音频混流技术在直播中的应用

9015790

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。

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：

1、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。

2、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。