在与同行交流过程中,发现很多同行对 WebRTC 改动太多,导致无法升级 WebRTC 版本。而 WebRTC 开源社区的快速迭代,让他们感到欣喜又焦虑:开源社区的迭代效果,是不是超过了他们对 WebRTC 的优化效果?我们针对特定场景优化 WebRTC 时,怎么紧跟 WebRTC 开源社区通用的优化?
作者:阿里云智能技术专家 熊金水
理念
简言之,把 WebRTC 作为 Framework 使用,而不是 Library,即:WebRTC 仓库轻量化,核心模块插件化。
详细的,WebRTC 作为 Framework 串联核心模块;核心模块既可以以插件形式使用我们的实现,也可以 Fallback 到 WebRTC 的默认实现。目的是减少 WebRTC 冲突的可能性,提高升级 WebRTC 的敏捷性。
目标:一年升级一次 WebRTC,一次花费一个人月。
架构
模块拆解
WebRTC 的核心模块,包括:
音频
- ADM 采集、APM、ACM 编码;
- NetEQ 与解码、AM、ADM 渲染;
视频
- 采集、编码;
- JB、解码、渲染;
通用
- RTP 打包与解包、FEC 生成与恢复、CC 与 Pacer、ICE、SDP 信令等。
WebRTC 在长期的演进中,API 已经具备了作为 Framework 的大部分能力。红色的核心模块,已经基本可以插件化,如下面的 API:
仓库管理
light-rtc 作为 WebRTC 仓库,我们需要保留两个 Remote,一个是 Alibaba,一个是 Google。升级 WebRTC 时,我们从 Google 上 Pull 最新代码, 解决冲突,然后 Push 到 Alibaba。
对插件化的模块,我们需要放到单独的仓库 lrtc-plugin 里,这样有两个好处:
- 对 light-rtc 仓库改动少,减少与 Google 冲突的可能性;
- 更重要的,让每个开发同学,在每次改动前,更主动、更有意识的思考,放到哪个仓库更合适,否则容易惯性思维,直接改动 light-rtc。
对 lrtc-plugin 依赖的第三方库,也应该以单独的仓库存在,并保留两个 Remote,比如 Opus,这样,即使修改了 Opus 源码,仍然可以像升级 light-rtc 一样,方便的单独升级 Opus 版本。
模块
Codec
音频编解码器、视频编解码器,是我们最常优化的部分之一:
- 新的编码工(AV1/SCC/ROI 等)优化视频质量和带宽;
- 分辨率自适应,使不同能力(编码能力、发送带宽等)的发送端,发送不同分辨率的码流;
- Simulcast,为不同能力(解码能力、显示能力、接收带宽等)的接收端,提供不同分辨率码流;
- SVC,提供时域/空域分层;
- 新的视频解码实现,规避 Mac 硬解卡死等问题;
- 新的音频编码器,适配商用接收端; ……
这部分插件化是相对简单的,只需要实现自己的 [Video|Audio][Encoder|Decoder]Factory
即可。以 Simulcast为例,在自己实现的 VideoEncoderFactory 里,先用 WebRTC 原始的 VideoEncoderFactory,创建多个 Encoder 对象,然后封装到一个 Simulcast Encoder 里。
ADM
很可惜,ADM(Audio Device Module)没有提供检测设备插拔的功能,需要增加 Callback 接口。
另外,虽然 WebRTC 支持样本数量的监控,但是当前只用于打印日志,如果想在此基础上做更多事情(如:发现采集样本为 0 时,重启采集),则单独做一个 AudioSampleMoniter 的类,比较有利于扩展。
ADM 是一个适配难点,相信是困扰 RTC 同行的共同难题。不同操作系统、不同机型,都可能有不一样的问题。例如:
- Mac 3.5mm 耳机插拔时,偶尔崩溃;
- Mac 获取的设备 ID 在插拔后发生变化,不能做持久化;
- 联想 X1 电脑,多次插拔后,整个 Audio 后台服务失效;
- 某些 Windows 机型采集不到声音;
- 某些手机采音权限问题; ……
这些修改大部分属于 Bugfix,参考“Bugfix”章节。
APM
APM(Audio Processing Module)可能是 light-rtc 相对难处理的部分。
APM 与 NetEQ 一起,可能是 WebRTC 核心模块中,开源价值最大的部分。在我对 APM 有限的认知里,对 APM 常见的优化可能有:
- 混音后的远端信号,做滤波/均衡处理。这是业界不少音频算法的必要条件;
- 利用 Android 手机特性,优化 AECM,尤其是 Double Talk 时的效果;
- 啸叫检测与抑制;
- 利用机型特性,优化 AGC,提高语音音量; ……
下图是 WebRTC APM 内部模块的数据流程图:
从图中可以看出,APM 其实也为插件化做了准备,但是只在近端信号的尾部、远端信号的头部。从 APM 构造函数上也可以看出来:
滤波/均衡,可以方便的实现一个 CustomProcessing 的 render_pre_processor。
其他的优化,遵循轻量化/插件化的理念,没有现成的插件接口,我们可以创造新的插件接口,如啸叫抑制,以及 AECM 优化的部分算法。
但 APM 仍然会有很多没办法插件化的,只能修改 light-rtc 仓库,如 AECM Double Talk 优化等。
AM
AM(Audio Mixer)的插件化,可以在不修改 light-rtc 的基础上,玩出很多花样:
- 播放本地文件;
- 借助语音检测算法,优化语音排序,从而选出更准确的语音做混音;
- Mono 变成 Stereo,借助 HRTF,可以在多方同时说话时提高说话人辨识度和可懂度;
- 对 RTP 方案的回放,倍速回放时变速不变调; ……
FEC
FEC(Forward Error Correction),常见的修改:
- 调参,如冗余度、MaxFrames、Table 类型,包括固定参数和动态自适应调参两类,已有的插件接口 WebRTC::FecControllerFactoryInterface 即可满足;
- RSFEC,需要创造新的插件接口;
- Opus Inband FEC。WebRTC 动态配置的 Opus FEC 参数,不能很好的解决弱网时声音卡顿问题。这时,一个办法是把 Opus 独立成仓库,直接修改 Opus 编码器。
CC
CC(Congestion Control),包含两个方面,一个是 CC 算法本身,一个是 CC 关联模块。
算法本身,可以用不同的算法实现,如 WebRTC 默认的 goog_cc,也可以是 BBR,甚至是满足 WebRTC::NetworkControllerFactoryInterface 接口的外部插件。
关联模块:
- 带宽分配:不同场景可能不一样,如视频会议里,需要“保音频、保屏幕”。可以通过 rtc::BitrateAllocationStrategy 实现插件化。
- Pacer 调优:对于屏幕内容,I帧往往非常大,WebRTC 的 2.5 倍的发送带宽,会导致巨大的首帧时间。具体解法见仁见智。 ……
VideoRender
Android、iOS、Mac,WebRTC 都提供了默认的实现,虽然有少量 Bug,但是基本满足需求。
Windows 平台,早期 WebRTC 提供了 D3D 的实现,最新版已经剔除,我们可以在 lrtc-plugin 仓库实现自己的 D3D,或者其他的渲染,如 QT OpenGL。
VideoProcess
WebRTC 并没有提供视频前处理(如:美颜)、后处理(如:超分辨率)的接口,但是我们完全可以像 rtc::BitrateAllocationStrategy 一样,创造 VideoProcessInterface 接口, 并在 lrtc-plugin 仓库里实现。
让 VideoProcessInterface 同时继承 Sink 和 Source 接口,可以方便的把多个对象串联起来。
其他 & Bugfix
其他核心模块,如 JitterBuffer、ICE 等,目前接触的主要是 Bugfix,还没有发现自己定制重写的必要。
Bugfix,往往只能修改 light-rtc 仓库。一方面,是尽量把 Bugfix 内聚成函数,减少对已有代码的修改;另一方面,尽量把 Bugfix 贡献到开源社区(Issue Tracker),既为开源社区做了贡献,也彻底避免了升级的冲突。
贡献到开源社区,往往比想象的要复杂,但也更能锻炼人。在特定场景,往往只用了 WebRTC 一部分能力,如视频 JitterBuffer,一个 Bugfix 可能只考虑到了 H264,贡献到开源社区时,则需要同时兼顾 VP8/VP9,甚至是将来的 AV1。在这个过程中,Google 工程师会在 Code Review 中与你亲密切磋,其实是非常好的锻炼机会,进一步提高对 WebRTC 的认识。
参考
WebRTC m74 源码
RSFEC:
- WebRTC RSFEC 详解和剖析;
- ARTP 技术探秘之:WebRTC 中支持 RS FEC。 (以上两篇文章之后将会在本号推送)
CC
「视频云技术」你最值得关注的音视频技术公众号,每周推送来自阿里云一线的实践技术文章,在这里与音视频领域一流工程师交流切磋。