实时音频混音技术在视频直播场景中的实践

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。