刘连响：小程序实时音视频在互动场景下的应用

作者简介：刘连响，一起玩耍科技创始人。2013年起开始研究WebRTC， 对音视频处理、 直播、实时音视频相关技术非常感兴趣，具有多个实时音视频产品研发经验。目前关注实时音视频在在线教育，医疗行业的应用。

今天为大家带来的分享是：小程序实时音视频在互动教育场景下的应用。我个人一直在做基础方面的研究，接触音视频也比较早，2013年的时候就开始做包括直播在内的相关产品，有多个音视频研究的相关经验。目前我们关注教育、医疗方向的音视频，以及有关这方面的应用。

下面是我与客户沟通中列出的一些问题，也就是做一个线上教育实时互动的产品会面临的问题：

1. 没有摄像头。比如一个PC机，有些是没有摄像头。如果想要进行视频教育，需要额外买一个摄像头。这就是用户端遇到的问题。
2. 背景比较混乱。一个孩子在固定的电脑前，因为身后的背景比较混乱，可能会不太愿意打开视频。固定电脑没有办法很好地移动，这也是一个问题。
3. 终端设备多样。大家使用的是iPad、手机以及各种各样的电脑，这是多样设备适配的问题。
4. 设备调试。设备的调试跟上一个问题相辅相成，我们发现一些教育客户，要花很多能力给它的C端用户做培训，手机上没有声音，声音变小了，或者类似各种各样的问题，他要花很多人力进行远程电话支持，你要怎么操作。
5. 教务系统多种。这是面对SaaS客户遇到的问题，没有办法接入到排课系统。
6. 网络延迟、视频卡顿。目前为止没有一个特别完美的解决方法，只能说行业在不断进行优化，提升体验。

以上是我列出的问题。有人提到音视频延迟这部分的问题，音频很流畅，但是视频不行，这个技术问题可以归为视频卡顿中。小程序音视频是怎么解决这个问题的呢？先说一下方案介绍。

1. 零基础快速对接。这个比较好理解。小程序提供音视频组件JS API，无须具备音视频基础知识就可以进行应用。
2. 卓越的音视频品质。腾讯已经做了十几年，从QQ时代就有视频通话，质量是端到端、400毫秒以下的延迟、800毫秒的网络抖动，30%丢包。
3. 跨平台互通。小程序、安卓、IOS、Web端，都可以用它的SDK去解决这个问题。

我们为什么会看好小程序音视频在教育行业的应用呢？首先是统一的平台”微信OS”，主要有以下几点：

第一，统一的账户系统。一个APP需要用户去注册登录，而微信有用户头像，有完备的用户信息, 这是微信已经做好的。

第二，标准的接口。小程序的接口很标准，只要记住两个东西就可以，一个是上，一个是下。这两个有相关的接口，只要记住有上有下就可以了。

第三，极简的API。

第四，软硬件遍解码底层适配。如果你做音视频相关的解决方案，尤其是安卓端，iOS还好一些。安卓端因为每个平台硬件的底层不太一样，需要进行适配，比如高通的、三星的、英特尔的芯片，可能每家每个型号的芯片、表现都不一样，这时就需要花很长的时间做适配。我们做这个东西就很痛苦，没有办法通过简单的代码来解决。

在小程序里就不需要担心了，腾讯基于多种机型的适配，已经做得比较完善了。

第五，降噪回升消除。为什么有回声？背景为什么那么噪杂？这是比较难解决的问题，行业里真正做得好的只有很少一部分。

第六，统一的操作路径。小程序都是一样的规范、一样的操作，这些都是非常统一的。

以上是统一平台的部分，下面介绍非常低廉的群传播、打开成本。这是我们的界面，相当于创建一个课堂之后，小程序为你提供了分享的接口，可以做分享的动作。它的分享成本非常低廉。我们假设在原生的APP场景分享了一个链接之后，别人需要下载一个APP进行注册，再回到那个房间、教室，小程序可以极大地简化这个流程。

小程序生态完备。在教育环境，我们有四个环节，教、练、测、管。大家看到录播产品、直播产品，经常在朋友圈转发的课程，这是教的环节。练的环节，我们看到的一些相关产品，比如打卡、题库、作业等，各位多多少少也接触过。测，就是线上考试、比赛、PK的部分。管，就是基于微信群，或者一些督学和家长沟通的工具。在微信小程序环节里面，每一个环节里面都有相应的产品。你再设计解决方案的时候，完全不需要做一个教育产品，还需要做其他的吗？不需要了，你可以在这个生态里只做你擅长的教学内容，其他部分可以和整个生态其他的工具串联起来，你可以有相对统一的用户唯一标识，这是一个非常好的生态，可以帮助你的业务更好地发展。以上是我总结出来的三个点，统一的平台、低廉的传播成本和完备的生态。

那么我们是怎么做的呢？我们刚开始就做了一些小的尝试，内部已经有了产品，下面主要为大家讲一下这个过程中的几点。

首先是基础框架，腾讯官网推出了一个官方的小程序框架，我们选了vuejS和wepy这两个技术。如果你会这两个，一天就可以进行小程序开发了。另外一个是socketio。市面上有些人做了一些第三方的实现，但是我们发现它的bug很多，因为它毕竟不是为小程序而生的，只能移到小程序中使用。typescript的前端和后端都可以用同样的语言来开发，大部分的数据都直接存在redis里面，像一些实时的场景，比如房间管理、操作历史等一系列相关的东西都可以用Reids。我们一开始的时候也有被坑到的点，音视频的部分需要单独开放权限，它开放了直播、教育、医疗和金融这四个分类。如果不开放权限，在调用相关接口的时候就会报错，这里还是需要设置一下。

音视频互动主要有四个部分，pusher、player、房间管理和1V6的实时互动。这是为微信小程序提供的基础组件，只需要一个简单的上和下，其他的场景在这上面不断组合就可以了。房间管理的环境支持1V6，支持上百人、上千人进行观看，相当于这个房间可以支持1000人观看的切入流。房间管理主要是管理学生、pusher和player。在他加入以后，其他人通过房间管理传消息，在收到pusher消息以后再进行相应的接收，它的逻辑是相对简单的。1V6相当于可以左右进行滑动，一个房间可以允许1个老师，6个学员。

下面介绍一下产品设计的时候需要特别注意的部分，因为音视频是一个原生组件，它的层级比其他都要高，这时不能做复杂的交互。简单的滑动还可以做，其他的复杂交互不太好做，比如动画、放大、缩小，很容易造成闪退。最好布局和UI相对简单固定的，我们一开始的交互设计比较复杂，最终改了两个版本，比较简单一些。但现在还有这样的问题存在，需要用更长的时间进行优化。音频比视频更简单一些，因为它的资源消耗比视频小很多，音频的房间几十个人都没有问题，主要是看大家的需求。两三个人进行互动，其他人观看，是这样的一个场景。

教育跟白板是少不了的，包括视频白板。我们做了ppt、doc、pdf格式，现在的版本做得相对简单，相当于把PPT、文档和PDF转成一张张图片进行同步，包括回放的录制。回放后，需要鼠标的指示或三角形、画线操作，在进行广播的时候可以同步在学生端。

文档格式转换，因为会涉及到一些变形的问题，我们摸索出来比较好的方式就是用OpenOffice headless mode。它没有UI，可以拿来操作，通过OpenOffice headless mode的接口进行转换。经过测试下发现它的还原度比较好，不会有太多变形。腾讯云也有文档转换的服务，因为我们已经做了这个部分，也希望对这个系统更可控，所以就自己做了一套转换的服务。

操作历史记录，比如老师翻到下一页、老师画了一个三角形，这些都需要记录下来。提供给你一个时间戳，在回放的时候，根据时间轴就可以。

多人授权白板，相当于老师布置了一个任务让学生进行操作，可以将白板授权给学生，学生来操作白板，老师也可以把权限收回。

动画、音频、视频的支持，目前来看没有很好的方案。例如一些幼教的产品，3岁到6岁这种，它的可见非常活泼、非常丰富，各种动画、视频比较多。单纯的图片转换不太能满足这种需求，这时就需要一些机构进行动画相应的转化。目前，小程序的底层技术还无法很好地支撑这些东西，我们可以在PC端进行这部分。

小程序暂时没有办法支持PDF，这不是小程序的问题，而是操作系统的问题，上传的时候只能选图片和视频。现在iOS已经支持了，可以选择其他文件。而安卓还没有一个统一的结构，小程序目前还不能支持，只能上传一张张图片。

云端录制可以方便学生之后再进行学习，腾讯在小程序音视频上提供了云端的录制，其实就是标准的rtmp流。这部分是额外收费的，如果需要录制的服务可以进行开通。

关于截图鉴黄，教育场景有必要做这些吗？还是非常有必要的。在中国这种大的环境下，多注意都不过分，以防万一，这部分真的非常有必要。

关于云端混流，比如说一个房间里面有五路音视频，你需要把这些流混起来。还有一些其他更特殊的场景，需要将PPT和老师的操作都混起来，这是有一些麻烦的。目前腾讯云的方案提供了视频的混流，可以将多个视频混流，但还没有提到PPT和音视频混流的方案。这部分我们自己有实现一套方案，你可以把音视频录制下来再进行合成。因为我们之前做过类似方案，有一些相应的技术积累，我们尽量在做服务的时候，能可以自己把控的就尽量自己把控。

关于云存储，在录制下来之后存放在腾讯云上面就可以了。

关于合成ffmpeg、moviepy，如果遇到一些合成效果就可以来研究一下，常见的视频效果都可以通过几行命令行来搞定。

关于浏览器合流、screen recorder，大家想象一个场景，在整个教育过程中需要回放合流的时候，假如一个房间五个人，在服务端合流很难完美地浮现学生当时看到的场景，因为回放和学生当时看到的不是完全之一致的。而且像PPT这种操作，没有办法完美合进去。这时候我们有一些技巧，浏览器的合流可以把几个视频合成一个流。甚至把白板、视频、音频都合成一个视频录制下来上传到服务端。它可以将当前窗口完美录制下来，比合流的效果更好一些。这个方案可以考虑，但是有限的浏览器支持，作为一个对服务端混流的补充。

我们应该怎么做呢？WebRTC大家都了解，可以很快地做一个demo。小程序为了节省资源，用的不是RTC的技术，很多市面上的产品已经有那么多平台支持了，这要怎么办呢？腾讯确实也提供了这样的方案，像WebRTC。小程序的音视频就是rtmp，它在传输时基于UDP的协议，只需要将这两个东西打通就可以。腾讯在服务端已经在做将这两种动态打通，我们正常去做音频转码就可以了。腾讯云团队将相关的操作都已经封装成一个比较好的组件，比如RTC多人动画的组件。

WebRTC这部分的能力可以使PC端和小程序进行互通，打包成一个组件提供给大家。同时它也提供相应的服务端的代码，有java版本。它提供的服务可以某种程度满足你的需求，毕竟做得相对集成一些，我们相当于在这个基础之上，自己封装了一套，因为还有很多定制化的需求在。比较好的是你可以快速搭建一个demo，很快地跑起来看到是什么效果。如果真正做深的话，还要基于自己的理解去封装一套东西。

我们说了一些好的方面，接下来再说一下存在的问题：

1. 视频原生组件，不能做太多复杂的交互。视频的部分，它的原生组件，在视频上没有办法做复杂的交互。比如视频之上不能覆盖东西，或者只能覆盖一些比较简单的东西，基于视频的动画也不可以。
2. 品类限制。现在只有四个品类，限制比较多。教育品类已经开放，大家可以使用，也希望可以开放更多的品类，做出更多的场景。
3. 不支持pad。在相对大屏上是不可以的，只能用PC端的产品来进行替代。
4. 不支持模拟器调试。正常开发一个场景，在写完代码后，用这个手机扫一下，另外一个手机再扫一下，调试过程相对痛苦，希望可以支持中远程去调试。
5. 上传文件的限制。这是操作系统的限制，不是小程序的限制。我们希望在操作系统进化的时候，小程序也将相应的能力提升上去。

Q/A

Q：我们发现市场有个特定的应用，刚好跟视频结合比较完美，数量大概有1亿以上。目前了解到有没有支持到这个量级？这个应用已经到了1亿的浏览量上，不知道您现在做的应用，有没有支持大并发？

A：视频能支持这种量级很难，比如斗鱼这种高并发级别宣称有几百万，其实也到不了，可能几十万已经差不多了。主要的压力在于视频，比如现在有的机构一天的课堂数有几万节，这已经非常多了。像你说的1亿可能是应用人数，这不一定就代表了高并发。

Q：您是公司的创始人，我不是做互联网行业的，对这部分不太了解。作为一个外行人想问两个关于产品的问题。第一，我们基于腾讯云小程序所做的开发，随着用户量越来越庞大，对于腾讯云小程序的耦合性越来越紧。紧耦合性将带来一个问题，对腾讯的依赖会越来越深。现在量没有上去时对我们不收费。量级上去就会收费很多。而且，腾讯有自己的公开课或腾讯课堂，我们做的产品对腾讯的市场有了冲击，我们还依赖于它，这种问题应该如何处理？

A：我说一下自己的看法，每个阶段你都有应该考虑的问题。首先更多的还是把产品打磨好，第二个阶段其实你已经有足够的能力摆脱这方面的限制。一个很现实的情况就是，如果你到达一定量级后，很多公司到了C轮、D轮级别，才开始大量去铺自己的基础IT设施。我觉得如果到了两个量级，再考虑这个问题比较OK。我跟腾讯云交流比较多，他们选择一种合作模式，这点从过去几年腾讯一些具体例子可以看到，我认为腾讯还是相对开放。你的问题可能会作为忧虑的一部分，但更多还是把自己的产品做好，让更多的人使用。

Q：现在大家基于小程序做了很多程序，做了自己的APP。平台是没有技术壁垒的，一个没有技术壁垒的产品，是很容易被模仿的。不知道您的投资人是否咨询过关于技术这部分的问题，如果没有技术壁垒，如何在同类产品突出自己的产品亮点，或者凭什么吸引我们？比如教育行业的一些名师就是师资资源上的亮点，但从程序本身，有没有可以打造亮点的地方？

A：技术和产品在这个环节中的应用我想要说明一下，虽然我是技术出身，很重视技术，但是不得不承认一点，在某些行业里技术和产品只是第一步，是重要的第一步。每个公司、每个业务一定是一个整体。你不能说，我只有这一部分强。教育行业是很重服务的，它有很多老师。在这种场景下，它确实很重要，同时还有上层的业务打造。考虑这个问题的时候，还是要想清楚自己的优势，自己能做什么？有什么样的资源？如果你有技术，确实可以省去很多的时间和精力。