Boxing 的制胜关键是快、准、稳，与“音视频开发”有异曲同工之妙。

数字化浪潮席卷、视频化形态加速、终端性能挑战加剧、端侧算力遭遇瓶颈......

是否存在一种可能性，让所有企业从复杂的音视频开发工程中抽身，重新回归业务本身？

一站式音视频服务如何获取？冗长繁琐的 SDK 接入流程怎样简化？能否在降低开发门槛的同时，依然掌握主动权？

场景智能，会是下一个风口吗？

面向场景建设音视频技术能力，如何释放更多“数字生产力”？

应对多样化，音视频终端套件如何满足“千行千面”？

本文由 IMMENSE、「阿里云视频云」媒体服务应用端负责人洪炳峰和 LiveVideoStack 策划、采访而成。

01 掀开数字化浪潮的一面

当谈论行业数字化时，我们在谈论什么？

过去几年中，行业数字化建设如火如荼。

据权威数据，65%的行业数字化信息来自视频，另外，还包含 5%的音频信息。不得不说，音视频技术对于行业数字化来说，至关重要，而音视频数字化也正是行业数字化的先行之态。

昭然可见，承载于云计算的音视频技术，正向各行各业加速渗透，从消费互联网，转向教育、医疗、金融、零售等传统行业，产业互联网纷纷掀起音视频数字化风潮，远程监考、远程医疗、制造监控......视频化早已是万象之风。

更关键的是，这些新场景的涌现，在不停催生对音视频能力的新诉求。显然，行业音视频数字化，不再单纯依赖某几个单独的 PaaS 原子能力，而更需要音视频能力的有机组合。

于是，场景化的音视频方案，迫在眉睫。

我们发现，随着音视频应用场景深化，对“多 SDK”的需求逐渐成为“标配”。

往往一个音视频场景，需要不同 SDK 协同运作，如直播推流+播放，短视频拍摄+播放，直播+RTC 实时互动等，但，动辄数月起步的开发周期让众多企业望而却步。

当然，不只是开发周期一个痛点。所以，当我们在谈论行业音视频数字化时，谈的是众多痛点的攻破。

音视频开发，需要一套有力的「组合拳」？

面对庞大的音视频开发工程，企业落地的痛点显而易见：

音视频开发门槛高。

音视频看似常见，却是一个专业度极高的领域，尤其在端侧开发更需要丰富技术经验，而音视频人才又相当紧缺，企业大多都无此储备。

多 SDK 接入复杂。

每个 SDK 都需要分别对接、分别授权，且 SDK 接入能力的原子化，更提升了多 SDK 互相适配的难度。

海量设备兼容困难。

在行业视频化进程中，更多“轻量化”需求随之而来，Web/小程序等端形态在很多场景下愈发关键。如何保障海量多端设备的 SDK 兼容性，也变得愈加困难。

基于这些行业趋势和挑战，企业的音视频诉求可总结为：高易用、高性能、场景化、多端化的多 SDK 组合及方案。

直面音视频数字化浪潮，想要解穴所有痛点，一套 Media“组合拳”亟需引入，以便让更多企业走出“音视频开发困境”，重新将视线对焦自身的业务逻辑。

02 重新定义「高易用」

MediaBox，音视频开发的百宝箱？

为了彻底解决音视频开发痛点，阿里云视频云推出 MediaBox 音视频终端一体化套件，作为媒体开发利器，可以助力企业加速音视频数字化进程。

MediaBox，顾名思义，是一个包罗万象的音视频魔盒，核心包括一体化的音视频终端 SDK 和一系列面向不同场景构建的 AUI Kits 低代码方案。

MediaBox 音视频终端 SDK，以统一的技术底座，让所有音视频 SDK 在一体化架构下深度融合，实现完全自由灵活组合的同时，将 Size 极致化降低。同时，打通多端底层架构，实现多端一体化，做到一套代码多端复用，目前已覆盖 iOS、Android、Web、Win、Mac 等端。

MediaBox 低代码开发 AUI Kits，是包含 UI 的低代码集成方式。在 SDK 基础上，AUI Kits 封装了场景化的 UI 实现，并配套实现 App Server 与 UI 联动，整体构建了端到端的场景化方案。

依托于阿里云视频云强大的 PaaS 云服务和底层网络技术，MediaBox 就如同一只百宝箱，可对音视频能力随取随用、自由组合，而且 Size 薄如蝉翼，轻松应对行业音视频数字化中的各种疑难杂症。

谁来掌握开发主动权？

音视频终端套件的易用、便捷、高效是基础。而 MediaBox 通过 SDK 灵活组合、AUI Kits 低代码接入、开源开放、支持二次开发，刷新了对「高易用」的定义。

➤ SDK 简易又灵活

MediaBox 提供超过 15 种的 SDK 组合形式，根据应用场景的不同，可自由选配相应音视频能力的 SDK，并且只需对接一次，经过一次 License 授权即可使用，极大简化 SDK 接入流程。

➤ AUI Kits 小时级上线

作为音视频服务的端到端方案，AUI Kits 将多 SDK 和云 PaaS 能力进行场景化封装，打包输出场景功能组件和相对完整的 UI 实现。

通过“低代码”方式快速接入并跑通，可将月/周级的集成时间缩短为小时级，大大降低了企业的接入成本。企业无需关心音视频 SDK 的复杂逻辑和最佳实践，而能更专注于自身的业务实现。

➤ AUI Kits 开源开放、个性定制

除支持敏捷开发外，AUI Kits 还在原来的低代码音视频工厂之上，进行全新升级：

提供开源开放的 UI 和 App Server 源码，允许客户二次开发，自定义打造品牌标识和视觉风格，实现个性化业务定制，让企业在降低开发门槛、缩短开发周期的同时，依然能够掌握开发主动权。

相对以往低代码音视频工厂追求的更快速之上，MediaBox 更聚焦高度的灵活和易用。

值得一提的是，AUI Kits 方案当前是免费的，企业只需为 PaaS 能力付费，即可拥有接近 SaaS 的接入体验，享受 PaaS 的低成本优势。

“高易用”的音视频开发工具正在被重新定义。MediaBox 以灵活、快速、敏捷、个性化、低成本的方式，助力企业一站式极速获取音视频能力。

03 不止「工具」

在「高易用」之上，工具的另一项使命是？

音视频开发工具，既要保证接入前的“高易用”，也要满足接入后的“极致好用”。

企业对音视频的期待是高流畅、低延时、超高清、强稳定、低成本。

基于此，MediaBox 以高可用的稳定性体系，统一的数据指标体系、完善的自动化测试体系，不断优化音视频终端基础性能和核心指标，为客户提供极致体验。

为了保证线上的高效运维，MediaBox 还建设了端到端的全链路排障工具，通过智能分析，快速定位问题出现的链路节点，更快发现、排查和解决问题。

同时，云和端的深度融合，让音视频的“极致好用”更上一层楼。

结合底层网络，AI 技术以及云端处理能力，阿里云视频云打造了云端一体、端到端、全链路的整体方案，满足不同客户的音视频场景需求。

正如 MediaBox 与多元融合流媒体传输网络 MediaUni 的“强强联手”，能为客户提供从 5-6s 的普通直播，到 1s 以内延时的超低延时直播 RTS，再到 60ms 的元渲染业务支持，不同端到端延时选择，满足企业的多样化业务需求。

拥有“场景智能”的工具，才是未来 ？

随着 AI 大模型的发展，一些轻量化模型在终端运行也将成为必然趋势，AI 模型在行业化的落地过程中，会衍生出更多端智能能力。

而 MediaBox 在场景化实践中，同样基于端智能技术，不断创新突破。

例如，在播放器 SDK 中，智能预加载会利用智能算法，基于当前网络状况、用户滑动行为、历史播放行为等信息，动态控制预加载缓存、内存缓存大小，可以节省预加载流量，提升预加载内容的使用效率，达到成本和体验的极致平衡。

随着更多场景的深入，MediaBox 将进化出更多场景智能能力。

例如，在远程教学一对多场景中，学生专注度下降导致教学效果差，是远程教学的永恒痛点。

在此背景下，MediaBox 推出专注度智能检测 SDK，能够实时检测学生的状态变化，将学生的专注度反馈给老师，帮助老师及时感知学生上课情况，提升整体教学效果。

场景智能，为业务赋能带来了更多可能性。音视频终端套件，不止是单纯的开发工具，更是行业的创新型端口，以最轻量的方式，赋予场景全新的数智化能力。

04 万象世界，一“器”当先

开发工具，可以满足“千行千面”？

“行业数字化”高歌猛进的背后，是对行业场景的深刻理解。

回顾音视频技术发展历程，音视频在互娱行业中发展壮大，场景相对简单且成熟，对音视频能力的要求也相对通用。

当音视频向更多传统行业渗透时，由于传统行业由一个个不同场景构成，各场景特点不同且具备明显的行业属性，因此，面向不同行业、不同场景、不同特点，来建设一体化的音视频能力，才能更好满足行业数字化需求。

目前，阿里云视频云已针对不同行业场景，推出 MediaBox 多场景 AUI Kits 方案和多 SDK，包括直播场景的娱乐直播、电商直播、企业直播，互动场景的远程监考、互动课堂，通信场景的语聊房、KTV 以及点播场景的短视频、长视频等。

➤ 在教育行业，为远程教学场景而生的互动课堂 AUI Kit 方案，支持学生专注度智能实时检测，1 万+学生实时白板互动，50+实时连麦，10 万+学生实时观看，满足大班课、公开课等场景需求。

➤ 在零售行业，各大零售商都在尝试建立私域流量池，或自建 APP 进行直播带货。电商直播 AUI Kit 方案，提供丰富的互动直播功能，支撑多家企业从 0 到 1 快速构建直播电商业务。

➤ 在汽车行业，新车发布场景广受关注，企业直播 AUI Kit 方案，助力企业快速搭建直播间功能，打造面向全球车友的重磅新车发布会直播，并保障数十万并发下的优质播放体验。

➤ 在数字阅读行业，除传统文字阅读之外，把文字剧本转为短剧播放成为新风尚，短视频 AUI Kit，基于点播场景的能力诉求，设计与实现了一站式短视频制作播放解决方案。

➤ 在沉浸式场景，VR 全景播放 SDK，采用 FOV 的方式传输音视频数据，可以在提升流畅度的同时，降低带宽成本，同时结合空间音频，实现极致的沉浸式音视频体验。

可以看到，MediaBox 的超能量正在向众多场景释放，而更多行业、场景正需要这样的音视频数字化加速“利器”，以打开新的机遇和空间。

云上艺考，是教育数字化的缩影？

阿里云视频云远程智能监考方案，可作为“音视频数字化”在教育行业有效探索中的一个缩影。

随着“艺考热”的持续升温，组织大规模线下考试不仅需要投入大量人力物力，还需要考生承担长距离线下赴考的时间、经济成本，而很多艺考生往往需要短期奔赴多个学校，这更加剧了负担。但“线下”对于“艺考”这一特殊类型，是惯例的必要。

MediaBox 的场景方案，让所有的艺考生都不必应对这样的苦楚。

阿里云视频云通过远程监考 AUI Kit 方案，联合生态伙伴搭建远程监考平台，成功支撑中国美院今年的本科“云上艺考”，强稳定保障海内外 4 万+考生顺利完成线上艺考。

以低代码方式快速集成，远程监考 AUI Kit 方案提供监考端和考生端的开源组件、架构设计指南，大大降低接入门槛。在端侧覆盖上，覆盖 iOS/Andriod、网页、钉钉应用和微信小程序多端，保障远程监考场景下的“高易用”。

基于全球 3200+节点的底层网络，以及强大的媒体处理能力，远程监考平台可承载 10 万+考生同时在线，实现监考端视频延时 1.5 秒内、1 对 1 通话延时 400ms 内，全方位满足高可靠、高并发、低延时、高清晰度的“极致好用”。

同时，在这样的云考试场景中，也蕴育出新的“场景智能”，阿里云视频云就此开发推出智能防作弊 SDK。

相比传统防作弊，是在云端分析视频截图，分析量大，耗时久，成本高。而智能防作弊 SDK，是在端侧实时检测，包括人体行为检测、电子产品检测、衣服检测、环境检测等，快速上报，速度更快，成本更低，目前已覆盖 Android/iOS/Web 等多端设备。

艺术类考试与其他线上机考不同，要求将主机位画面囊括整块画板以及考生侧脸，但机位不同产生的算法调优会更为复杂。而智能防作弊 SDK 以原子化接入的方式，提供多种端侧实时检测能力，并可根据不同考试场景需要，动态开启、灵活选用，定制化满足线上考试的诸多场景类型。

正是源于对行业音视频场景的深度理解，才能革新解决行业痛点和打开场景新空间。

MediaBox 走向更广的行业场景、探入更深的场景能力，未来离不开与行业生态伙伴的共同创造。此次 LiveVideoStackCon，阿里云视频云也将发布新的生态合作计划，期待与更多生态伙伴携手，打开行业音视频数字化的万象世界。

作为加速“利器”，MediaBox 如何实现行业音视频数字化的新升级？

7 月 28 日下午

LiveVideoStackCon2023 上海站

阿里云视频云专场

阿里云智能资深技术专家带来演讲

《MediaBox：行业音视频数字化再加速》

释放音视频场景的“数字生产力”！