淘寶直播窄帶高清技術

本文來自阿里巴巴淘系技術部 高級算法專家王立波在LiveVideoStackCon 2020線上峯會的分享，從直播背景、直播痛點分析、窄帶高清、雲視頻技術趨勢幾方面詳細介紹瞭如何在確保用戶體驗QOS不變的前提下，實現淘寶直播的技術架構升級和成本大幅縮減。

文 / 王立波

整理 / LiveVideoStack

本次分享內容主要分爲五個部分，首先是全民直播大時代的背景介紹，第二是直播痛點分析，第三是淘寶直播窄帶高清技術，第四是音視頻技術趨勢探討，最後是在線互動。

1 背景-全民直播大時代

在疫情的影響下，直播從傳統的秀場應用逐漸滲透到行業的各個領域。包括在線課堂，旅遊，政企，房車銷售等等，能夠說是全民直播時代已經到來。

在這樣的一個大背景下，過去一年淘寶直播得以快速發展。2019年，淘寶直播擁有了4億+的年度用戶規模，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。春節期間，釘釘在線課堂更是有350萬+的教師主播，爲1.2億+中小學生提供了在線課程服務。

2 直播痛點分析

在這麼大的一個業務體量下，咱們將會面對很是多的難點與挑戰。總的來講，包含如下三個部分，首先是成本，包括帶寬、存儲和轉碼三個方面。其次是用戶體驗，例如畫質，音質，秒開、卡頓和延時。最後是效率方面，例如開播的效率、審覈的效率和理解分發的效率。接下來咱們就來看一下淘寶在成本和體驗優化方面作了哪些工做。

3 淘寶直播窄帶高清技術

3.1 淘寶直播窄帶高清

淘寶直播有三大核心技術，第一大核心技術是端上窄帶高清。咱們採用HEVC編碼實現了720p，25fps，800kbps的壓縮，而且PSNR> 43db/VMAF>90。端上窄帶高清技術主要應用有三個方面：第一是音視頻加強，採用基於AI的圖像加強、美顏和語音加強來提升生產質量。第二是感知處理，採用信源信道聯合自適應編碼。第三是S265編碼器，S265編碼器是業界領先的HEVC編碼器。

第二大核心技術是零轉碼系統，咱們實現了端到端原始流生產的和播放，成功的解決了兩個核心的痛點問題：不一樣網絡速度的兼容和不一樣播放設備的兼容，後者主要經過高性能解碼器實現iOS，Android和H5三端的100%解碼。

第三大核心技術是低延時技術，咱們實現了端到端秒級延時。主要依靠兩個技術，一個是基於RTC的實時直播系統，第二個是S265低延時編碼技術。

3.2 淘寶直播系統架構

如圖所示淘寶直播的系統架構，從生產側來看，有采集、加強、感知處理、S265編碼四個環節。雲端咱們有邊緣的接入，有中心接入、切片錄製和CDN分發以及邊緣分發。在播放端有擁塞控制、解碼、渲染和顯示。除此以外，在雲端還有內容審覈，質量監控，內容理解和智能分發。

3.3 端上窄帶高清

生產側的第一個環節是圖像加強，爲了提高主觀質量，咱們引入了圖像加強技術，對編碼前的視頻作去噪、去抖、紋理加強以及美顏、美型的功能。除此之外，在後處理部分，咱們還引入了適時超分和HDR技術來提升觀看質量。在美顏、美型以及圖像處理等方面，咱們引入了GPU的技術，包括內存帶寬優化、shader優化、Pipeline優化等等以減小GPU的開銷。

針對音質的優化，咱們採用了智能降噪技術。不管是在STO仍是PESQ的指標上都顯著高於傳統WebRTC算法，在性能和包大小方面也均可以實現普通設備的覆蓋。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。原始音頻咱們能夠明顯聽到馬路上車呼嘯而過的聲音很是強烈。RTC降噪音頻中降噪產生了必定的效果，可是汽車飛馳而過的呼嘯聲仍是很是明顯。而在阿里降噪音頻中，咱們能夠聽到汽車呼嘯而過的聲音已經基本消失。

生產的第二個環節是感知處理。咱們採用信源信道聯合自適應編碼技術。感知處理分爲5個方面，首先是ROI區域的感知，咱們基於PixelAI人臉檢測加商品檢測，對ROI區域進行提取和重點編碼。第二是場景的感知，不一樣的場景適合不一樣的編碼參數，咱們經過對場景進行分類，對於不一樣的場景賦予不一樣的編碼參數來提升壓縮質量。第三個是智能碼控CARC，咱們採用機器學習的碼率控制，對簡單場景賦予較低的碼率，對複雜的場景賦予較高的碼率來實現對帶寬的節省。第四個是網絡帶寬的感知，在網絡比較好的時候，咱們會採用比較高的碼率來實現畫質的提高，在網絡不太好的時候，會下降碼率，避免發生帶寬擁塞，因爲cdn採用峯值收費，峯谷時間段還能夠採用不一樣碼率策略。最後是設備算力的感知，不一樣的設備擁有不一樣的算力，咱們能夠實時檢測設備的算力狀況及時調整編碼的檔次，以此來實現對算力和質量的平衡。

生產的第三個環節是編碼，這又要講到咱們核心的S265編碼器，得益於S265編碼器的編碼壓縮技術，咱們實現了淘寶直播的720p、800kbs、25fps編碼，相比於業界常見的720p 1600kbps 節省了50%的帶寬。釘釘的在線課堂咱們更是把碼率壓縮到了200kbs，並實現了43db以上的質量。S265是淘寶和阿里雲共同發起的HEVC編碼器，目前已經實現集團內部的開源，並落地在點播、直播會議等各個場景中。相比起業界優秀的HEVC編碼器，S265在PSNR指標上有比較大的優點。首先在編碼工具提高方面，咱們作了大量工做，實現了HierarchyB、GPB、Bi-Search、Longterm、RDOQ、AdaptGOP等編碼工具，而且對這些工具進行了大量的算法和速度優化。咱們還設計了50多種快速算法，好比說Deblock的優化，編碼速度對比X265有1倍以上的提速。在工程上的優化，咱們作了浮點轉定點、位寬的縮減、SIMD的優化、冗餘去除、訪存效率提高及循環展開等等來提高咱們的編碼速度。在框架方面，咱們還作了線程調度優化等等。在碼率控制方面，咱們對幀級別碼控和塊級別碼控分別進行了優化，而且對2pass編碼進行了原創性的優化來提升2pass編碼的質量。在塊級別碼控中，咱們設計了新的CUTree和AQ算法。

下面來看一下S265的幾個典型優化，首先是CU劃分決策，咱們把CU劃分決策模塊分紅兩個步驟，一是紋理強度決策，經過計算CU的紋理梯度來判別平坦塊和複雜塊，若是是平坦塊就直接退出，若是是複雜塊就繼續向下劃分。第一步能夠解決大部分塊劃分的決策問題，可是對於模棱兩可的塊，則須要依靠CNN模型來輔助劃分。咱們使用了一個5層網絡的小模型把決策的準確度從72%提高到了96%；這個成果咱們跟清華大學劉老師合做發表了一篇論文，在DCC會議上展現。

第二個方面的優化是運動搜索方面的優化。運動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，分像素須要作7抽頭或8抽頭插值濾波，計算量大；整像素搜索已經有比較多的快速算法，好比菱形搜索、六邊形搜索及分層搜索，但分像素搜索一直沒有什麼好的方法。好比在圖中矩形的整像素周圍，分佈着60個分像素點，若是要對分像素點進行所有搜索的話，須要60次，通過優化以後通常須要搜4個、8個或16個點，但搜索次數仍是比較多的。咱們採用一個二元二次偏差平面方程，用9個整像素點的預測偏差來求解方程的5個係數，再對方程求偏導，可獲得最佳分像素點的位置。只需對這個最佳分像素點計算1個1/4差值，就能夠完成咱們的搜索過程。這個技術在編碼器的整個提速有12%，但bd-PSNR只有-0.016db。這些成果在VCIP 2016上能夠看到。

第三個是咱們的碼率控制。ABR是較適合直播的一種碼率控制方法。但HM中基於−模型的碼率控制方法沒有考慮圖像塊與塊之間的參考強度，有些塊會被後續幀參考有些不會，應該根據一個塊被參考的強度來決定它的量化係數。x265，x264中引入了MB-Tree技術，可是因爲幀的QP定製不合理，編碼效率不高且碼控準確度比較差，咱們測過平均只有90%左右。咱們根據「每1個bit被分配到任何一個CU，產生的邊際價值都相同」這樣一個原則，對MB-Tree方法進行了理論創新，使得編碼精度提高到了97%，且編碼質量提高了0.65db，對應17%的碼率節省。這裏有包含三個技術，第1個，I幀的QP推導，x265使用了一個經驗值，沒有考慮到視頻自己的特性，這樣作很不合理，咱們用預分析中低分辨率圖像的複雜度和目標碼率，通過屢次迭代搜索獲得準確的QP；第2個，隨着時間的推移，歷史幀的復權重愈來愈高，新產生的幀權重愈來愈低，致使其不能很快的響應複雜度的變化，咱們根據新產生的幀的參考強度計算出一個 QP，跟原來的QP作加權獲得真正的QP，能夠及時的反應新產生幀及其後續幀的複雜度；第3個，x265採用基於Viterb的P幀決策方法，每一個幀都須要跟歷史幀比較，複雜度很高，並在判決P幀時沒有考慮QP的影響，準確率也不高。咱們的算法只須要計算相鄰幀的變化率，並引入QP來做爲判決閾值，大幅下降了計算複雜度並提升了準確度。這個成果咱們與清華大學劉老師合做發表在TIP 2019 05月期刊上。

第四點咱們來看一下S265智能碼控技術（CARC）。ABR追求碼率控制的精準度，可是它忽略了場景的平均複雜度。若是設定一個統一的碼率目標，簡單的場景會出現碼率過剩，複雜場景會出現碼率不足。另外一個方面，人眼對失真的敏感度存在衰減效應，高於必定閾值敏感度降低，此時存在碼率過剩。咱們採用一個CNN模型對場景進行分類，計算出場景的複雜度因子，根據複雜度因子調節編碼碼率，可消除簡單場景下的碼率過剩( > 42db)，並提升複雜場景的質量。平均下來，咱們能夠節省15-30%的碼率，以釘釘在線課堂爲例，大部分時間畫面是靜止或慢速運動的，少數時間會播放教學影片，CARC能夠保證播放影片時的質量，同時在靜止場景節省大量碼字，通過後臺統計，釘釘在線課堂720p碼率在200kps，且PSNR保持在43db以上。

最後，咱們還有一個畫質評價環節。業界常見的客觀評價指標有PSNR，SSIM，VMAF，但這些指標只適合於有源場景；但淘寶內容存在大量的無源場景，好比商家上傳的視頻，手機硬編碼的直播視頻，這樣的視頻，都沒有參考對象。針對這種場景，咱們訓練了基於CNN的VQA無源評價模型來對視頻圖像的質量進行評價，並實現對大盤質量的監控，此外，爲了指導線下開發，咱們還有一個主觀評價系統

接下來讓我對淘寶的S265編碼器作一個簡單的總結。MSU國際編碼器大賽是你們所熟知的一個比賽。在去年的比賽中有100個序列，同時有1080p和4k兩種測試，有3種速度檔次，還包括主觀和客觀測試。咱們用S265對MSU 2019 1080p的測試序列進行了測試，咱們的PSNR的指標三個檔次上平均節約了42.1%的碼率，對比2019年第一名是37.3%，說明S265的PSNR指標在業界領先。下面的兩張圖片，左邊是X265的結果，右邊是S265的結果，S265在主觀質量上也有比較大的提高，這裏特別感謝清華劉老師在S265項目中給予的幫助。

3.4 零轉碼系統

淘寶直播的第二大核心技術是零轉碼系統。普通的有轉碼系統爲了適應不一樣的網絡環境，一般會在服務器集羣上對上行碼流進行各類分辨率、各類碼率的壓縮來應對各類網絡環境，對於一個好的網絡，可能更偏向播出一個高分辨率的視頻，若是用戶的網絡很差，會選擇播放低分辨率低碼率的視頻。淘寶直播則實現了零轉碼，播放的是原始的生產流。這須要解決三個核心問題。第一個是端側生產，咱們要生產出高質量低碼率視頻，這個得益於前面說的S265編碼器以及前處理技術。第二個就是H265的解碼兼容性，目前H265在Web解碼以及手機芯片解碼的兼容上作得還不夠好，咱們在此作了大量的工做來解決這個問題。第三個是網絡環境的適應能力，咱們能夠經過SVC技術來適應客戶不一樣的網絡環境。

淘寶直播的零轉碼系統首先須要解決的是H265的百分之百解碼。對於如今常見的高端芯片，例如iphone7以上的手機以及中高端以上的安卓手機都已經支持H265的解碼，但還有大量的中低端設備並不能支持H265的硬解，因此咱們開發了一個高性能H265解碼器。咱們的解碼器相比FFmpeg有140%的提速，比業界常見的libhevc也快了許多，相比競品K也有10%以上的提速，能夠實現低端機的軟解。除此之外，Web端的解碼一直是H265的一個痛點，咱們實現了WebAssembly的解碼方案，能夠覆蓋大部分pc解碼能力。除此以外，還有Webkit+Native的解碼方式。經過這些努力，咱們把H265的解碼實現安卓、IOS以及web端百分之百的兼容從而徹底去除轉碼的環節。

零轉碼系統須要解決的第二個核心問題是網絡自適應技術。這項技術得益於三個方面。第一個是咱們低碼率高質量的生產，咱們生產的800kbps碼流在 90%以上網絡均可承載。第二個是時域可分層SVC策略，如圖，在用戶網絡較好時，淘寶直播會使用100%的下發幀率，若是用戶網絡很差，將會採用3/4抽幀來實現18幀的解碼效果，若是用戶網絡效果仍是不理想，會選擇抽取1/2的幀來實現12.5fps的解碼效果。除此之外還有一個基於A3C網絡來綜合用戶的網絡緩存以及用戶當前的編碼質量來實現QoE的最大化。

3.5 低延時技術

淘寶直播的第三個核心技術是低延時技術。咱們實現了直播端到端秒級延時，還驗證了低延時技術的業務價值；除此以外，低延時還能夠支持新業務形態，如拍賣直播、客服直播等。傳統的HLS/FLV直播協議的延時，從生產側來看主要有編碼延時、網絡延時、分發延時、切片緩衝和播放緩衝，總體加起來大概有10s左右的延時。Flv去除了服務器上的切片緩衝，能夠把延時下降到5s左右，但延時時間仍是比較長。但淘寶直播的秒級延時採用了UDP的流媒體傳輸協議，WebRTC的擁塞控制及FEC、netEQ的擁塞控制算法來去除播放器緩衝，而且盡咱們最大努力減小防抖緩衝的大小。在生產側，咱們還採用了低延時的編碼技術來下降編碼器的延遲。

這是咱們在低延時編碼上作的工做。編碼延時主要來源三個方面：B幀、Lookahead以及Frame thread。以x265爲例，編碼效率在必定區間內與延時成正比。當延時下降到8幀時，編碼效率降低20%，5幀的編碼效率降低30%；優化後S265採用了短距Lookahead CU-tree傳播代價以及運動強度，做爲機器學習模型的訓練數據，預測長距lookahead CU-tree傳播代價來提升咱們在低Lookahead下的編碼質量。如圖，S265在5個延時幀下，可達到95%以上的編碼效率。

4 音視頻技術趨勢探討

最後一塊兒來討論一下音視頻技術的發展趨勢。我我的以爲傳統信號處理已經很是成熟，AI又有比較強的學習能力，因此怎麼結合傳統信號處理的優點和AI的學習能力來提升咱們內容的生產以及內容理解、傳輸等等的效率是咱們下一步的發展趨勢。主要包含五個方面，第一個是視頻編解碼，第二個是智能語音處理，第三個是圖像加強技術，第四個是內容理解算法，第五個是高效傳輸技術。

4.1 視頻編解碼

首先來看一下視頻編解碼，視頻編解碼的第一個趨勢是雲邊端一體編碼系統。硬編碼主要面對的挑戰是壓縮效率。咱們知道傳統的手機芯片壓縮都會考慮到PPA問題，因此會提供一個相對而言較低的壓縮效率。軟編碼的挑戰主要是壓縮速度，雖然有些像Intel的SVT技術能夠把壓縮速度提到比較高的水平，可是畫質會有一些受損。將來趨勢我的以爲儘量的利用到端側的算力，採用高性能軟編碼器來緩解雲端轉碼的成本壓力 ，把手機芯片硬編碼能力利用起來，可是移動端芯片硬編碼的質量還不夠好，如何優化移動端芯片硬編碼質量是一個關鍵的點；其次是雲+邊的統一的轉碼。如今愈來愈多的ASIC芯片和GPU芯片已經在努力優化編碼的質量，包括FPGA芯片也有優化方案。因此雲+邊的轉碼會成爲咱們下一階段研究的重點。

視頻編解碼的第二個趨勢是下一代編碼標準的應用。主要有H26六、AV一、AVS3，這三個標準目前是各有本身的優點。H266在傳統芯片的支持上比較好；AV1有先發優點，並且Web兼容性較好，在專利上也有些優點；AVS3通過你們的努力，已經擁有國內生態，且在實體清單的影響下AVS3的發展可能會加速。

第三個趨勢是AI+編碼。你們也注意到CVPR比賽的狀況，AI壓縮能夠實現對比H266更好的壓縮結果，可是在解碼速度方面仍是會有一些問題，端到端DL壓縮在將來會是一個研究熱點。除此之外，混合編碼框架下的AI壓縮也是一個研究熱點；第三是場景自適應編碼技術，可以根據場景選擇編碼也是一個很好的技術；第四個是無參考評價系統，在不少時候，有參考能夠評價的比較客觀，但不少時候，咱們拿不到參考，這時候，無參考評價系統就會比較有優點。

4.2 智能語音處理

對於智能語音處理，總結下來主要也分爲三個方面。第一是前端3A處理，主要考察PESQ，STOI的指標以及處理和收斂速度，智能降噪，智能回聲消除，盲源分離技術，自動增益技術也會是信號處理和AI的很是好的結合點；第二是後端網絡自適應，先考察丟包下的聲音體驗。這裏有音頻超分，智能PLC，自適應碼率以及RSFEC、NACK來實現恢復與延時的平衡等等；第三，音效與評價主要考察覈聲音的主觀體驗，如何作到智能美聲、自動混響和無參考評價會是咱們研究的方向。

4.3 圖像加強、視頻內容理解、高效傳輸技術

第三個方面是圖像加強，即如何利用傳統圖像加強與AI結合達到智能去噪、暗光加強、智能選幀和拍攝輔助的效果。第四個方面視頻內容理解，能夠用多模態技術來理解視頻內容包括通用物體檢測、文本語義理解、天然語言處理NLP、標籤體系和大規模檢索技術等等。第五個方面是高效傳輸技術，5G的到來能夠提供高帶寬，低延時的傳輸，如何利用5G優點實現智能帶寬預測，智能調度系統是咱們在網絡傳輸方面研究的一個方向。