最近半年,视频直播领域中产生不少创新玩法,其中包括 K 歌直播和合唱直播。这些创新玩法都用到实时音频混音技术。今天我们来聊一下混音技术的实现,及其在创新玩法中的应用。
混音的应用场景
混音,顾名思义,就是把两路或者多路音频流混合在一起,形成一路音频流。笔者曾经写过两篇关于混流的文章,混流也被称为合流,指的是把视频画面和音频对齐,然后混合成一路音视频流。我们今天要聊的实时音频混音,指的只是音频流的混合。
混音的逻辑可以在终端设备上实现,也可以在服务器上实现,因此可以分为终端混音和云端混音。终端混音一般应用于背景配音,音乐伴奏等场景。云端混音可以是云端混流的一部分,主要目的是利用云端的计算能力去做多路音视频流的音画对齐,还有降低下行带宽成本;也可以做纯粹的云端混音,来实现合唱直播等场景的需求。
混音技术在视频直播应用场景中并不新鲜。视频直播间里比较机械化的掌声、笑声、口哨声甚至背景音乐,都是混音技术的应用。在主播端,采集主播的声音形成音频流 A1,从音频文件中读取音频流 A2,把 A1 和 A2 两路音频流混合,形成一路音频流,这就是混音。
然而,视频直播的玩法创新日新月异。2017 年 12 月酷狗直播上线了 KTV 直播的玩法,主播可以在线跟随伴奏 K 歌,直播间的观众能听到主播和伴奏的歌声,还能看到歌词字幕。2018 年 5 月全民 K 歌上线了合唱直播的玩法,主播和嘉宾一起在线同唱同一首歌,直播间的观众能听到主播和嘉宾的合唱以及伴奏。
这些新的玩法都是对混音技术的深度应用。本文后面将对这两种玩法的逻辑展开讨论。
混音之前的处理
并非任何两路音频流都可以直接混合。两路音视频流,必须符合以下条件才能混合:
- 格式相同,要解压成 PCM 格式。
- 采样率相同,要转换成相同的采样率。主流采样率包括:16k Hz、32k Hz、44.1k Hz 和 48k Hz。
- 帧长相同,帧长由编码格式决定,PCM 没有帧长的概念,开发者自行决定帧长。为了和主流音频编码格式的帧长保持一致,推荐采用 20ms 为帧长。
- 位深(Bit-Depth)或采样格式 (Sample Format) 相同,承载每个采样点数据的 bit 数目要相同。
- 声道数相同,必须同样是单声道或者双声道 (立体声)。这样,把格式、采样率、帧长、位深和声道数对齐了以后,两个音频流就可以混合了。
在混音之前,还需要做回声消除、噪音抑制和静音检测等处理。回声消除和噪音抑制属于语音前处理范畴的工作。在编码之前,采集、语音前处理、混音之前的处理、混音和混音之后的处理应该按顺序进行。静音抑制(VAD,Voice Activity Detect)可做可不做。对于终端混音,是要把采集到的主播声音和从音频文件中读到的伴奏声音混合。如果主播停顿一段时间不发出声音,通过 VAD 检测到了,那么这段时间不混音,直接采用伴奏音乐的数据就好了。然而,为了简单起见,也可以不做 VAD。主播不发声音的期间,继续做混音也可以(主播的声音为零振幅)。
基础混音算法
我们的周遭环境就是个天然的混音场,各种声波在空气中传播,相互叠加,传入到我们的耳朵里。不同声波在空气中的振幅叠加是线性的,因此,在混音算法中,音频采样数据表征声音的振幅,音频数据的叠加也是线性的。然而,我们需要考虑两方面的因素:
混合权重
两个音频流的振幅表示声音的能量水平,然而两个声音可能一个很大,一个很小,对比悬殊。在混音的时候,从用户听音的主观感受来说,是希望两个声音混合后听起来比较均衡。因此,混音算法要考虑两个声音振幅的权重,或者说调节音量。
实践经验表明,采集到的主播声音相对比较小,而文件读取的音频声音比较大,推荐保持主播的声音音量不变,而调节伴奏音乐的音量到一个比较合适的水平,然后再混合。
溢出处理
两个音频流的两个对应的采样点的数据线性相加可能会造成溢出。每一个音频采样点的数据由 16bit,也就是 2 个字节来表示,能够表示的有符号整型数的范围是 -32768~32767。
两个音频流的两个对应的采样点由两个 16bit 的整数表示,这两个整数相加可能会溢出,向上溢出或者向下溢出。因此,混音算法要能够处理溢出的情况。
溢出处理的方法有很多,这里只提一种:直接加和并且钳位,加和后往上溢出的话,就采用最大正值(32767),如果往下溢出,就采用最大负值(-32768)。
混音之后的处理
混音处理以后,要做溢出检测,针对溢出的采样点做溢出处理。也可以做一些平滑处理的操作,不过这不是必要的。混音的效果好不好,最终还是要以用户的主观听感来做判断标准。
混音技术一般不会单独使用。在视频直播场景中,往往是和其它一些技术混合使用。比如说,K 歌直播场景中,用到的技术包括混音技术,歌词与媒体同步传输技术。合唱直播场景中,用到的技术包括混音技术,连麦直播技术等。多种技术的灵活组合使用,就能创造出让主播和用户喜爱的玩法,拉升直播平台的用户活跃度。
混音与 KTV 直播
KTV 直播,也就是线上 K 歌房的玩法,真实地还原了线下 K 歌房的玩法。举个例子,小明是个麦霸,周末想去 K 歌房 K 歌,可是朋友们都没空,约不到人一起 K 歌。于是小明就通过手机或者 PC,进入线上的 K 歌房,房间里有和小明一样的其它用户。和其它用户一样,小明要排队轮流上麦 K 歌,在上麦之前要点好要唱的歌曲。K 歌的时候,小明能听到伴奏和看到歌词,其它同在 K 歌房的用户能听到小明的歌声和伴奏,还能看到同步的歌词,完美地还原了线下 K 歌房的体验。这样,小明就算约不到朋友,也可以在线上 KTV 找到网友一起 K 歌。
从技术的角度来看,本质上 KTV 直播是在视频直播的基础上,混音技术和媒体通道传数据技术的应用。混音技术在上面已经详细介绍,媒体通道传数据技术就是在媒体通道内传输数据信息,比如说歌词等信息。下图展示了 KTV 直播的技术架构:
KTV 直播的技术架构图:
在歌手的终端,歌手的歌声和伴奏音乐被混合,和歌手的视频一起编码成音视频流推送到实时传输网络。这是混音技术,前面已经介绍过。歌词信息和音视频信息是在同一个媒体通道传输的,这样可以保障歌词和音视频同步。这就是媒体通道传数据技术,可以被应用到 KTV 直播,还有直播答题和在线教育等场景。
大概的业务流程如下:
- 歌手端从伴奏音乐库下载伴奏音乐和歌词信息,并实时播放;
- 歌手演唱,歌手端采集歌手的歌声和视频画面;
- 歌声和伴奏被混音,形成单一的音频流;
- 歌词信息和音视频数据一起被编码;
- 音视频流和歌词信息同步被推送到实时传输网络;
- 音视频流经过实时传输网络加速,转发到内容分发网络;
- 轮麦的用户从实时传输网络拉流播放,歌声和歌词同步;
- 普通的用户从内容分发网络拉流播放,歌声和歌词同步。
这是典型的视频直播场景,再加上混音技术和媒体通道传数据技术结合,真实地还原线下 KTV 的效果。
混音与合唱直播
合唱直播,其实是 KTV 直播加上合唱的场景,真实地还原了在线下 K 歌房中合唱的玩法。合唱直播,指的是两个或者以上的用户,随着伴奏看着歌词一起 K 歌。合唱直播和 KTV 直播的关键区别在于,有两个或者以上的用户一起 K 歌,混音的场所(在哪个终端?是终端还是云端?)是考虑的关键,最终要让歌声、伴奏和歌词同步。KTV 直播混音的场所是歌手端设备,而合唱直播的混音场所可以是歌手端设备,也可以是云端,要根据不同的方案而定。
去年 11 月,马云和王菲合唱一首《风清扬》,作为《功守道》的主题曲,成了刷爆朋友圈的热点。如果马云和王菲使用合唱直播技术在线上合唱的话,效果图大概如下:
从技术的角度来看,本质上合唱直播是在视频直播的基础上,混音技术、媒体通道传数据技术甚至加上连麦直播技术的应用。
一般来说,合唱直播有两种方案:
方案一
两个歌手不连麦,混音在终端完成,歌声、伴奏和歌词严格同步,但是只有一个歌手能听到另外一个歌手的歌声。方案一的架构图如下:
这里以马云和王菲线上合唱为例,来说明方案一的业务逻辑:
- 王菲的手机从音乐库下载 MV 播放,包含伴奏音乐、MV 视频和歌词;
- 王菲伴随着伴奏音乐演唱,歌声和伴奏音乐混音,形成音视频流 X 推送到实时传输网络;
- 马云的手机从实时网络拉取音视频流 X 播放,伴奏音乐包含王菲的歌声和 MV 伴奏;
- 马云伴随着伴奏音乐演唱,歌声和伴奏被混音,形成音视频流 Y 推送到实时传输网络;
- 音视频流 Y 经过实时传输网络加速后,被转推内容分发网络(CDN)进行分发;
- 直播间的观众从内容分发网络拉取音视频流 Y 播放。
至此,直播间的观众能听到马云和王菲合唱的歌声,好像他们两个就是在同一个 KTV 里面合唱一样。方案一的优点是,两位歌手的歌声、画面和歌词严格同步,观众的体验最优;不足是,王菲听不到马云的歌声,而马云能听到王菲的歌声,两位歌手没有连麦,缺乏互动。
方案二
两个歌手连麦,混音在云端完成,两个歌手能相互听到对方的歌声,但是歌声、伴奏和歌词难以做到严格同步。方案二的架构图如下:
这里以歌手 A 和歌手 B 合唱为例,来说明方案二的业务逻辑:
- 歌手 A 从音乐库下载伴奏音乐和歌词,歌手 B 同样;
- 歌手 A 随着伴奏音乐和字幕演唱,歌手 B 同样;
- 歌手 A 把采集到的歌声和视频,封装成音视频流,推送到实时网络,歌手 B 同样;
- 歌手 A 从实时网络拉取歌手 B 的音视频流播放,歌手 B 同样,两个歌手实现连麦互动;
- 在云端把歌手 A 的歌声、歌手 B 的歌声、伴奏音乐混音,封装成音视频流;
- 在云端把歌词加入音视频流的媒体通道传输;
- 在云端把音视频流转推内容分发网络;
- 观众们从内容分发网络拉取音视频流播放。
这样可以实现全互动的合唱直播,好像歌手 A 和歌手 B 就在同一个 K 歌房里合唱一样:
- 歌手 A 和歌手 B 相互能听到对方的歌声;
- 歌手 A 和歌手 B 跟随着伴奏一起演唱;
- 观众们能听到歌手 A 和歌手 B 合唱,歌声和伴奏还有歌词大致同步。
方案二的优点是互动感强,两位歌手能相互听到对方的歌声,歌手的体验最优;不足是两位歌手的歌声、伴奏还有歌词很难做到严格同步,原因是两个歌手的歌声、还有伴奏的音乐(三者对应的时间戳)抵达云端的时间难以做到完全一致,受到网络延迟的影响较大。网络状况好的情况下,同步效果较好,和方案一相当,网络不好的情况下,不同步的情况就比较明显。
总结
混音技术作为一项技术,常常被和其它技术灵活组合,来实现具体场景中的玩法创新。上面提到的 KTV 直播和合唱直播都是混音技术的具体应用。视频直播作为一个综合的应用场景,随着技术和业务的发展,逐渐衍生出众多的微场景,包括上面提到的两个微场景。在视频直播微场景需求的驱动下,各种音视频技术点灵活组合能衍生出各种技术方案。
作者简介
冼牛,即构科技资深语音视频专家,北京邮电大学计算机硕士,香港大学工商管理硕士,多年从事语音视频云服务技术研究,专注互动直播技术、语音视频社交和实时游戏语音。
感谢覃云对本文的审校。
评论 1 条评论