隨著互聯(lián)網(wǎng)用戶消費(fèi)內(nèi)容和交互方式的升級(jí)，支撐這些內(nèi)容和交互方式的基礎(chǔ)設(shè)施也正在悄悄發(fā)生變革。手機(jī)設(shè)備拍攝視頻能力和網(wǎng)絡(luò)的升級(jí)催生了大家對(duì)視頻直播領(lǐng)域的關(guān)注，吸引了很多互聯(lián)網(wǎng)創(chuàng)業(yè)者或者成熟企業(yè)進(jìn)入該領(lǐng)域。

　　七牛云作為一家以基礎(chǔ)服務(wù)能力見長(zhǎng)的云計(jì)算公司，于6月底發(fā)布了一個(gè)針對(duì)視頻直播的實(shí)時(shí)流網(wǎng)絡(luò) LiveNet 和完整的直播云解決方案，很多開發(fā)者對(duì)這個(gè)網(wǎng)絡(luò)和解決方案的細(xì)節(jié)和使用場(chǎng)景非常感興趣。本篇我們將重點(diǎn)對(duì)直播技術(shù)中的采集環(huán)節(jié)做詳解。

　　采集是整個(gè)視頻推流過(guò)程中的第一個(gè)環(huán)節(jié)，它從系統(tǒng)的采集設(shè)備中獲取原始視頻數(shù)據(jù)，將其輸出到下一個(gè)環(huán)節(jié)。視頻的采集涉及兩方面數(shù)據(jù)的采集：音頻采集和圖像采集，它們分別對(duì)應(yīng)兩種完全不同的輸入源和數(shù)據(jù)格式。

　　音頻數(shù)據(jù)既能與圖像結(jié)合組合成視頻數(shù)據(jù)，也能以純音頻的方式采集播放，后者在很多成熟的應(yīng)用場(chǎng)景如在線電臺(tái)和語(yǔ)音電臺(tái)等起著非常重要的作用。音頻的采集過(guò)程主要通過(guò)設(shè)備將環(huán)境中的模擬信號(hào)采集成 PCM 編碼的原始數(shù)據(jù)，然后編碼壓縮成 MP3 等格式的數(shù)據(jù)分發(fā)出去。常見的音頻壓縮格式有：MP3，AAC，OGG，WMA，Opus，F(xiàn)LAC，APE，m4a 和 AMR 等。

　　音頻采集和編碼主要面臨的挑戰(zhàn)在于：延時(shí)敏感、卡頓敏感、噪聲消除 （Denoise）、回聲消除 （AEC）、靜音檢測(cè) （VAD）和各種混音算法等。

　　采樣率 （samplerate）：采樣就是把模擬信號(hào)數(shù)字化的過(guò)程，采樣頻率越高，記錄這一段音頻信號(hào)所用的數(shù)據(jù)量就越大，同時(shí)音頻質(zhì)量也就越高。

　　位寬：每一個(gè)采樣點(diǎn)都需要用一個(gè)數(shù)值來(lái)表示大小，這個(gè)數(shù)值的數(shù)據(jù)類型大小可以是：4bit、8bit、16bit、32bit 等等，位數(shù)越多，表示得就越精細(xì)，聲音質(zhì)量自然就越好，而數(shù)據(jù)量也會(huì)成倍增大。七牛云在音頻采樣過(guò)程中常用的位寬是8bit 或者16bit。

　　聲道數(shù) （channels）：由于音頻的采集和播放是可以疊加的，因此，可以同時(shí)從多個(gè)音頻源采集聲音，并分別輸出到不同的揚(yáng)聲器，故聲道數(shù)一般表示聲音錄制時(shí)的音源數(shù)量或回放時(shí)相應(yīng)的揚(yáng)聲器數(shù)量。聲道數(shù)為 1 和 2 分別稱為單聲道和雙聲道，是比較常見的聲道參數(shù)。

　　音頻幀 （frame）：音頻跟視頻很不一樣，視頻每一幀就是一張圖像，而從上面的正玄波可以看出，音頻數(shù)據(jù)是流式的，本身沒有明確的一幀幀的概念，在實(shí)際的應(yīng)用中，為了音頻算法處理/傳輸?shù)姆奖�，一般約定俗成取2.5ms~60ms為單位的數(shù)據(jù)量為一幀音頻。這個(gè)時(shí)間被稱之為“采樣時(shí)間”，其長(zhǎng)度沒有特別的標(biāo)準(zhǔn)，它是根據(jù)編解碼器和具體應(yīng)用的需求來(lái)決定的。

　　根據(jù)以上定義，可以計(jì)算一下一幀音頻幀的大小。假設(shè)某音頻信號(hào)是采樣率為 8kHz、雙通道、位寬為 16bit，20ms 一幀，則一幀音頻數(shù)據(jù)的大小為：

　　size = 8000 x 2 x 16bit x 0.02s = 5120 bit = 640 byte

　　圖像采集的圖片結(jié)果組合成一組連續(xù)播放的動(dòng)畫，即構(gòu)成視頻中可肉眼觀看的內(nèi)容。圖像的采集過(guò)程主要由攝像頭等設(shè)備拍攝成 YUV 編碼的原始數(shù)據(jù)，然后經(jīng)過(guò)編碼壓縮成 H.264 等格式的數(shù)據(jù)分發(fā)出去。常見的視頻封裝格式有：MP4、3GP、AVI、MKV、WMV、MPG、VOB、FLV、SWF、MOV、RMVB 和 WebM 等。

　　圖像由于其直觀感受最強(qiáng)并且體積也比較大，構(gòu)成了一個(gè)視頻內(nèi)容的主要部分。圖像采集和編碼面臨的主要挑戰(zhàn)在于：設(shè)備兼容性差、延時(shí)敏感、卡頓敏感以及各種對(duì)圖像的處理操作如美顏和水印等。

　　圖像傳輸格式：通用影像傳輸格式 （Common Intermediate Format） 是視訊會(huì)議 （video conference） 中常使用的影像傳輸格式。

　　圖像格式：通常采用 YUV 格式存儲(chǔ)原始數(shù)據(jù)信息，其中包含用 8 位表示的黑白圖像灰度值，以及可由 RGB 三種色彩組合成的彩色圖像。

　　傳輸通道：正常情況下視頻的拍攝只需1路通道，隨著VR和AR 技術(shù)的日漸成熟，為了拍攝一個(gè)完整的 360° 視頻，可能需要通過(guò)不同角度拍攝，然后經(jīng)過(guò)多通道傳輸后合成。

　　分辨率：隨著設(shè)備屏幕尺寸的日益增多，視頻采集過(guò)程中原始視頻分辨率起著越來(lái)越重要的作用，后續(xù)處理環(huán)節(jié)中使用的所有視頻分辨率的定義都以原始視頻分辨率為基礎(chǔ)。視頻采集卡能支持的最大點(diǎn)陣反映了其分辨率的性能。

　　采樣頻率：采樣頻率反映了采集卡處理圖像的速度和能力。在進(jìn)行高度圖像采集時(shí)，需要注意采集卡的采樣頻率是否滿足要求。采樣率越高，圖像質(zhì)量越高，同時(shí)保存這些圖像信息的數(shù)據(jù)量也越大。

　　以上，構(gòu)成了一個(gè)視頻采集的主要技術(shù)參數(shù)，以及視頻中音頻和圖像編碼的常用格式。而對(duì)于直播 App 開發(fā)者來(lái)說(shuō)，了解這些細(xì)節(jié)雖然更有幫助，但實(shí)際開發(fā)過(guò)程中可能很少能夠關(guān)注采集環(huán)節(jié)中技術(shù)參數(shù)的控制，而是直接在 SDK 中將采集后的數(shù)據(jù)傳遞給下一個(gè)「處理」和「編碼」環(huán)節(jié)。

　　對(duì)于視頻內(nèi)容的采集，目前攝像頭采集是社交直播中最常見的采集方式，比如主播使用手機(jī)的前置和后置攝像頭拍攝。在現(xiàn)場(chǎng)直播場(chǎng)景中，也有專業(yè)的攝影、攝像設(shè)備用來(lái)采集。安防監(jiān)控場(chǎng)景中也有專業(yè)的攝像頭進(jìn)行監(jiān)控采集。

　　目前七牛提供的SDK對(duì)以上兩類攝像頭的采集都支持，對(duì)于手機(jī)，iOS 和Android分別支持前置后置攝像頭的采集，只是 iOS 由于設(shè)備種類和系統(tǒng)版本不多，因此采集模塊兼容性較好；而 Android 需要適配的硬件設(shè)備和系統(tǒng)則非常多，目前支持 Android 4.0.3 及以上的攝像頭采集。對(duì)于專業(yè)攝像機(jī)或者攝像頭，七牛云提供了兼容適合嵌入式系統(tǒng)的 C 語(yǔ)言采集模塊的實(shí)現(xiàn)。

　　屏幕錄制采集的方式在游戲直播場(chǎng)景中非常常見，目前在 Android SDK 中實(shí)現(xiàn)了屏幕錄制的功能。而 iOS 則由于系統(tǒng)本身沒有開放屏幕錄制的權(quán)限而沒法直接操作，但對(duì)于 iOS 9 以上的版本，是有個(gè)取巧的辦法，可以通過(guò)模擬一個(gè) AirPlay 鏡像連接到（當(dāng)前 App）自身，這樣就可以在軟件上捕獲到屏幕上的任何操作，達(dá)到錄制屏幕的效果。

　　在教育直播或者會(huì)場(chǎng)演講場(chǎng)合，經(jīng)常看見需要錄制電腦桌面上 PPT 的場(chǎng)景，針對(duì)這種場(chǎng)景，目前市面上比較方便的方案是使用開源的桌面推流工具 OBS 來(lái)進(jìn)行屏幕錄制和推流。

　　除了從硬件設(shè)備采集視頻進(jìn)行推流之外，也可能需要將一個(gè)視頻或者音頻文件以直播流的形式實(shí)時(shí)傳輸給觀眾，比如在線電臺(tái)或者電視節(jié)目，它們的輸入可能直接來(lái)自于一些已經(jīng)錄制剪輯好的視頻內(nèi)容。

　　以上從采集內(nèi)容和采集源兩個(gè)維度分別介紹了視頻采集相關(guān)的知識(shí)，但對(duì)于采集源來(lái)說(shuō)，市場(chǎng)上可見的采集源遠(yuǎn)遠(yuǎn)不止這三種，即便是攝像頭也有很多分類。對(duì)于一個(gè)完整的覆蓋推流、傳輸和播放三個(gè)環(huán)節(jié)的直播云服務(wù)來(lái)說(shuō)，支持盡可能多的采集源和播放終端是一項(xiàng)既無(wú)法規(guī)避也很難完成的工作。

　　為了支持市場(chǎng)上所有采集源的接入，七牛云在 SDK 中采用了開放式的設(shè)計(jì)，只要采集源實(shí)現(xiàn)方遵循相應(yīng)的接口，即可支持任意的采集源。

　　圖中把采集的內(nèi)容分為圖像和音頻，其中圖像的采集源包含攝像頭、屏幕錄制或者本地的視頻文件，甚至是其它需要重新定義和實(shí)現(xiàn)的采集源。而音頻的采集源包含麥克風(fēng)、系統(tǒng)聲音或者本地音頻文件，當(dāng)然也可以為它定義別的輸入源。

　　這樣設(shè)計(jì)最大的好處在于，可以以輕量的設(shè)計(jì)方式支持豐富的采集源，而采集源的具體實(shí)現(xiàn)也可以交給使用者。