微信小程序音視頻與WebRTC互通的技術(shù)思路和實踐

2017年騰訊視頻云團隊跟微信團隊聯(lián)合，將視頻云 SDK 跟微信小程序整合在一起，并通過和 兩個標簽的形式開放內(nèi)部的功能。通過這兩個標簽，開發(fā)者可以實現(xiàn)在線直播、低延時監(jiān)控、雙人視頻通話以及多人視頻會議等功能。

WebRTC（Web Real-Time CommunicaTIon），是一個支持網(wǎng)頁瀏覽器進行實時語音對話或視頻對話的技術(shù)，是谷歌收購 GIPS 公司而獲得的一項技術(shù)，在 Chrome 瀏覽器上無需安裝插件，通過 javascript 就可以編寫實時音視頻通話程序。

如果您跟我一樣是一個實用主義者，那我就簡單從實用主義角度說一下我的結(jié)論：小程序音視頻搞定了手機，WebRTC拿下了PC。如果你對技術(shù)比較感興趣，那我們就可以從多個技術(shù)的角度去列舉兩者的區(qū)別，下面是一張詳細對比的表格：

小程序音視頻是將騰訊視頻云的 liteavsdk 嵌入到微信內(nèi)部實現(xiàn)的，然后通過和 兩個標簽將 SDK 內(nèi)部的音視頻能力開放出來。所以小程序的標簽起到了開發(fā)者 API 的作用，而內(nèi)部的 SDK 則是真正用來實現(xiàn)音視頻功能。

WebRTC 由谷歌收購 GIPS 得來（這里不得不提一下，我加入騰訊時所在的第一個團隊就是 QQ 團隊，當時 QQ 的音視頻還是購買的 GIPS 公司的產(chǎn)品，不過由于各種不靠譜，后來就轉(zhuǎn)為自研路線了）。所以其技術(shù)被完整的保留并且加入到了 Google 的 Chrome 瀏覽器內(nèi)核當中。而且最近蘋果也已經(jīng)開始在 Safari 瀏覽器中支持 WebRTC 的相關(guān)能力。

小程序音視頻的主要協(xié)議是目前在直播領(lǐng)域最為常用的 RTMP 推流協(xié)議，以及 HTTP-FLV 播放協(xié)議，這兩種協(xié)議都已經(jīng)有多年的沉淀而且在互聯(lián)網(wǎng)上的資料也是汗牛充棟。WebRTC的底層則是使用RTP和RTCP兩種數(shù)據(jù)協(xié)議，其中RTP主要用于音視頻數(shù)據(jù)傳輸，而RTCP則一般用于控制。小程序音視頻由于是微信統(tǒng)一實現(xiàn)的，而且微信團隊每個版本都盡量要求功能對齊，否則寧可不上，所以在碎片化問題上基本不存在。

WebRTC在這里則要尷尬的多，一方面Android系統(tǒng)的碎片化本身讓WebRTC的具體表現(xiàn)呈現(xiàn)“百花齊放”的景象，同時，iOS 目前的內(nèi)嵌WebView（也就是在微信等APP里打開的各種內(nèi)嵌網(wǎng)頁）不支持WebRTC也還是個很麻煩的問題。

小程序音視頻跟隨微信的版本發(fā)布，有什么問題一般是當前代碼流修正，然后跟隨下一個版本發(fā)布，所以一般一個功能點（比如給 pusher 加一個美顏的功能）或者一個問題點（比如不支持手勢放大）從確立到最終實現(xiàn)（或解決）僅需要一個月的時間，而且微信APP新版本的覆蓋速度也確實挺快。

相比之下，WebRTC則不是一個團隊或者一家公司的問題了，因為它現(xiàn)在已經(jīng)走標準路線，所以每一個新特性都是先確定標準，然后再推動瀏覽器廠商（包括蘋果）進行跟隨。這里面的故事就多了，時間也就更久了。相信您已經(jīng)發(fā)現(xiàn)，在前面幾個問題的分析上，我的觀點都傾向小程序音視頻。確實，在目前國內(nèi)的移動領(lǐng)域里，谷歌和蘋果都不能一家說了算，真正說了算的還是微信。

但是在桌面瀏覽器這個部分，Chrome目前在PC瀏覽器市場上留到地位的存在決定了 WebRTC 的優(yōu)勢就很大了，開發(fā)者可以在不安裝插件的情況下就可以實現(xiàn)自己想要的功能。相比之下，由于沒有 Chrome 的原生支持，所以如果我們要在 PC 上對接小程序音視頻，就需要安裝瀏覽器插件或者通過 wxlite://start 這樣的偽協(xié)議喚起本地 exe 應用程序（類似在網(wǎng)頁上打開 QQ 聊天窗口）。

小程序音視頻和WebRTC支架并非零和博藝，雙方都有自己的優(yōu)勢和不足，所以本著“打不過他們，就加入他們”的思路，騰訊視頻云團隊在2018年春節(jié)回來后，就馬不停蹄地開始了小程序音視頻和WebRTC互通的相關(guān)工作。

目前，需要向各位開發(fā)者匯報的是，在最新版本的微信中，小程序音視頻已經(jīng)可以跟WebRTC打通，目前在PC 的Chrome瀏覽器上就可以跟小程序進行實時音視頻互通。就像結(jié)婚一樣，既然你決定要選擇另一個人作為人生下半輩子的伴侶，那你肯定會先深入地了解一下TA這個人，比如性格，脾氣，愛好等各個方面。

同樣，我們要想很好的將小程序音視頻和WebRTC打通，那也必須要多了解一下WebRTC，這里我就說一下我對 WebRTC 這個“人” 在性格上的一些理解。

說WebRTC長得不好看，只是我的一種比喻，我的意思是想說WebRTC的學習成本不低，雖然Google做了很多淺顯易懂的PPT來教你怎么 GetTIng Start，但真要完整的學進去，還是需要靜下心來，慢慢地把她當成自己認可的目標去學下去。但是如果你是第一次戀愛（也就是第一次接觸實時音視頻），你會發(fā)現(xiàn)學習WebRTC的過程，本身就是了解一個實時音視頻技術(shù)細節(jié)的過程。

說WebRTC喜歡遷就比人，也是一種比喻，WebRTC所支持的后臺架構(gòu)非常多（比如 Mixer， Mesh，Router），而且谷歌認為這些后臺實現(xiàn)都比較簡單，所以既沒有開放后臺相關(guān)的源碼，也沒有提供統(tǒng)一的后臺解決方案。這種開放式的設(shè)計思路非常好，但副作用就是實現(xiàn)成本高。在真刀真槍的項目落地時，小規(guī)模的公司或者開發(fā)者就很容易被這種技術(shù)門檻擋在門外。尤其是想要將 WebRTC 真正應用到企業(yè)級解決方案中，面對錄制和存檔的剛性需求，就需要花費大量時間進行定制開發(fā)。

但是看過《新聞聯(lián)播》里國家領(lǐng)導人之間談話鏡頭的人都知道，這種翻譯是會影響交流速度的。小程序音視頻和WebRTC之間互通，中間引入一個翻譯員，是不是通訊延時也就增加了？

其實不會，因為小程序音視頻和WebRTC的視頻編碼標準在常規(guī)應用場景中是一致的，都是H.264標準，這是音頻格式不同而已。這就意味著，翻譯員要做的事情很少，兩邊基本都能挺對對方在說什么，所以延時不會增加太多。

僅僅完成了音視頻數(shù)據(jù)在小程序和WebRTC之間的握手還遠遠不夠，因為在一次成功的音視頻通話背后，不僅僅是把一端的音視頻數(shù)據(jù)傳遞到另一端這么簡單，還有狀態(tài)的同步和成員間的狀態(tài)協(xié)同。

比如多人視頻通話中，涉及到呼叫和接通的流程，其中一方如果掛斷了，其他人要收到掛斷的通知。同時，如果有新的參與者加入，那么其他人也要收到相應的通知。WebRTC 中有很多組件，比如 RTCPeerConnecTIon 就在處理上訴林林種種的邏輯。但是 WebRTC 的接口中引入的新名詞非常多，對于初學者來說還是有一定的入門門檻，為了簡化這里的邏輯，我們引入一個叫做“房間”的概念。

所謂房間（Room），就是把同時參與視頻通話的各方圈在一起的一個東西。比如雙人通話中，通話中的兩個人 A 和 B 就可以認為在一個房間中。再比如在多人通話中，通話中的五個人（A B C D E）也可以認為是在一個房間里。

有了房間的概念，那我們就可以對剛才說的狀態(tài)協(xié)同用兩個簡單的動作描述一下：如果有一個人加入了視頻通話，那么就可以理解為他/她已經(jīng)進房（EnterRoom）了；如果有一個退出了視頻通話，那么就可以理解為他/她已經(jīng)離開房間（LeaveRoom）了。而房間的門板上始終寫著：“目前在房間里有哪幾個人”。

有了房間的概念，我們就可以將小程序的兩個簡單的和 標簽，同 WebRTC 那一套復雜的 API 進行功能上的對齊，我們甚至不需要修改我們在第一版中定義的接口，就可以達成這個目標：原理如下：1） 的 url 接口不再傳遞 rtmp:// 協(xié)議的推流地址，而是傳遞 room:// 協(xié)議的推流地址。room:// 協(xié)議的使用方式可以參考我們的原理版文檔DOC。；

2）標簽在 start 成功之后，就相當于成功進入一個 room，之后，您可以通過 onPushEvent (PUSH_EVT_ROOM_USERLIST = 1020) 事件，收到房間里還有那些人的信息。在視頻通話期間，房間內(nèi)各個成員的進進出出，也都會通過這個事件通知給您的小程序代碼；

3）ROOM_USERLIST 里每一項都是一個二元組（如果是 1v1 的視頻通話，ROOM_USERLIST 里只會有一個人）: userid 和 playurl。 userid 代表是哪個用戶， playurl 則是這個用戶遠程畫面的播放地址。您要做的只是使用標簽播放這些遠程畫面的圖像和聲音而已；

4）在 WebRTC 這一端，您可以參考我們的 webrtc API，這套 API 相對于 WebRTC 原生的 API，更適合初學者使用。