技术解析：如何实现K歌App中的实时合唱

之前我们解析过很多社交直播App中不同场景的开发，比如在线K歌、小程序直播、多人视频聊天、AR等。

我们最近在知乎看到了一个问题「为什么k歌软件始终没有开发出实时合唱功能？」，我们只在知乎做了简要解读。在这里我们详细来解析其中难点，以及实现的方式。

什么是实时合唱

现在大部分K歌应用中，都有“合唱”功能。用户点歌，然后开启合唱功能，自己一个人根据伴奏演唱，完成后点击“上传”，刚才录下的歌声就变成了带有一人歌声的伴奏。其它用户可以选择这个伴奏唱歌，录制完成后，间接的完成了合唱。简单来讲，就是做了两次“录制-上传”的操作。

这种“录制合唱”，并不是我们要做的“实时合唱”。

当然不可否认，从技术角度讲，录制合唱有其优点：

• 音质好，开发者可以设置客户端录制和输出的采样率、比特率，保证用户的声音被原原本本地记录和传输；
• 对网络要求低，只有在上传和下载两个过程需要用到网络，合唱的混音在本地完成，因此不存在网络延时问题。

录制合唱的效果也完全取决于用户自身。其缺憾也显而易见，就是用户并没有“合唱”的体验，仍然是一个人在唱歌。

而我们要做的“实时合唱”的体验并非如此。实时合唱的流程体验如下：

• 发起人点歌，并发起合唱；
• 邀请好友进行合唱；
• 合唱伴奏通过网络同时发送给两位歌手；
• 两位歌手同时在线合唱，并能听到彼此的声音。

在实时合唱的场景下，用户不再是一个人唱，而是在自己演唱的同时，可以听到好友合唱的声音。实时合唱能让用户像获得线下一样的体验，极大的提升沉浸感。

新场景带来的技术挑战

既然实时合唱更能给用户带来参与感，为什么却不常见呢？与重复“录制-上传”的合唱不同，实时合唱的体验给技术提出了更高的要求，主要包含两方面。

一、合唱同步

这里的同步指的是两个歌手的歌声与伴奏三者之间的同步。我们先假设我们的唱歌的两位用户都是专业级的，踩不准节奏的问题完全不存在。如上述场景描述，由于伴奏是同时发送给两个用户，那么关键就在于两者的歌声是否能同步。影响合唱同步的主要因素就是延时。

那么延时会带来多大的影响呢？为了方便大家理解，我们可以以一个非音乐科班生的角度简单计算一下。以歌曲《稻香》为例，它的钢琴曲谱是4/4拍，标准乐曲速度为80拍/分钟。副歌部分大约每个音乐小节唱8到12个字，且主要以八分音符和十六分音符组成，基本上每个音符对应歌词中的一个字。粗略计算的话，大约200 - 300ms左右唱出一个字。

不考虑伴奏的情况下，假设上图中的A和B之间的端到端延时为100ms。从声音传输流程上来说：

A先唱，B听到A的歌声。此时产生100ms延时；

B在听到A的歌声后开始加入合唱，歌声传到A端。此时又产生100ms延时；

那么 A听到B的歌声永远延时200ms。根据之前唱每个字所用时间的计算，听感上会至少慢半个字，是错位的。

如果要考虑伴奏的传输，以及伴奏与歌声的混音，情况将更加复杂。所以，实时合唱场景下的延时越低越好。一般端到端延时只要低于150ms，听者是感知不到的。所以唱《稻香》这种速度的歌，延时低于80ms可以完美合唱，演唱者的体验也是好的。如果唱更快速、歌词更密集的歌，延时要求更低，否则合唱时两人永远也对不准拍子，演唱者的体验也非常糟糕。

那么，如何降低延时呢？这个场景下的延时包括两部分：设备端的延时和端到端的延时，我们需要针对不同阶段的延时，来分析如何降低延时。

音频在采集端、播放端的延时

这张图我们曾在《详解音视频直播中的低延时》中分享过。在这里，音频=歌声，或音频=歌声+伴奏。这取决于你如何传输歌声与伴奏，我们在讲解解决之道时会详细说明。

设备端上的延时包括采集端的采集、前处理、编码，播放端的接收、解码、后处理过程产生的延时，以及两端在编码后和解码前产生端网络延时。

端上的延时主要与硬件性能、采用的编解码算法、音视频数据量相关，设备端上的延时可达到 30~200ms，甚至更高。

音频在设备端上的延时还可以细分为以下几点：

• 音频采集延时：采集后的音频首先会经过声卡进行信号转换，声卡本身会产生延时；
• 编解码延时：随后音频进入前处理、编码的阶段，如果采用 OPUS 标准编码，最低算法延时大约需要 2.5~60ms；
• 音频播放延时：这部分延时与播放端设备性能相关；
• 音频处理延时：前后处理，包括 AEC，ANS，AGC 等前后处理算法都会带来算法延时，通常这里的延时就是滤波器阶数；
• 端网络延时：这部分延时主要出现在解码之前的 jitter buffer 内。

另外，合唱场景通常会为用户提供各种KTV音效，即人声在编码传输前会增加一步前处理，这还会加大音频在端上的延时。

若想降低音频在端上的延时，就需要针对不同机型进行编解码算法的优化，以降低音频采集、编解码、音频处理带来的延时。端上延时还与设备性能、系统紧密相关，如果歌手中有一方的设备性能较差，也会影响合唱效果。

端到服务器之间的延时

除了端上的延时，音频数据在端到服务器、服务器到服务器之间的传输过程也会产生较大延时，这也是阻碍“实时合唱”功能落地的重要因素。

影响采集端与服务器、服务器与播放端的延时的有以下主几个因素：客户端同服务间的物理距离、客户端和服务器的网络运营商、终端网络的网速、负载和网络类型等。如果服务器就近部署在服务区域、服务器与客户端的网络运营商一致时，影响上下行网络延时的主要因素就是终端网络的负载和网络类型。一般来说，无线网络环境下的传输延时波动较大，传输延时通常在 10~100ms不定。而有线宽带网络下，同城的传输延时能较稳定的低至 5ms~10ms。但是在国内有很多中小运营商，以及一些交叉的网络环境、跨国传输，那么延时会更高。

服务器间的延时

在此我们要要考虑两种情况，第一种，两端都连接着同一个边缘节点，那么作为最优路径，数据直接通过边缘节点进行转发至播放端；第二种，采集端与播放端并不在同一个边缘节点覆盖范围内，那么数据会经由“靠近”采集端的边缘节点传输至主干网络，然后再发送至“靠近”播放端的边缘节点，但这时服务器之间的传输、排队还会产生延时。

在实时合唱的场景中，要解决网络不佳、网络抖动，需要在采集设备端、服务器、播放端增设缓冲策略。一旦触发缓冲策略就会产生延时。如果卡顿情况多，延时会慢慢积累。要解决卡顿、积累延时，就需要优化整个网络状况。

二、高音质

唱歌的人都有一个共同的心理需求，就是希望别人夸自己唱得好听。音质在合唱场景下就显得尤为重要了。而影响实时合唱音质的因素主要包括：音频采样率、码率、延时。

采样率：是每秒从连续信号中提取并组成离散信号的采样个数。采样率越高，音频听起来越接近真实声音。

码率：它是指经过编码（压缩）后的音频数据每秒钟传输所表示的数据量（比特）。码率越高，意味着每个采样的信息量就越大，对这个采样的描述就越精确，音质越好。

假设网络状态稳定不变，那么采样率越高、码率越高，音质就越好，但是相应单个采样信息量就越大，传输时间可能会相对更长。也就是说，高音质也可能会影响延时。

敲黑板：解题思路

之前我们提到，因解决方案的不同，“音频”有这不同的含义，这与你的实现逻辑有关。

1.音频=歌声+伴奏

在采集端，我们传输的音频如果是包括歌声与伴奏。那么就意味着是这样的逻辑，如下图。

• 歌手A先获得伴奏；
• A 将歌声与伴奏在本地混音后传输给 B；
• B 根据A的音频进行演唱，这时 B 可以听到合唱的效果；
• B 将合唱后的混音传输给 A，A 就可以听到合唱效果了。

在这种传输方式下，如果要保证 A 能听到合唱效果，会有两段“端到端延时”，即第2、3步产生的。由于B听到的是A的歌声与伴奏，所以该方案能保证 B 的体验。但由于伴奏传输给 B，B 的歌声又需要再传输回到 A，A 听到的伴奏与B的声音其实之间有很大延时。如果按照上文的延时推断，你需要付出更多的努力，才能让端到端的延时降低到歌手A能接受的程度。

2.音频=歌声

在这里，并不是说不要伴奏了。为了解决伴奏、歌声之间的延时问题，我们还有一种方法，就是通过云端将伴奏同时传输给A和B，那么基本可以保证两者能在同一秒听到同一个音符。接下来要解决的就只是歌声的传输了。基本实现逻辑如下，也是我们自己的实现方式：

• 声网从服务器或本地获取合唱伴奏；
• 声网通过 SD-RTN™ 将伴奏，实时同步发送给歌手 A 和 B；
• 歌手 A 和 B 会同时听到伴奏，然后根据伴奏开始自己的演唱；
• SD-RTN™ 会实时的将A的歌声传给B端，同样，B 的歌声也会被实时的传输到 A 端；
• 歌手A和B都能实时听到伴奏和对方的歌声；
• 同时，观众可以实时听到两个歌手的合唱效果。

这种实现逻辑的好处在于，A、B几乎同时听到伴奏，同时演唱，两者可以实时听到对方的声音。要解决的问题就是降低各自歌声传输到对方的这段端到端延时了。相对来讲，更加简单。

如上文所说，我们要做的就是优化编解码算法，并对各个机型进行适配。同时，优化网络传输策略，增加节点部署等。

大家可以尝试自己开发，也可以在声网开发者中心阅读我们详细开发文档，获取我们在 Github 开放的 demo 源码。