关于短视频技术轮廓探讨

时光变换，短视频从出现到发展，经历了渐进到飞速的过程，在未来充满想象空间。与传统视频相比，其文化与社会属性各有不同。即消费人群、内容丰富性、生产制作成本、生产制作工具、渠道分发关系等各有不同。作为最底层的支撑，技术为短视频的发展带来巨大活力，就视频本身而言，短视频技术和视频技术是一样的，今天谈一下(短)视频的技术范畴。

1、技术基础

短视频技术首先是视频采集、压缩、编码、存储、播放等。与相关硬件关联，这属于短视频的技术基础。

1.1、视频采集

视频采集是硬件范畴，把模拟视频转换成数字视频，按数字视频文件的格式保存。视频采集是将模拟摄像机、录像机、LD视盘机、电视机输出的视频信号，通过模拟、数字转换设备，转换为二进制数字信息的过程。视频采集中，目前视频采集卡是主要设备。

1.2、视频压缩

视频采集后获取大量的模拟数据，直接处理和传输是不现实的，必须对数据进行压缩。视频压缩分为硬件级压缩和软件级压缩，压缩标准与编码关联，编码与具体的文件格式照应。

视频数据存在着空间冗余、时间冗余、结构冗余、知识冗余、视觉冗余，这些冗余为视频压缩提供了前提。下图是一个典型的视频压缩过程。

1.3、视频编码

视频编码是通过压缩技术，将原始视频文件的格式转换成另一种视频文件。目前重要的编解码标准有，国际电联的H.261、H.263、H.264，运动静止图像专家组的M-JPEG，运动图像专家组的MPEG系列，Real-Networks的RealVideo、微软公司的WMV，Apple公司的QuickTime等。

视频压缩和视频编码是一体的，每一种视频编码对应一种视频压缩算法。香农信息论对视频编码有着广泛的指导意义，以集合论为基础，概率与数理模型描述信源展开。视频编码发展历程以香农信息论为出发点，不断完善和发展。 

编码方法可分为两代：第一代基于数据统计，去掉数据冗余，低层压缩编码方法；第二代是基于内容，去掉内容冗余。基于对象的方法称为中层压缩编码方法，基于语义的方法称为高层压缩编码方法。

基于内容压缩编码方法是新一代压缩方法，是最活跃的领域，最早由瑞典的Forchheimer提出的，随后日本的Harashima等人跟进研究。

1.4、视频存储

视频存储与硬件关联不大，一般在操作系统下进行，有完善的编程接口，采用传统的IO技术来进行处理。存储的概念今天也有巨大的发展，从传统的单机存储、服务器存储、再到云存储。近两年有一个热点概念，区块链存储。目前用的最多的是单机存储和云存储。区块链存储是云存储的加强版，对于真正视频数据的区块链存储，未来10年仅仅存在书籍上。

1.5、视频播放

视频播放分为本地播放和在线播放。本地播放随着计

算机的出现发展起来，在线播放随着互联网技术的发展而来。

1.5.1、本地视频播放四个阶段。

A、acess访问，接收、获取、得到

B、demux解复用，合在一起的音频和视频分离(还有可能的字幕)   

C、decode解码，音频和视频解码

D、output输出，音频和视频的输出（aout和vout）

播放核心单元是多媒体引擎管理，负责音视频数据的加载、处理和展现。以FFmpeg为例，它的基本运作流程如下图所示：

1.5.2、在线视频播放四个阶段：

A、解协议：从原始的流媒体协议数据中去掉信令数据只保留音视频数据，如采用RTMP协议传输的数据，经过解协议后输出flv格式数据。

B、解封装：分离音频压缩编码数据和视频压缩编码数据，常见的封装格式mp4、mkv、rmvb、ts、flv、avi等。这些格式的作用是将已经压缩编码的视频数据和音频数据放到一起，例如FLV格式的数据经过解封装后输出H.264编码的视频码流和AAC编码的音频码流。

C、解码：将视频、音频压缩编码数据，还原成非压缩的视频、音频原始数据。音频的压缩编码标准包括AAC，MP3，AC-3等。视频压缩编码标准包含H.264，MPEG2，VC-1等。经过解码得到非压缩的视频颜色数据，如YUV420P，RGB和非压缩的音频数据如PCM等。

D、音视频同步：将同步解码出来的音频和视频数据分别送至系统声卡和显卡播放。

篇幅有限，本主题对播放不做详细解释。相关内容参考后续专题。

2、核心技术

视频本质是图像的合集，深度处理是对图像进行处理。GPU、OpenGL&Opengl ES、DirectX、OpenCV、DirectX、CUDA、OpenCL、Metal等技术是对图像进行专业级二次处理。这属于短视频的核心技术。

2.1、GPU

GPU又称显示核心、视觉处理器、显示芯片，在个人电脑、工作站、游戏机和一些移动设备上做图形图像运算的微处理器。 GPU技术是图像视频编程的硬件技术，对GPU硬件、指令的了解对视频编程具有重要的意义。

GPU使显卡减少了对CPU的依赖，进行部分CPU的工作，尤其在3D图形处理时GPU必不可少，例如硬件T&L（几何转换和光照处理）、立方环境材质贴图、顶点混合、纹理压缩、凹凸映射贴图、双重纹理等，硬件T&L技术是GPU的技术标志。GPU的生产商主要有NVIDIA和ATI。

2.2、OpenGL & OpenGL ES

OpenGL是渲染2D、3D矢量图形的跨语言、跨平台的应用程序编程接口。由近350个不同的函数调用组成，可以对简单的图形到复杂的三维景象进行绘制。OpenGL应用平台有：Windows、UNIX、Mac OS。实现由显示设备厂商提供，依赖于该厂商提供的硬件。

OpenGL ES是 OpenGL的子集，针对手机、PDA和游戏主机等嵌入式设备而设计。由Khronos定义推广，Khronos是一个图形软硬件行业协会，关注图形和多媒体方面的开放标准，OpenGL ES是互联网终端图形图像视频处理的核心技术之一。

2.3、OpenCV

OpenCV是一个基于BSD许可发行的跨平台计算机视觉和机器学习库，运行在Linux、Windows、Android和Mac OS操作系统上。轻量高效——由一系列C函数和少量C++类构成，提供了主流编程语言的接口，包含了图像处理和计算机视觉方面的很多算法，OpenCV利用MMX和SSE指令，倾向于实时视觉应用。

2.4、DirectX

DirectX是微软公司的图形图像视频引擎，让Windows平台的游戏或多媒体程序获得更高的3D图形、图像和音视频效果，提供给设计人员共同的硬件驱动标准。

DirectX使基于Windows的计算机运行和显示更丰富的多媒体元素，包括全色图形、视频、3D 动画和丰富音频的应用程序的高效平台。DirectX包括安全和性能更新程序，以及音视频底层高级核心功能。

2.5、CUDA

CUDA是显卡厂商NVIDIA推出的运算平台，CUDA™是一种由NVIDIA推出的通用并行计算架构，使GPU能够解决复杂的图形图像以及数据运算问题。 包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。

开发人员使用C语言来为CUDA™架构编写程序，程序可以在支持CUDA™的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。

2.6、OpenCL

OpenCL面向异构系统并行编程，是一个免费开放、统一的编程环境，便于开发人员为高性能计算服务器、桌面计算系统、手持设备编写高效代码，广泛适用于多核心处理器(CPU)、图形处理器(GPU)、Cell类型架构以及数字信号处理器(DSP)等其它并行处理器。在GPU编程、复杂视频处理方面，OpenCL提供了一套可参考的解决方案。

2.7、Metal

Metal是苹果公司的图形编程库，近两年取得了很大的发展。在Mac平台和IOS平台音视频开发上，Metal是一个很好的选择。

Metal提供对GPU的直接访问，技术人员最大程度地发挥 iOS、macOS和Apple tvOS app中的图形硬件计算潜能。Metal构建于易用的低开销架构之上，提供预编译的GPU 着色器和精细的资源控制，支持多线程，支持 GPU 驱动命令创建。支持GPU阵列编程，充分利用 Mac Pro 和 Pro Display XDR 的专业级多媒体功能。

3、短视频SDK技术

流媒体开发一直是一个比较专业的领域，相比常规的应用信息系统开发，流媒体开发规范多、专业性强，导致国内流媒体开发一直以浅层应用为主，国外以编辑合成渲染开发为主。

流媒体开发是短视频SDK技术的基础，比较专业与综合。短视频SDK技术主要包括美颜、萌颜、美型、道具、滤镜、特效、AR智能、动态场景等。短视频SDK技术本质是应用多媒体核心技术，对视频的二次加工开发。

3.1、国内SDK现状

多年的努力，国内软件技术取得很大的发展，从软件作坊到影响世界的巨头。中国不局限于国外工具的应用，开始在软件框架技术，SDK技术上取得突破。

目前国内短视频SDK大多与云平台、直播平台、音视频行业关联。典型的有美摄SDK、阿里云SDK、腾讯云SDK、头条SDK、华为云SDK、网易云信SDK、金山云SDK、七牛云SDK等。在专业技术实现上，美摄SDK技术更胜一筹。

3.2、美摄SDK

美摄SDK为短视频提供全方位技术支持。美摄科技长期致力于广电领域的软件研发，在非线性编辑方面有多年的研发经验。为了适应互联网视频的发展，美摄科技互联网视频业务线致力于底层开发，为广大软件公司提供音视频编辑的SDK，使广大程序员在没有音视频技术的背景下，快速高效的开发出高质量的音视频程序。

美摄科技致力于底层研发，把音视频开发中繁杂的信号处理、硬件处理、数据变换进行封装，使广大开发人员采用美摄SDK开发过程中，避免与底层的接触。从而使其它技术开发的软件人员，高效的开发出专业级的高性能视频软件。

美摄SDK是一个工具包，对图片、音视频进行处理。可以对流媒体进行编辑。包括视频拍摄、编辑、合成、特效、动画等音视频制作。帮助程序开发者快速进行音视频、图片渲染处理。快速开发出高性能的音视频程序。符合互联网时代音视频发展应用的需求。美摄SDK在PC端、移动端、WEB端、服务器端对短视频处理进行全方位的技术支持。

美摄SDK功能包括：视频录制、视频编辑、音乐编辑、字幕处理、动画贴纸、转场、特效、合成等等。

4、外延技术

无视频，不网络。短视频技术在互联网平台上有广泛的应用。外延技术也多与视频平台相关。近几年比较流行的技术有rtmp、推流、拉流、HTTP、CDN、负载均衡、服务器、Android端、IOS端、桌面端等。

4.1、HTTP

HTTP是一个简单的请求-响应协议，运行在TCP之上。约定了客户端和服务器的通讯机制。请求和响应消息的头以ASCII码形式给出；消息内容具有一个类似MIME的格式。这个简单模型为Web早期的发展做出了卓越贡献，使开发部署简单方便。

短视频技术平台的业务流处理、逻辑处理依附于Web平台，Web平台是以HTTP协议标准建立的。

4.2、CDN

CDN是内容分发网络，1996年，麻省理工学院，一个研究小组为改善互联网的服务质量而提出的。为了能在传统IP网上发布大量的宽带媒体内容，提出在现有互联网基础上建立一个内容分发平台，专门为网站提供服务，1999年成立了专门的服务公司，为Yahoo提供服务。CDN是加快网络访问速度而被优化的网络覆盖层，因此被形象地称为“网络加速器”。 

CDN网络改善了互联网的服务质量，大型网络运营商开始建设自己的CDN网络，如AT&T、德国电信、中国电信等。短视频技术具有网路属性，与网路平台密切相关。短视频庞大的数据流，需要依附CDN进行分发。

4.3、推流拉流

推流与拉流是视频平台的专业术语，推流是把采集阶段封包好的内容传输到服务器。将现场的视频信号传到网络的过程。拉流是指服务器已有直播内容，指定地址进行拉取的过程。

推流与拉流对网络要求比较高，网络不稳定，（直播）播放效果就会很差，（直播）播放时就会发生卡顿等现象，效果体验不好。

4.4、RTMP

RTMP是实时消息传输协议，是Adobe公司开发的服务器之间音视频及数据传输的实时消息传送协议。RTMP协议基于TCP，包括RTMP基本协议及RTMPT/RTMPS/RTMPE等多种变种。

RTMP协议中，视频必须是H264编码，音频必须是AAC或MP3编码，且多以flv格式封包。RTMP是目前最主流的流媒体传输协议，对CDN支持良好，实现难度较低，是大多数的直播平台的选择。

RTMP有一个不足，不支持浏览器，Adobe已不再更新。直播服务要支持浏览器的话，需要另外的推送协议支持。RTMP与HTTP一样，都属于TCP/IP四层模型的应用层。目前短视频的推流RTMP协议应用较多。

4.5、RTSP

RTSP是实时流传输协议，是TCP/IP协议体系中的一个应用层协议，由哥伦比亚大学、网景和RealNetworks公司提交标准。定义了一对多应用程序如何有效地通过IP网络传送多媒体数据。RTSP在体系结构上位于RTP和RTCP之上，它使用TCP或UDP完成数据传输。

HTTP与RTSP相比，HTTP请求由客户机发出，服务器响应；使用RTSP时，客户机和服务器都可以发出请求，即RTSP可以是双向的。RTSP是用来控制声音或影像的多媒体串流协议，允许同时多个串流需求控制，服务器端可以自行选择使用TCP或UDP来传送串流内容。相对RTMP，RTSP有UDP的选择。

4.6、HLS

HLS是Apple定义的基于HTTP的流媒体实时传输协议。原理是将整个流分为多个小文件来下载，每次只下载若干个。服务器将最新的直播数据生成新的小文件，客户端不停的按顺序播放从服务器获取到的文件，就实现了直播。

HLS是以点播的技术实现了直播的体验，每个小文件的时长很短，客户端可以很快切换码率，以适应不同带宽条件下的播放。分段推送的技术特点，决定了HLS的延迟一般会高于普通的流媒体直播协议。今天的短视频平台，拉流HLS协议应用较多。

4.7、负载均衡

负载均衡在现有网络结构之上，提供廉价的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。

负载均衡含义是分摊到多个操作单元上执行，例如Web服务器、FTP服务器、应用服务器等，共同完成任务，满足高并发访问。短视频平台是一个流量平台，必须具有高并发属性。

4.8、WebRTC

WebRTC，网页即时通信。支持浏览器进行实时语音、视频对话的开源协议。Google、Mozilla、Opera推动WebRTC成为W3C的推荐标准。

WebRTC支持目前主流浏览器，基于SRTP和UDP，网络信号一般的情况下也具备较好的稳定性。WebRTC实现点对点通信，通信双方延时低，是实现“连麦”功能比较好的选择。在直播平台、短视频平台上具有着实际应用。

4.9、OBS

Open Broadcaster Software是一个视频录制和视频实时流软件，广泛应用在视频采集、直播等领域。

OBS支持以下功能：支持H264（X264）和 AAC 编码；支持Intel Quick Sync Video (QSV) 和 NVENC；无限量的场景和视频源；支持实时RTMP流推；支持 MP4 和 FLV 格式输出；支持捕获基于 GPU 的游戏捕获，高性能输出视频流；支持DirectShow 采集设备；双线性或lanczos3 重采样支持等。

4.10、客户端

短视频技术客户端目前主要是Android App、IOS App、桌面应用端。利用专题的相关技术，供终端客户操作应用短视频。

5、总结

伟大的实验心理学家Treicher证实，人类获取的信息83%来自视觉，11%来自听觉，加起来就有94%。还有3.5%来自嗅觉，1.5%来自触觉，1%来自味觉。遗憾的是，广袤的互联网上，竟然鲜有这位大师的更多资料。

疫情倒逼短视频加速升级，2020迎来红利期。未来10年，线上线下70%的流量在短视频。研究表明，人类91%的记忆来自“图像+声音”，而“视觉+听觉”最好的载体就是短视频。

科技让视频发生深刻的变化，短视频技术方兴未艾，SDK应用风起云涌，融媒体发展欣欣向荣。坚信的是，短视频应用未来可期，美摄科技SDK会利用传统视音频处理的技术优势，为开发者提供更多的创新性玩法和想象空间，助力合作伙伴实现业务创新并创造巨大的用户价值将，推动互联网行业整体向前发展的伟大愿景，加速赋能新生代，共同拥抱数字创意新时代。