8月25日，2022亞太內(nèi)容分發(fā)大會暨CDN峰會在北京隆重開幕。本次大會由亞太CDN產(chǎn)業(yè)聯(lián)盟、眾視Tech主辦，聲網(wǎng)、金山云、阿里云、騰訊云、網(wǎng)宿 科技 、火山引擎、天翼云等眾多云服務(wù)領(lǐng)域的頭部企業(yè)共同參與。聲網(wǎng)技術(shù)專家唐瀚也受邀參加視頻云技術(shù)論壇，帶來“聲網(wǎng)極速直播場景技術(shù)拆解”的主題演講。

極速直播填補低延時、強同步的輕互動直播方案空白

唐瀚介紹了聲網(wǎng)的極速直播解決方案，他表示，“根據(jù)實時互動的強弱程度以及對延時的不同要求，聲網(wǎng)將互動體驗分為四個級別：強互動、中互動、輕互動、弱互動。強互動延時小于400ms，中互動延時在400-800ms之間，輕互動延時在800ms-3s之間，弱互動延時在3s以上。直播市場主流的直播解決方案主要集中在以聲網(wǎng)互動直播為代表的“中互動”直播方案，以及傳統(tǒng)CDN直播的“弱互動”直播方案。聲網(wǎng)的極速直播則填補了輕互動的直播方案空白。”

聲網(wǎng)極速直播開創(chuàng)了低延時、強同步的"輕互動"直播場景，并支持連麥。極速直播主要面向?qū)ξ淖帧装宓认⒒拥难訒r要求較高，或有低頻音視頻互動需求的直播場景，主播與觀眾端延時在1.5s-2s之間，相比傳統(tǒng)CDN直播方案延時降低 80% 以上，同時直播間內(nèi)90%的觀眾與觀眾間延時差異小于500ms，可滿足電商直播、教育大班課、秀場直播、賽事直播、直播答題、一起看等觀眾需要強同步場景的需求。

隨后唐瀚還從觀眾端同步性、視頻分辨率提升、暗光增強、極速出圖、低卡頓率、弱網(wǎng)對抗能力、實時質(zhì)量監(jiān)控等多個角度介紹了聲網(wǎng)極速直播方案的技術(shù)優(yōu)勢。

引領(lǐng)技術(shù)創(chuàng)新 ?? 聲網(wǎng)榮獲“音視頻技術(shù)領(lǐng)航獎”

本次大會，聲網(wǎng)憑借在實時音視頻行業(yè)的技術(shù)領(lǐng)導(dǎo)力與創(chuàng)新力還榮獲了大會頒發(fā)的“音視頻技術(shù)領(lǐng)航獎”，作為全球?qū)崟r云行業(yè)的開創(chuàng)者與引領(lǐng)者，聲網(wǎng)持續(xù)專注于打磨新的產(chǎn)品與技術(shù)，保持研發(fā)投入，不斷精進自身的專業(yè)，以提升實時音視頻的技術(shù)硬實力，同時也可以滿足不同企業(yè)的場景創(chuàng)新需求。

1、技術(shù)創(chuàng)新賦能豐富場景玩法與體驗： 聲網(wǎng)今年推出“3D空間音頻”和“Lipsync（唇音同步）”兩項分別應(yīng)用于元宇宙等虛擬場景和語音 社交 場景中的前沿技術(shù)。3D空間音頻通過純軟件算法方案，模擬頭部球面區(qū)域立體聲場，使用戶在音頻聽感上具有空間感。當(dāng)用戶操作虛擬人物在虛擬場景里移動，可實現(xiàn)根據(jù)虛擬人物的面部朝向、音源朝向、遠近距離與上下高度，呈現(xiàn)不同聲音效果，完美模擬現(xiàn)實聽覺感受。

聲網(wǎng) Lipsync 無需攝像頭、無需面部表情捕捉技術(shù)，通過深度學(xué)習(xí)算法中的生成對抗網(wǎng)絡(luò)，將中英文（或其他語種）發(fā)音的嘴型、面部表情智能關(guān)聯(lián)起來，驅(qū)動人像模擬真人說話嘴型，支持2D人像圖片和3D人像模型，在語聊房、互動播客、視頻會議等場景中具有巨大的應(yīng)用潛力。

此外，在今年火熱的虛擬活動上，聲網(wǎng)也實現(xiàn)了單頻道高并發(fā)人數(shù)的技術(shù)突破。針對虛擬活動諸如大型會議、會展、演唱會等場景，聲網(wǎng)推出 128 人超級互動頻道，單個頻道可支持多達 128 位用戶同時發(fā)送音視頻流，觀眾人數(shù)無限制，讓房間內(nèi)任何用戶都可以隨時開麥進行發(fā)言交流。

2、加大研發(fā)投入，持續(xù)提升音視頻體驗質(zhì)量： 今年聲網(wǎng)持續(xù)加大研發(fā)投入，推出了 AI降噪、VQA、多倍實時超分等技術(shù)，進一步提升了實時音視頻的體驗質(zhì)量。例如 AI降噪技術(shù)，兼顧了強降噪與高保真，可以在保證人聲無損傷的前提下，更好地抑制噪聲和混響，同時避免了丟字及多人講話時語音被抑制的情況。在視頻會議、語聊房、遠程問診、 游戲 語音等伴有復(fù)雜噪聲的實時音視頻互動場景中，AI降噪可以消除上百種突發(fā)性的背景噪聲，帶來更純凈的通話體驗。

在實時互動場景中，視頻畫質(zhì)是影響觀眾體驗的關(guān)鍵指標，如何實時評價視頻的畫質(zhì)一直是個行業(yè)難題。經(jīng)過聲網(wǎng)視頻算法專家的持續(xù)鉆研，今年正式推出了業(yè)內(nèi)首個可運行于移動設(shè)備端的視頻畫質(zhì)主觀體驗 MOS 分評估模型—聲網(wǎng) VQA (Video Quality Assessment)。VQA 是一套“評價主觀視頻質(zhì)量體驗”的客觀指標，聲網(wǎng)構(gòu)建了大規(guī)模的視頻畫質(zhì)主觀評估數(shù)據(jù)庫，并在此基礎(chǔ)上訓(xùn)練了業(yè)內(nèi)首個可直接在移動端運行的 VQA 模型，它利用深度學(xué)習(xí)算法實現(xiàn)對實時互動場景接收端視頻畫質(zhì)主觀體驗 MOS 分的評估，解除了傳統(tǒng)主觀畫質(zhì)評估對人力評分的高度依賴，極大提高視頻畫質(zhì)評估效率，使實時的視頻質(zhì)量評估成為可能。

另外，在視頻畫面質(zhì)量的提升上，聲網(wǎng)也推出了業(yè)內(nèi)首個運行于移動端的多倍實時超分算法，以較小的算法計算量實現(xiàn)視頻分辨率的三倍超分，有效增強視頻畫質(zhì)，降低視頻傳輸成本。多倍實時超分覆蓋機型廣，中低端機型也能實時處理，對CPU 以及 SDK 內(nèi)存的消耗也很低，可以很好的運用在IoT平臺的實時互動場景、帶寬受限以及視頻首幀需要快速清晰出圖的實時互動場景。

目前聲網(wǎng)已服務(wù)泛娛樂、IoT、教育、 金融 、醫(yī)療、企業(yè)協(xié)作等20+行業(yè)賽道，200+場景，而在全球RTE領(lǐng)域仍然在不斷誕生更多的實時互動創(chuàng)新場景，作為全球領(lǐng)先的實時互動技術(shù)服務(wù)商，也需要保持對創(chuàng)新場景的洞察力，并不斷精進自身的技術(shù)，在提升技術(shù)質(zhì)量的同時也為開發(fā)者與客戶提供更契合市場發(fā)展,更穩(wěn)定、更高質(zhì)的實時互動解決方案。