大核心技术是零转码系统， 我们实现了端到端原始流生产的和播放，成功的解决了两个核心的痛点问题：不同网络速度的兼容和不同播放设备的兼容，后者主要通过高性能解码器实现 iOS，Android 和 H5 三端的 100%解码。

第三大核心技术是低延时技术， 我们实现了端到端秒级延时。主要依靠两个技术，一个是基于 RTC 的实时直播系统，第二个是 S265 低延时编码技术。

淘宝直播系统架构

如图所示淘宝直播的系统架构，从生产侧来看，有采集、增强、感知处理、S265 编码四个环节。云端我们有边缘的接入，有中心接入、切片录制和 CDN 分发以及边缘分发。在播放端有拥塞控制、解码、渲染和显示。除此之外，在云端还有内容审核，质量监控，内容理解和智能分发。

端上窄带高清

生产侧的第一个环节是图像增强，为了提升主观质量，我们引入了图像增强技术，对编码前的视频做去噪、去抖、纹理增强以及美颜、美型的功能。除此以外，在后处理部分，我们还引入了适时超分和 HDR 技术来提高观看质量。在美颜、美型以及图像处理等方面，我们引入了 GPU 的技术，包括内存带宽优化、shader 优化、Pipeline 优化等等以减少 GPU 的开销。

针对音质的优化，我们采用了智能降噪技术。无论是在 STO 还是 PESQ 的指标上都显著高于传统 WebRTC 算法，在性能和包大小方面也都可以实现普通设备的覆盖。下面播放的三段音频，分别是原始音频、RTC 降噪和阿里降噪音频。原始音频我们可以明显听到马路上车呼啸而过的声音非常强烈。RTC 降噪音频中降噪产生了一定的效果，但是汽车飞驰而过的呼啸声还是非常明显。而在阿里降噪音频中，我们可以听到汽车呼啸而过的声音已经基本消失。

生产的第二个环节是感知处理。我们采用信源信道联合自适应编码技术。 感知处理分为 5 个方面。

首先是 ROI 区域的感知， 我们基于 PixelAI 人脸检测加商品检测，对 ROI 区域进行提取和重点编码。

第二是场景的感知， 不同的场景适合不同的编码参数，我们通过对场景进行分类，对于不同的场景赋予不同的编码参数来提高压缩质量。

第三个是智能码控 CARC， 我们采用机器学习的码率控制，对简单场景赋予较低的码率，对复杂的场景赋予较高的码率来实现对带宽的节省。

第四个是网络带宽的感知， 在网络比较好的时候，我们会采用比较高的码率来实现画质的提升，在网络不太好的时候，会降低码率，避免发生带宽拥塞，由于 cdn 采用峰值收费，峰谷时间段还可以采用不同码率策略。

最后是设备算力的感知， 不同的设备拥有不同的算力，我们可以实时检测设备的算力情况及时调整编码的档次，以此来实现对算力和质量的平衡。

生产的第三个环节是编码，这又要讲到我们核心的 S265 编码器，得益于 S265 编码器的编码压缩技术，我们实现了淘宝直播的 720p、800kbs、25fps 编码，相比于业界常见的 720p 1600kbps 节省了 50%的带宽。

钉钉的在线课堂我们更是把码率压缩到了 200kbs，并实现了 43db 以上的质量。S265 是淘宝和阿里云共同发起的 HEVC 编码器，目前已经实现集团内部的开源，并落地在点播、直播会议等各个场景中。相比起业界优秀的 HEVC 编码器，S265 在 PSNR 指标上有比较大的优势。首先在编码工具提升方面，我们做了大量工作，实现了 HierarchyB、GPB、Bi-Search、Longterm、RDOQ、AdaptGOP 等编码工具，并且对这些工具进行了大量的算法和速度优化。

我们还设计了 50 多种快速算法，比如说 Deblock 的优化，编码速度对比 X265 有 1 倍以上的提速。在工程上的优化，我们做了浮点转定点、位宽的缩减、SIMD 的优化、冗余去除、访存效率提升及循环展开等等来提升我们的编码速度。

在框架方面，我们还做了线程调度优化等等。在码率控制方面，我们对帧级别码控和块级别码控分别进行了优化，并且对 2pass 编码进行了原创性的优化来提高 2pass 编码的质量。在块级别码控中，我们设计了新的 CUTree 和 AQ 算法。

下面来看一下 S265 的几个典型优化，首先是 CU 划分决策，我们把 CU 划分决策模块分成两个步骤，一是纹理强度决策，通过计算 CU 的纹理梯度来判别平坦块和复杂块，如果是平坦块就直接退出，如果是复杂块就继续向下划分。

第一步可以解决大部分块划分的决策问题，但是对于模棱两可的块，则需要依靠 CNN 模型来辅助划分。我们使用了一个 5 层网络的小模型把决策的准确度从 72%提升到了 96%；这个成果我们跟清华大学刘老师合作发表了一篇论文，在 DCC 会议上展示。

第二个方面的优化是运动搜索方面的优化。运动搜索是从参考帧寻找最佳匹配块的过程，包含整像素搜索和分像素搜索，分像素需要做 7 抽头或 8 抽头插值滤波，计算量大；整像素搜索已经有比较多的快速算法，比如菱形搜索、六边形搜索及分层搜索，但分像素搜索一直没有什么好的方法。比如在图中矩形的整像素周围，分布着 60 个分像素点，如果要对分像素点进行全部搜索的话，需要 60 次，经过优化之后一般需要搜 4 个、8 个或 16 个点，但搜索次数还是比较多的。

我们采用一个二元二次误差平面方程，用 9 个整像素点的预测误差来求解方程的 5 个系数，再对方程求偏导，可得到最佳分像素点的位置。只需对这个最佳分像素点计算 1 个 1/4 差值，就可以完成我们的搜索过程。这个技术在编码器的整个提速有 12%，但 bd-PSNR 只有-0.016db。这些成果在 VCIP 2016 上可以看到。

第三个是我们的码率控制。ABR 是较适合直播的一种码率控制方法。但 HM 中基于𝑅−𝜆模型的码率控制方法没有考虑图像块与块之间的参考强度，有些块会被后续帧参考有些不会，应该根据一个块被参考的强度来决定它的量化系数。x265，x264 中引入了 MB-Tree 技术，但是由于帧的 QP 定制不合理，编码效率不高且码控准确度比较差，我们测过平均只有 90%左右。

我们根据“每 1 个 bit 被分配到任何一个 CU，产生的边际价值都相同”这样一个原则，对 MB-Tree 方法进行了理论创新，使得编码精度提升到了 97%，且编码质量提升了 0.65db，对应 17%的码率节省。

这里有包含三个技术，第 1 个，I 帧的 QP 推导，x265 使用了一个经验值，没有考虑到视频本身的特性，这样做很不合理，我们用预分析中低分辨率图像的复杂度和目标码率，经过多次迭代搜索得到准确的 QP；

第 2 个，随着时间的推移，历史帧的复权重越来越高，新产生的帧权重越来越低，导致其不能很快的响应复杂度的变化，我们根据新产生的帧的参考强度计算出一个𝜆 QP，跟原来的 QP 做加权得到真正的 QP，可以及时的反应新产生帧及其后续帧的复杂度；

第 3 个，x265 采用基于 Viterb 的 P 帧决策方法，每个帧都需要跟历史帧比较，复杂度很高，并在判决 P 帧时没有考虑 QP 的影响，准确率也不高。我们的算法只需要计算相邻帧的变化率，并引入 QP 来作为判决阈值，大幅降低了计算复杂度并提高了准确度。这个成果我们与清华大学刘老师合作发表在 TIP 2019 05 月期刊上。

第四点我们来看一下 S265 智能码控技术（CARC）。ABR 追求码率控制的精准度，但是它忽略了场景的平均复杂度。如果设定一个统一的码率目标，简单的场景会出现码率过剩，复杂场景会出现码率不足。

另一个方面，人眼对失真的敏感度存在衰减效应，高于一定阈值敏感度下降，此时存在码率过剩。我们采用一个 CNN 模型对场景进行分类，计算出场景的复杂度因子，根据复杂度因子调节编码码率，可消除简单场景下的码率过剩( > 42db)，并提高复杂场景的质量。

平均下来，我们可以节省 15-30%的码率，以钉钉在线课堂为例，大部分时间画面是静止或慢速运动的，少数时间会播放教学影片，CARC 可以保证播放影片时的质量，同时在静止场景节省大量码字，经过后台统计，钉钉在线课堂 720p 码率在 200kps，且 PSNR 保持在 43db 以上。

最后，我们还有一个画质评价环节。业界常见的客观评价指标有 PSNR，SSIM，VMAF，但这些指标只适合于有源场景；但淘宝内容存在大量的无源场景，比如商家上传的视频，手机硬编码的直播视频，这样的视频，都没有参考对象。针对这种场景，我们训练了基于 CNN 的 VQA 无源评价模型来对视频图像的质量进行评价，并实现对大盘质量的监控，此外，为了指导线下开发，我们还有一个主观评价系统。

接下来让我对淘宝的 S265 编码器做一个简单的总结。MSU 国际编码器大赛是大家所熟知的一个比赛。在去年的比赛中有 100 个序列，同时有 1080p 和 4k 两种测试，有 3 种速度档次，还包括主观和客观测试。

我们用 S265 对 MSU 2019 1080p 的测试序列进行了测试，我们的 PSNR 的指标三个档次上平均节约了 42.1%的码率，对比 2019 年第一名是 37.3%，说明 S265 的 PSNR 指标在业界领先。下面的两张图片，左边是 X265 的结果，右边是 S265 的结果，S265 在主观质量上也有比较大的提升，这里特别感谢清华刘老师在 S265 项目中给予的帮助。

零转码系统

淘宝直播的第二大核心技术是 零转码系统 。普通的有转码系统为了适应不同的网络环境，通常会在服务器集群上对上行码流进行各种分辨率、各种码率的压缩来应对各种网络环境，对于一个好的网络，可能更偏向播出一个高分辨率的视频，如果用户的网络不好，会选择播放低分辨率低码率的视频。

淘宝直播则实现了零转码，播放的是原始的生产流。这需要解决三个核心问题。

第一个是端侧生产， 我们要生产出高质量低码率视频，这个得益于前面说的 S265 编码器以及前处理技术。

第二个就是 H265 的解码兼容性， 目前 H265 在 Web 解码以及手机芯片解码的兼容上做得还不够好，我们在此做了大量的工作来解决这个问题。

第三个是网络环境的适应能力 ，我们可以通过 SVC 技术来适应客户不同的网络环境。

淘宝直播的零转码系统首先需要解决的是 H265 的百分之百解码。对于现在常见的高端芯片，例如 iphone7 以上的手机以及中高端以上的安卓手机都已经支持 H265 的解码，但还有大量的中低端设备并不能支持 H265 的硬解，所以我们开发了一个高性能 H265 解码器。

我们的解码器相比 FFmpeg 有 140%的提速，比业界常见的 libhevc 也快了许多，相比竞品 K 也有 10%以上的提速，可以实现低端机的软解。除此以外，Web 端的解码一直是 H265 的一个痛点，我们实现了 WebAssembly 的解码方案，可以覆盖大部分 pc 解码能力。

除此之外，还有 Webkit+Native 的解码方式。通过这些努力，我们把 H265 的解码实现安卓、IOS 以及 web 端百分之百的兼容从而完全去除转码的环节。

零转码系统需要解决的第二个核心问题是网络自适应技术。这项技术得益于三个方面。

第一个是我们低码率高质量的生产，我们生产的 800kbps 码流在 90%以上网络都可承载。

第二个是时域可分层 SVC 策略，如图，在用户网络较好时，淘宝直播会使用 100%的下发帧率，如果用户网络不好，将会采用 3/4 抽帧来实现 18 帧的解码效果，如果用户网络效果还是不理想，会选择抽取 1/2 的帧来实现 12.5fps 的解码效果。除此以外还有一个基于 A3C 网络来综合用户的网络缓存以及用户当前的编码质量来实现 QoE 的最大化。

低延时技术

淘宝直播的第三个核心技术是低延时技术。我们实现了直播端到端秒级延时，还验证了低延时技术的业务价值；

除此之外，低延时还可以支持新业务形态，如拍卖直播、客服直播等。传统的 HLS/FLV 直播协议的延时，从生产侧来看主要有编码延时、网络延时、分发延时、切片缓冲和播放缓冲，整体加起来大概有 10s 左右的延时。Flv 去除了服务器上的切片缓冲，可以把延时降低到 5s 左右，但延时时间还是比较长。

但淘宝直播的秒级延时采用了 UDP 的流媒体传输协议，WebRTC 的拥塞控制及 FEC、netEQ 的拥塞控制算法来去除播放器缓冲，并且尽我们最大努力减少防抖缓冲的大小。在生产侧，我们还采用了低延时的编码技术来降低编码器的延迟。

这是我们在低延时编码上做的工作。编码延时主要来源三个方面：B 帧、Lookahead 以及 Frame thread。以 x265 为例，编码效率在一定区间内与延时成正比。当延时降低到 8 帧时，编码效率下降 20%，5 帧的编码效率下降 30%；优化后 S265 采用了短距 Lookahead CU-tree 传播代价以及运动强度，作为机器学习模型的训练数据，预测长距 lookahead CU-tree 传播代价来提高我们在低 Lookahead 下的编码质量。如图，S265 在 5 个延时帧下，可达到 95%以上的编码效率。

最后一起来讨论一下音视频技术的发展趋势。我个人觉得传统信号处理已经非常成熟，AI 又有比较强的学习能力，所以怎么结合传统信号处理的优势和 AI 的学习能力来提高我们内容的生产以及内容理解、传输等等的效率是我们下一步的发展趋势。

主要包含五个方面，第一个是视频编解码，第二个是智能语音处理，第三个是图像增强技术，第四个是内容理解算法，第五个是高效传输技术。

基于音视频技术趋势探讨

视频编解码

首先来看一下视频编解码，视频编解码的第一个趋势是云边端一体编码系统。

硬编码主要面对的挑战是 压缩效率 。我们知道传统的手机芯片压缩都会考虑到 PPA 问题，所以会提供一个相对而言较低的压缩效率。

软编码的挑战主要是 压缩速度 ，虽然有些像 Intel 的 SVT 技术可以把压缩速度提到比较高的水平，但是画质会有一些受损。

未来趋势个人觉得 尽可能的利用到端侧的算力 ，采用高性能软编码器来缓解云端转码的成本压力 ，把手机芯片硬编码能力利用起来，但是移动端芯片硬编码的质量还不够好， 如何优化移动端芯片硬编码质量是一个关键的点 ；

其次是云+边的统一的转码。现在越来越多的 ASIC 芯片和 GPU 芯片已经在努力优化编码的质量，包括 FPGA 芯片也有优化方案。所以云+边的转码会成为我们下一阶段研究的重点。

视频编解码的第二个趋势是 下一代编码标准的应用 。主要有 H266、AV1、AVS3，这三个标准目前是各有自己的优势。H266 在传统芯片的支持上比较好；AV1 有先发优势，而且 Web 兼容性较好，在专利上也有些优势；AVS3 经过大家的努力，已经拥有国内生态，且在实体清单的影响下 AVS3 的发展可能会加速。

第三个趋势是 AI+编码 。大家也注意到 CVPR 比赛的情况，AI 压缩可以实现对比 H266 更好的压缩结果，但是在解码速度方面还是会有一些问题，端到端 DL 压缩在未来会是一个研究热点。除此以外，混合编码框架下的 AI 压缩也是一个研究热点；第三是场景自适应编码技术，能够根据场景选择编码也是一个很好的技术；第四个是无参考评价系统，在很多时候，有参考可以评价的比较客观，但很多时候，我们拿不到参考，这时候，无参考评价系统就会比较有优势。

智能语音处理

对于智能语音处理，总结下来主要也分为三个方面。

第一是前端 3A 处理， 主要考察 PESQ，STOI 的指标以及处理和收敛速度，智能降噪，智能回声消除，盲源分离技术，自动增益技术也会是信号处理和 AI 的非常好的结合点；

第二是后端网络自适应， 先考察丢包下的声音体验。这里有音频超分，智能 PLC，自适应码率以及 RSFEC、NACK 来实现恢复与延时的平衡等等；

第三，音效与评价主要考察核声音的主观体验， 如何做到智能美声、自动混响和无参考评价会是我们研究的方向。

图像增强、视频内容理解、高效传输技术

第三个方面是图像增强，即如何利用传统图像增强与 AI 结合达到智能去噪、暗光增强、智能选帧和拍摄辅助的效果。

第四个方面视频内容理解，可以用多模态技术来理解视频内容包括通用物体检测、文本语义理解、自然语言处理 NLP、标签体系和大规模检索技术等等。

第五个方面是高效传输技术，5G 的到来可以提供高带宽，低延时的传输，如何利用 5G 优势实现智能带宽预测，智能调度系统是我们在网络传输方面研究的一个方向。

作者介绍：

王立波（庄恕），淘系技术部高级算法专家，毕业于上海交通大学少年班、应用数学系。现为淘宝直播音视频算法负责人，是 S265 编码器的核心成员，参与完成的项目《编码摄像关键技术及应用》获得 2019 年国家科技进步二等奖。

本文转载自公众号淘系技术（ID：AlibabaMTT）。

原文链接：

淘宝直播三大核心技术揭秘