淘寶直播窄帶高清技術(shù),音視頻技術(shù)趨勢(shì)探討

本文來自阿里巴巴淘系技術(shù)部 高級(jí)算法專家王立波在LiveVideoStackCon 2020線上峰會(huì)的分享，從直播背景、直播痛點(diǎn)分析、窄帶高清、云視頻技術(shù)趨勢(shì)幾方面詳細(xì)介紹了如何在確保用戶體驗(yàn)QOS不變的前提下，實(shí)現(xiàn)淘寶直播的技術(shù)架構(gòu)升級(jí)和成本大幅縮減。

本次分享內(nèi)容主要分為五個(gè)部分，首先是全民直播大時(shí)代的背景介紹，第二是直播痛點(diǎn)分析，第三是淘寶直播窄帶高清技術(shù)，第四是音視頻技術(shù)趨勢(shì)探討，最后是在線互動(dòng)。 1 背景-全民直播大時(shí)代

在疫情的影響下，直播從傳統(tǒng)的秀場(chǎng)應(yīng)用逐漸滲透到行業(yè)的各個(gè)領(lǐng)域。包括在線課堂，旅游，政企，房車銷售等等，可以說是全民直播時(shí)代已經(jīng)到來。

在這樣的一個(gè)大背景下，過去一年淘寶直播得以快速發(fā)展。2019年，淘寶直播擁有了4億+的年度用戶規(guī)模，有100萬+年度主播入駐，2000億+年度直播成交以及4000萬+直播商品。春節(jié)期間，釘釘在線課堂更是有350萬+的教師主播，為1.2億+中小學(xué)生提供了在線課程服務(wù)。 2 直播痛點(diǎn)分析

在這么大的一個(gè)業(yè)務(wù)體量下，我們將會(huì)面對(duì)非常多的難點(diǎn)與挑戰(zhàn)?？偟膩碚f，包含以下三個(gè)部分，首先是成本，包括帶寬、存儲(chǔ)和轉(zhuǎn)碼三個(gè)方面。其次是用戶體驗(yàn)，例如畫質(zhì)，音質(zhì)，秒開、卡頓和延時(shí)。最后是效率方面，例如開播的效率、審核的效率和理解分發(fā)的效率。接下來我們就來看一下淘寶在成本和體驗(yàn)優(yōu)化方面做了哪些工作。 3 淘寶直播窄帶高清技術(shù) 3.1 淘寶直播窄帶高清

淘寶直播有三大核心技術(shù)，第一大核心技術(shù)是端上窄帶高清。我們采用HEVC編碼實(shí)現(xiàn)了720p，25fps，800kbps的壓縮，并且PSNR> 43db/VMAF>90。端上窄帶高清技術(shù)主要應(yīng)用有三個(gè)方面：第一是音視頻增強(qiáng)，采用基于AI的圖像增強(qiáng)、美顏和語音增強(qiáng)來提高生產(chǎn)質(zhì)量。第二是感知處理，采用信源信道聯(lián)合自適應(yīng)編碼。第三是S265編碼器，S265編碼器是業(yè)界領(lǐng)先的HEVC編碼器。 第二大核心技術(shù)是零轉(zhuǎn)碼系統(tǒng)，我們實(shí)現(xiàn)了端到端原始流生產(chǎn)的和播放，成功的解決了兩個(gè)核心的痛點(diǎn)問題：不同網(wǎng)絡(luò)速度的兼容和不同播放設(shè)備的兼容，后者主要通過高性能解碼器實(shí)現(xiàn)iOS，Android和H5三端的100%解碼。 第三大核心技術(shù)是低延時(shí)技術(shù)，我們實(shí)現(xiàn)了端到端秒級(jí)延時(shí)。主要依靠?jī)蓚€(gè)技術(shù)，一個(gè)是基于RTC的實(shí)時(shí)直播系統(tǒng)，第二個(gè)是S265低延時(shí)編碼技術(shù)。 3.2 淘寶直播系統(tǒng)架構(gòu)

如圖所示淘寶直播的系統(tǒng)架構(gòu)，從生產(chǎn)側(cè)來看，有采集、增強(qiáng)、感知處理、S265編碼四個(gè)環(huán)節(jié)。云端我們有邊緣的接入，有中心接入、切片錄制和CDN分發(fā)以及邊緣分發(fā)。在播放端有擁塞控制、解碼、渲染和顯示。除此之外，在云端還有內(nèi)容審核，質(zhì)量監(jiān)控，內(nèi)容理解和智能分發(fā)。 3.3 端上窄帶高清

生產(chǎn)側(cè)的第一個(gè)環(huán)節(jié)是圖像增強(qiáng)，為了提升主觀質(zhì)量，我們引入了圖像增強(qiáng)技術(shù)，對(duì)編碼前的視頻做去噪、去抖、紋理增強(qiáng)以及美顏、美型的功能。除此以外，在后處理部分，我們還引入了適時(shí)超分和HDR技術(shù)來提高觀看質(zhì)量。在美顏、美型以及圖像處理等方面，我們引入了GPU的技術(shù)，包括內(nèi)存帶寬優(yōu)化、shader優(yōu)化、Pipeline優(yōu)化等等以減少GPU的開銷。

針對(duì)音質(zhì)的優(yōu)化，我們采用了智能降噪技術(shù)。無論是在STO還是PESQ的指標(biāo)上都顯著高于傳統(tǒng)WebRTC算法，在性能和包大小方面也都可以實(shí)現(xiàn)普通設(shè)備的覆蓋。下面播放的三段音頻，分別是原始音頻、RTC降噪和阿里降噪音頻。原始音頻我們可以明顯聽到馬路上車呼嘯而過的聲音非常強(qiáng)烈。RTC降噪音頻中降噪產(chǎn)生了一定的效果，但是汽車飛馳而過的呼嘯聲還是非常明顯。而在阿里降噪音頻中，我們可以聽到汽車呼嘯而過的聲音已經(jīng)基本消失。

生產(chǎn)的第二個(gè)環(huán)節(jié)是感知處理。我們采用信源信道聯(lián)合自適應(yīng)編碼技術(shù)。感知處理分為5個(gè)方面，首先是ROI區(qū)域的感知，我們基于PixelAI人臉檢測(cè)加商品檢測(cè)，對(duì)ROI區(qū)域進(jìn)行提取和重點(diǎn)編碼。第二是場(chǎng)景的感知，不同的場(chǎng)景適合不同的編碼參數(shù)，我們通過對(duì)場(chǎng)景進(jìn)行分類，對(duì)于不同的場(chǎng)景賦予不同的編碼參數(shù)來提高壓縮質(zhì)量。第三個(gè)是智能碼控CARC，我們采用機(jī)器學(xué)習(xí)的碼率控制，對(duì)簡(jiǎn)單場(chǎng)景賦予較低的碼率，對(duì)復(fù)雜的場(chǎng)景賦予較高的碼率來實(shí)現(xiàn)對(duì)帶寬的節(jié)省。第四個(gè)是網(wǎng)絡(luò)帶寬的感知，在網(wǎng)絡(luò)比較好的時(shí)候，我們會(huì)采用比較高的碼率來實(shí)現(xiàn)畫質(zhì)的提升，在網(wǎng)絡(luò)不太好的時(shí)候，會(huì)降低碼率，避免發(fā)生帶寬擁塞，由于cdn采用峰值收費(fèi)，峰谷時(shí)間段還可以采用不同碼率策略。最后是設(shè)備算力的感知，不同的設(shè)備擁有不同的算力，我們可以實(shí)時(shí)檢測(cè)設(shè)備的算力情況及時(shí)調(diào)整編碼的檔次，以此來實(shí)現(xiàn)對(duì)算力和質(zhì)量的平衡。

生產(chǎn)的第三個(gè)環(huán)節(jié)是編碼，這又要講到我們核心的S265編碼器，得益于S265編碼器的編碼壓縮技術(shù)，我們實(shí)現(xiàn)了淘寶直播的720p、800kbs、25fps編碼，相比于業(yè)界常見的720p 1600kbps 節(jié)省了50%的帶寬。釘釘?shù)脑诰€課堂我們更是把碼率壓縮到了200kbs，并實(shí)現(xiàn)了43db以上的質(zhì)量。S265是淘寶和阿里云共同發(fā)起的HEVC編碼器，目前已經(jīng)實(shí)現(xiàn)集團(tuán)內(nèi)部的開源，并落地在點(diǎn)播、直播會(huì)議等各個(gè)場(chǎng)景中。相比起業(yè)界優(yōu)秀的HEVC編碼器，S265在PSNR指標(biāo)上有比較大的優(yōu)勢(shì)。首先在編碼工具提升方面，我們做了大量工作，實(shí)現(xiàn)了HierarchyB、GPB、Bi-Search、Longterm、RDOQ、AdaptGOP等編碼工具，并且對(duì)這些工具進(jìn)行了大量的算法和速度優(yōu)化。我們還設(shè)計(jì)了50多種快速算法，比如說Deblock的優(yōu)化，編碼速度對(duì)比X265有1倍以上的提速。在工程上的優(yōu)化，我們做了浮點(diǎn)轉(zhuǎn)定點(diǎn)、位寬的縮減、SIMD的優(yōu)化、冗余去除、訪存效率提升及循環(huán)展開等等來提升我們的編碼速度。在框架方面，我們還做了線程調(diào)度優(yōu)化等等。在碼率控制方面，我們對(duì)幀級(jí)別碼控和塊級(jí)別碼控分別進(jìn)行了優(yōu)化，并且對(duì)2pass編碼進(jìn)行了原創(chuàng)性的優(yōu)化來提高2pass編碼的質(zhì)量。在塊級(jí)別碼控中，我們?cè)O(shè)計(jì)了新的CUTree和AQ算法。

下面來看一下S265的幾個(gè)典型優(yōu)化，首先是CU劃分決策，我們把CU劃分決策模塊分成兩個(gè)步驟，一是紋理強(qiáng)度決策，通過計(jì)算CU的紋理梯度來判別平坦塊和復(fù)雜塊，如果是平坦塊就直接退出，如果是復(fù)雜塊就繼續(xù)向下劃分。第一步可以解決大部分塊劃分的決策問題，但是對(duì)于模棱兩可的塊，則需要依靠CNN模型來輔助劃分。我們使用了一個(gè)5層網(wǎng)絡(luò)的小模型把決策的準(zhǔn)確度從72%提升到了96%；這個(gè)成果我們跟清華大學(xué)劉老師合作發(fā)表了一篇論文，在DCC會(huì)議上展示。

第二個(gè)方面的優(yōu)化是運(yùn)動(dòng)搜索方面的優(yōu)化。運(yùn)動(dòng)搜索是從參考幀尋找最佳匹配塊的過程，包含整像素搜索和分像素搜索，分像素需要做7抽頭或8抽頭插值濾波，計(jì)算量大；整像素搜索已經(jīng)有比較多的快速算法，比如菱形搜索、六邊形搜索及分層搜索，但分像素搜索一直沒有什么好的方法。比如在圖中矩形的整像素周圍，分布著60個(gè)分像素點(diǎn)，如果要對(duì)分像素點(diǎn)進(jìn)行全部搜索的話，需要60次，經(jīng)過優(yōu)化之后一般需要搜4個(gè)、8個(gè)或16個(gè)點(diǎn)，但搜索次數(shù)還是比較多的。我們采用一個(gè)二元二次誤差平面方程，用9個(gè)整像素點(diǎn)的預(yù)測(cè)誤差來求解方程的5個(gè)系數(shù)，再對(duì)方程求偏導(dǎo)，可得到最佳分像素點(diǎn)的位置。只需對(duì)這個(gè)最佳分像素點(diǎn)計(jì)算1個(gè)1/4差值，就可以完成我們的搜索過程。這個(gè)技術(shù)在編碼器的整個(gè)提速有12%，但bd-PSNR只有-0.016db。這些成果在VCIP 2016上可以看到。

第三個(gè)是我們的碼率控制。ABR是較適合直播的一種碼率控制方法。但HM中基于