One World Together，线上实时合唱技术解析

就在上个周末，我们见证了一场全球共唱的音乐盛事，One World Together at Home。整场活动汇聚了大量的明星大咖，他们通过线上直播的形式，在家里向全球观众献唱，其中出现了多地艺人同屏献唱的曲目，但这实际上是录播的。数百位来自全球各地的演唱者存在现场设备、网络条件的差异，要实时合唱面临的技术难点极大。

著名音乐电台 DJ，SoundArio 音乐基金会创始人加菲众就说：

几百位歌手的时差、现场收录的和网络技术条件各不相同，所以并没有在线实时协作进行直播的可能，甚至两个人一弹一唱都不可能，因为 0.17 秒的延时足以抵消全世界顶级音乐人的现场功力。

这段话中的延时，为什么”足以抵消全世界顶级音乐人的现场功力。我们来举个例子说明一下。以歌曲《稻香》为例，它的钢琴曲谱是 4/4 拍，标准乐曲速度为 80 拍/分钟。副歌部分大约每个音乐小节唱 8 到 12 个字，且主要以八分音符和十六分音符组成，基本上每个音符对应歌词中的一个字。粗略计算的话，大约 200 - 300ms 左右唱出一个字。

不考虑伴奏的情况下，假设两个合唱者 A 和 B 之间的端到端延时为 100ms。从声音传输流程上来说：

• A 先唱，B 听到 A 的歌声。此时产生 100ms 延时；

• B 在听到 A 的歌声后开始加入合唱，歌声传到 A 端。此时又产生 100ms 延时；

那么 A 听到 B 的歌声永远延时 200ms。根据之前唱每个字所用时间的计算，听感上会至少慢半个字，是错位的。

如果要考虑伴奏的传输，以及伴奏与歌声的混音，情况将更加复杂。一般端到端延时只要低于 150ms，听者是感知不到的。所以唱《稻香》这种速度的歌，延时低于 80ms 可以合唱。如果唱更快速、歌词更密集的歌，延时要求更低，否则合唱时两人永远也对不准拍子，演唱者的体验也非常糟糕。中国与美国相距 1 万多公里，光速为 30 万 km/s，光纤传输会有一定损耗，可以按照 20 万 km/s 计算，中美之间按 15000km 物理距离粗略计算，单向延时在 75ms 左右，无法克服的双向物理延时就有大约 150ms。而且，One World Together 中的 4 人合唱场景，涉及到多方协作，情况更加复杂，所以以目前的技术水平，跨超远距离的多方合唱是很难做到的。在 One World Together 中，我们看到的基本都是录播。不过，不论是录播还是真的实时合唱，给观众带来最好的体验才是最重要的。

在很多社交应用中，都有合唱这一功能，这是如何做到的呢？

合唱中的延时

我们首先解读一下延时是如何产生的。这个场景下的延时包括两部分：设备端的延时和端到端的延时，我们需要针对不同阶段的延时，来分析如何降低延时。

音频在采集端、播放端的延时

图：音视频传输流程流程

在这里，音频=歌声，或音频=歌声+伴奏。

• 设备端上的延时包括采集端的采集、前处理、编码，播放端的接收、解码、后处理过程产生的延时，以及两端在编码后和解码前产生端网络延时。

• 端上的延时主要与硬件性能、采用的编解码算法、音视频数据量相关，设备端上的延时可达到 30~200ms，甚至更高。

音频在设备端上的延时还可以细分为以下几点：

• 音频采集延时：采集后的音频首先会经过声卡进行信号转换，声卡本身会产生延时；

• 音频播放延时：这部分延时与播放端设备性能相关；

• 音频处理延时：前后处理，包括 AEC，ANS，AGC 等前后处理算法都会带来算法延时，通常这里的延时就是滤波器阶数；

• 端网络延时：这部分延时主要出现在解码之前的 jitter buffer 内。

• 另外，合唱场景通常会为用户提供各种 KTV 音效，即人声在编码传输前会增加一步前处理，这还会加大音频在端上的延时。

• 若想降低音频在端上的延时，就需要针对不同机型进行编解码算法的优化，以降低音频采集、编解码、音频处理带来的延时。端上延时还与设备性能、系统紧密相关，如果歌手中有一方的设备性能较差，也会影响合唱效果。

端到服务器之间的延时

除了端上的延时，音频数据在端到服务器、服务器到服务器之间的传输过程也会产生较大延时，这也是阻碍“实时合唱”功能落地的重要因素。

影响采集端与服务器、服务器与播放端的延时的有以下几个因素：客户端同服务间的物理距离、客户端和服务器的网络运营商、终端网络的网速、负载和网络类型等。如果服务器就近部署在服务区域、服务器与客户端的网络运营商一致时，影响上下行网络延时的主要因素就是终端网络的负载和网络类型。一般来说，无线网络环境下的传输延时波动较大，传输延时通常在 10~100ms 不定。而有线宽带网络下，同城的传输延时能较稳定的低至 5ms~10ms。但是在国内有很多中小运营商，以及一些交叉的网络环境、跨国传输，那么延时会更高。

服务器之间的延时

在此我们要要考虑两种情况，第一种，两端都连接着同一个边缘节点，那么作为最优路径，数据直接通过边缘节点进行转发至播放端；第二种，采集端与播放端并不在同一个边缘节点覆盖范围内，那么数据会经由“靠近”采集端的边缘节点传输至主干网络，然后再发送至“靠近”播放端的边缘节点，但这时服务器之间的传输、排队还会产生延时。

在实时合唱的场景中，要解决网络不佳、网络抖动，需要在采集设备端、服务器、播放端增设缓冲策略。一旦触发缓冲策略就会产生延时。如果卡顿情况多，延时会慢慢积累。要解决卡顿、积累延时，就需要优化整个网络状况。

合唱也要高音质

唱歌的人都有一个共同的心理需求，就是希望别人夸自己唱得好听。音质在合唱场景下就显得尤为重要了。而影响实时合唱音质的因素主要包括：音频采样率、码率、延时。

采样率：是每秒从连续信号中提取并组成离散信号的采样个数。采样率越高，音频听起来越接近真实声音。

码率：它是指经过编码（压缩）后的音频数据每秒钟传输所表示的数据量（比特）。码率越高，意味着每秒采样的信息量就越大，对这个采样的描述就越精确，音质越好。

假设网络状态稳定不变，那么采样率越高、码率越高，音质就越好，但是相应单个采样信息量就越大，传输时间可能会相对更长。也就是说，高音质也可能会影响延时。

敲黑板：解题思路

之前我们提到，因解决方案的不同，“音频”有着不同的含义，这与你的实现逻辑有关。

1.音频=歌声+伴奏

在采集端，我们传输的音频如果是包括歌声与伴奏。那么就意味着是这样的逻辑，如下图。

• 歌手 A 先获得伴奏；

• A 将歌声与伴奏在本地混音后传输给 B；

• B 根据 A 的音频进行演唱，这时 B 可以听到合唱的效果；

• B 将合唱后的混音传输给 A，A 就可以听到合唱效果了。

• 在这种传输方式下，如果要保证 A 能听到合唱效果，会有两段“端到端延时”，即第 2、3 步产生的。由于 B 听到的是 A 的歌声与伴奏，所以该方案能保证 B 的体验。但由于伴奏传输给 B，B 的歌声又需要再传输回到 A，A 听到的伴奏与 B 的声音其实之间有很大延时。如果按照上文的延时推断，你需要付出更多的努力，才能让端到端的延时降低到歌手 A 能接受的程度。

2.音频=歌声

在这里，并不是说不要伴奏了。为了解决伴奏、歌声之间的延时问题，我们还有一种方法，就是通过云端将伴奏同时传输给 A 和 B，那么基本可以保证两者能在同一秒听到同一个音符。接下来要解决的就只是歌声的传输了。基本实现逻辑如下，也是我们自己的实现方式：

• 声网从服务器或本地获取合唱伴奏；

• 声网通过 SD-RTN™ 将伴奏，实时同步发送给歌手 A 和 B；

• 歌手 A 和 B 会同时听到伴奏，然后根据伴奏开始自己的演唱；

• SD-RTN™ 会实时的将 A 的歌声传给 B 端，同样，B 的歌声也会被实时的传输到 A 端；

• 歌手 A 和 B 都能实时听到伴奏和对方的歌声；

• 同时，观众可以实时听到两个歌手的合唱效果。

• 这种实现逻辑的好处在于，A、B 几乎同时听到伴奏，同时演唱，两者可以实时听到对方的声音。要解决的问题就是降低各自歌声传输到对方的这段端到端延时了。相对来讲，更加简单。

• 除此之外，其实在线下场景中大家可以看到，很多歌手在唱歌的时候通常都会佩戴耳返，那这个耳返的作用效果在线上实时场景中也是非常关键：

（1）歌手用来监听自己的声音和伴奏，并调节自己音色和情感，这个对延时要求特别高

（2）叠加音效和美声，歌手能听到更极致的音效体验

Agora SDK 提供统一接口的低延时 K 歌耳返功能，通过与手机厂商的深度技术合作，可为 K 歌、直播类 App 提供适配不同手机品牌、不同手机机型的耳返应用，我们将传统耳返 100-300 毫秒的延时降低至 50ms 以内，结合 Agora 音频整体解决方案，实现超低延时、超低噪声、极致音效的耳返体验。

本文转载自 声网 Agora 公众号。

原文链接：https://mp.weixin.qq.com/s/yExV6E0CurFexfPKS3kSxA