技术分享| anyRTC 音视频混流技术解析

一，简介

在视频通讯场景中，比如会议、直播等经常能看到图像合成的场景。图像合成是在指定的一块画面区域，在这个区域内，按画面的位置(坐标)布局，将区域中的每个视频画面的像素混合计算成一个像素（RGB）。比如以下是 anyRTC 的 H323 合成画面：

二，图像合成

如图所示，一幅图像或画面是由很多图层叠加而成的，而图层通常分为背景层和叠加层，基于图层可以叠加成需要的画面布局。在计算机上一幅图像的显示大多数是以 RGB 的颜色标准，对于图像的合成本质上是在每个像素上进行 RGB 颜色值进行叠加。

背景图层就是通常意义上的画布，他限定了画面合成的范围区域，在背景图层分辨率范围之外的图像画面是不能被合成的，通常会使用纯色画布来充当背景图层，当然也可以使用图像作为背景填充。

叠加图层顾名思义就是在背景图层上进行画面叠加，每一个叠加图层都会根据设定的位置参数叠加到在背景图层之上一块对应区域。从原理上来说，叠加图层作单独来看，其也是由背景图层和叠加图层组合而成。混流区域内的 RGB 像素颜色值，是根据其位置上所有图层（包括背景图层和叠加图层）对应的颜色值，按规则计算出来。在对图像进行合成之前，需要先将图层的布局合理安排，以免出现图层遮挡、位置偏移、超出背景范围、色值偏差等问题。

三，音频合成

音频合成又称混音，就是把多路音频源混合在一起，基本原理是将多个音频源的波形按一定的算法进行叠加计算，混合成一路音频波形。我们知道在计算机中所有的音频数据都是数字采样，但是音频叠加的算法是非线性的，不能简单地对波形数据的值进行加减。

通常在混音时，需要先对音频输入源统一采样率(SampleHz)、位宽(BytesPerSample)、声道(Channels)等参数，然后再对 PCM 波进行混合，混合的方式一般有以下几种：

现在随着 AI 技术的不断发展，使用 AI 来做音频合成的越来越多，使用 AI 来做音频合成的优点就是，AI 会提取学习音频的数据特征，比如人声，AI 可以将人的声音重要特征提取出来，在合成时可以保证不失真，并且摒除一些噪声，这样合成出来的声音保真度就非常好。

如下是常用的音频混音的流程图：

四，总结

音视频合成技术应用的场景非常多，实现的方案也非常多，比如常用的 FFMpeg 就对音视频合成支持的非常好，可以轻松使用一个 FFMpeg 命令行，就是实现 2 个甚至多个视频文件的合成工作。anyRTC 使用的音视频合成技术是在通信过程中，所以对实时性要求比较高，anyRTC 同时会根据业务场景以及用户的需求，选择不同的策略来实现不同场景下的音视频合成的需求。