視頻會議與會場音視頻技術發展概述

張利濱

（中國電子科技集團公司第三研究所，北京 100015）

0 引 言

近幾年，在云計算、人工智能、5G和大數據等技術的推動下，視頻會議呈現出爆發式增長趨勢。從各級政府、大型企事業單位、公安、軍隊，到金融證券、能源交通和醫療教育等行業，視頻會議均有廣泛應用。本文從云視頻、會議終端、波速話筒以及一體化攝像機等方面介紹視頻會議技術發展現狀，從會場音視頻整體技術發展趨勢、會場音頻系統網絡化發展以及會場視頻系統技術發展方面介紹會場音視頻技術的最新發展成果。

1 視頻會議技術發展

1.1 云視頻會議

云視頻會議以云計算為核心，結合新一代音視頻編碼技術（H.265/H.264 SVC柔性分層編碼標準），以公有云、專有云、私有云等交付方式，支持大規模、高彈性、高可用連接。云視頻會議服務提供商建設云計算中心，用戶企業無需購買多點控制單元（Multipoint Control Unit，MCU），無需大規模改造網絡，就能實現在會議室、個人電腦或移動狀態下進行多方視頻會議溝通，并能實現與傳統會議室的互聯互通[1]。云視頻會議具有以下優勢。

（1）平臺云化。云視頻會議面向互聯網架構，支持分布式部署，支持系統災備，能夠實現多中心業務備份，方便靈活。

（2）彈性服務。云視頻服務的規模可快速伸縮，可以跨平臺共享和協作，隨時入會連接到世界的每一個角落，進行視頻面對面的溝通。

（3）接入多樣化。平臺支持公有云、專有云、私有云部署模式，終端部署簡單快速、易使用，可以接入多種形式的終端設備，如云視頻會議終端、傳統硬件視頻會議終端、電腦、智能手機以及智能大屏等。

（4）功能多樣性。云視頻會議具有會議記錄、語音轉寫、文檔資料實時分享等功能，并具有多種高效便捷的會議功能，如會議預定、通知、簽到、錄音、錄像、投票、控制、分組討論以及協同辦公等。

1.2 會議終端

近幾年，視頻會議終端技術水平不斷提升，終端產業得到強有力的發展，主要表現在如下方面。

（1）SVC柔性編碼技術發展成熟，一次編碼可以產生多層不同分辨率、幀率、質量的視頻碼流，讓每個視頻會議的使用方都可以根據自己的網絡帶寬、設備性能、屏幕分辨率獲得適合自己的視頻流。這種更為高效先進的編碼算法為新一代智能云視頻會議發展奠定了技術基礎。

（2）目前正在興起的H.265編解碼器具有壓縮效率高、圖像質量好的特點。隨著4K超高清視頻會議的發展應用，H.265標準的編解碼器將成為視頻會議的應用主流[2]。

（3）智能編碼技術也稱“內容感知編碼”，是通過使用深度學習方式，對每個場景的視頻圖像進行智能分析，來確定優質圖像所采用的最低比特率編碼，達到智能圖像編碼。

（4）發展高質量4K超高清視頻編解碼器，支持10 bit、4∶2∶2@4K P60、超低延遲、高可靠性或國產AVS2、AVS3高性能編解碼器。

基于技術的發展，視頻會議終端的功能越來越豐富，目前主要有以下主流的功能與特性：

（1）流暢的超高清視頻，提供4K超高清雙流體驗，視頻圖像清晰流暢，細節呈現更全面、更生動，能夠帶來極致視頻體驗；

（2）清晰的音頻享受，支持多種寬帶音頻編碼技術，采用回聲消除（Acoustic Echo Cancelling，AEC）、噪聲抑制、增益控制及語音增強等技術，可提供清晰純正的高保真聲效；

（3）強大的網絡適應性，能夠根據網絡質量和應用需求優化圖像質量，支持超強糾錯、丟包重傳、視頻前向糾錯、動態調速、自動QoS設置、自動碼流平滑調整等網絡傳輸技術，優化各種網絡環境下的視頻會議效果；

（4）完善的安全機制，內置硬件加密芯片，支持國密算法，內置128/256位AES等多重安全加密措施，充分保證會議內容的安全性和保密性，具有本地登陸認證與授權機制，并支持對用戶權限分級管理，保障視頻會議系統安全穩定運行；

（5）智能的會議操控，內置智能語音助手，提供便捷的會議操控服務；支持同聲字幕、會議紀要；內置協作模塊，可外接觸控屏幕，采用圖形化觸控界面，可輕松完成視頻會議操控。

1.3 波束話筒

波束成形話筒是近幾年視頻會議設備中發展較快的產品之一，其功能特點是：使用簡單，只需放置在桌面上或固定到天花板上，連接好話筒電纜即可開始使用；某些型號的話筒具有自動校準功能，簡化了系統參數配置，并可使用管理軟件通過網絡進行話筒參數設置；參數設置簡單，管理集中，無需單獨供電[3]。波束話筒的主要技術特點如下。

（1）波束成形技術。將使用會場設定為多個區域，每個區域（約有5～10 m遠拾音距離）采用波束跟蹤技術主動跟蹤并拾取講話人聲音信號，通過使用高性能數字信號處理技術與語音處理算法相結合，輸出所需要的聲音信號。

（2）增益控制。如果講話人與話筒之間發生小距離移動，話筒自動增益控制可調節輸出信號的電平值，在一定范圍內保持聲音信號輸出一致。

（3）智能降噪。波束成形話筒均具有背景噪聲降噪處理算法，能明顯減少會場環境噪音。

（4）回聲抑制。話筒具有AEC處理模塊，能夠有效抑制視頻會議的回聲。

（5）自動校準。話筒會產生一個音頻測試信號，并由會場內的揚聲器發出，通過話筒內置數字音頻處理器計算并自動配置會場音頻系統參數，獲得較佳的聲場拾音效果。

（6）網線或USB傳輸。話筒可通過一根網線或USB接口與第三方設備連接，支持Dante或AES67協議和有源以太網（Power Over Ethernet，POE）供電。

1.4 一體化攝像機

攝像機在視頻會議領域的發展趨勢是小型化、4K超高清、與會議話筒和揚聲器集成為一體化。一體化攝像機正成為視頻會議中小型會議室的主流產品，其具有以下技術特點。

（1）超高清成像技術，采用800萬～1 240萬高品質圖像傳感器，最大分辨率可達4K，呈現清晰逼真的視頻效果。

（2）AI視頻處理技術，如弱光補償、視頻降噪、自動對焦、自動白平衡等，攝像頭能自動跟蹤拍攝、減少背光和眩光影響，并保持畫面亮度。

（3）EPTZ電子云臺，電子云臺沒有可見的機械轉動部件，通過在攝像機內部控制鏡頭的視角和變焦，從而清晰捕捉遠處的景物。圖像被放大時，可進行模擬水平旋轉/俯仰的裁切輸出，為不同角度的拍攝提供最大的靈活性。

（4）圖像剪切輸出。使用4K超高清分辨率拍攝的圖像既可以完整輸出，同時還可以對這些圖像的某些局部進行同步裁剪輸出。裁剪輸出可通過攝像機控制器進行控制，簡便快捷。

（5）視頻輸出接口豐富，支持高清多媒體接口（High Definition Multimedia Interface，HDMI）、數字分量串行接口（Serial Digital Interface，SDI）、USB3.0以及局域網（Local Area Network，VLAN）等多種方式輸出視頻。

一體化攝像機的人工智能（Artificial Intelligence，AI）功能與視頻會議室結合，顯著提高了中小型會議室的智能化程度，實現了以前只有某些高端會議室才具有的獨有功能，具體如下。

（1）自動喚醒。當有人走進會議室時，系統會“自動喚醒”，并可通過參會人員的隨身移動設備識別其身份。

（2）智能會議。自動取景和發言者跟蹤，按需自動拍攝，屏幕亮度智能顯示，話筒自動跟蹤，音質出色。

（3）雙屏體驗。雙屏幕、雙內容源、無線共享和兩個屏幕同時顯示不同的遠端會場。

（4）會議室人數統計，幫助會議管理者充分了解會議室的利用率并優化資源分配。

（5）同時支持云部署和本地部署，硬件面向云平臺運行環境，可提供出色的共享會議室和共享空間體驗。

2 會場音視頻技術發展

2.1 會場音視頻系統整體發展

近幾年，視頻會議會場音視頻系統發展迅速，出現了一些具有代表性的發展趨勢，主要有以下特點。

（1）簡潔化。會場設備追求簡單實用，硬件設備越來越少，設備和線纜網絡化；使用功能簡潔易用，讓會議變得更高效；安裝靈活便捷，對空間的依賴性沒有那么強，更能適應現代工作的快節奏。

（2）標準化。標準化主要表現在四個方面，即產品標準化、設計標準化、施工標準化以及服務標準化。標準化已貫穿會場設計、實施和售后服務的全過程。采用標準化的系統方案，能使施工工藝統一，施工進度能得到保證，工作量會大大降低。標準化能夠優化工程管理方式，為用戶提供更加科學、高效的培訓服務、售后服務及設備維修等。

（3）智能化。隨著會場智能化水平逐步提升，會議系統在使用時，屏幕可自動調節亮度、攝像頭自動跟蹤拍攝、話筒自動拾音、語音指令能控制設備、遠程可檢測診斷故障等，這些智能功能讓用戶的使用越來越方便，維護也越來越自如。

（4）網絡化。隨著越來越多的數字音視頻設備具備IP功能，專業音視頻系統的物理架構發生重大變化。目前已經出現一大批帶有IP接口的數字調音臺、功率放大器、有源揚聲器等，而且發展呈上升趨勢。一根超五類或六類網線可以容納數以百計的高質量、無壓縮、低延遲音頻通道。如果將這些IP設備通過網絡交換機連接到一起，便組成了一個規模巨大的音視頻系統。網絡化音視頻系統都已具備了主備冗余的功能，通過成熟的網絡備份技術，就能應對安全性要求極高的會場。將音視頻、控制等諸多信息元素全部數字化、網絡化，傳輸方式采用標準的IP網絡，減少大三芯、卡儂頭等專用接口的使用，使物理連接大大簡化，給工程設計者和使用者提供了一個全新的音視頻網絡化整體解決方案。

（5）數據化。會場音視頻設備在整體網絡化架構中，會成為大數據產生、搜集、分析的節點。大數據是智能化、智慧化的基礎，當足夠多的數據被搜集、分析和使用，這些數據將成為優化會場系統的重要支撐。例如，依靠數據化建立的一體化運維管控平臺，可以把系統所有運行設備在線集中監控管理起來，將設備的狀態與用戶使用情況相結合，分析設備及用戶的有效規律，配合智能化算法和人工智能模型進行趨勢分析及預測，掌握預防性維護的規律，將傳統的會場音視頻系統進化為一個集管理、操控、監測、運維于一體的智能化運維管控平臺，確保系統穩定可靠運行，并提供一套有效的科學維護管理方法。

2.2 會場音頻系統網絡化發展

隨著會場音頻網絡化技術的發展，在一根以太網線中可以傳輸數百路音頻信號，采用多播路由就可以省掉大量音分設備，使用商用交換機和管理軟件即可替代傳統的音頻矩陣。網絡化音頻系統將設有統一的運管平臺，經運管平臺集中完成設備在線參數配置、路由、監測、診斷等管理任務，能夠通過軟件來定義各類會議場景的應用，以前只能對單一設備進行場景的預設和加載，而今后則可以對整個音頻系統所有設備進行統一的參數設置和功能切換，通過運管平臺能集中監測系統內各設備的實時工作狀態，并具備故障自動報警，系統應急切換等功能[4]。下面介紹幾種具有代表性的音頻網絡化技術。

2.2.1 Dante

Dante是Audinate公司定義的網絡音頻解決方案，是基于3層的IP網絡技術，能提供一個簡化的、自配置和即插即用的使用百兆或千兆互聯網協議的數字音頻網絡化技術。Dante技術具有延時小、采用IEEE1588精密時鐘協議進行時鐘同步、采用zeroconf（Zero Configuration Networking）協議、網絡具有高兼容性、傳輸模式可以是單播或是多播模式等優勢，可應用于專業音響、公共廣播、視頻會議等系統。產品經歷了從早期的模塊化產品到后來的芯片化，到現在的軟件化方向發展。

2.2.2 AVB

AVB的全稱是以太網音視頻橋（Ethernet Audio/Video Bridging）技術，是一項新的IEEE 802標準。其在傳統以太網絡基礎上，通過保障帶寬，限制延遲和精確時鐘同步，提供完美的服務質量，來支持各種基于音頻、視頻的網絡多媒體應用。AVB是一種架構在以太網二層網絡基礎上傳輸專業非壓縮音頻、視頻信號的協議技術，能夠支持目前大多數的專業視頻信號格式，支持多達512通道的無壓縮音頻信號。

2.2.3 Q-LAN

Q-LAN是美國QSC音頻產品公司為Q-Sys音頻網絡處理平臺開發的第三代IP化音頻（Audio over IP，AOIP）專有技術，相關產品包括Q-SysCore核心處理單元、I/O接口單元以及管理軟件等，主要應用場合是會議擴聲、視頻會議、會控中心以及大型游樂場地等。

2.2.4 AES67

音 頻 工 程 協 會（Audio Engineering Society，AES）在2010年12月啟動了一項多個音頻網絡協議可互通的項目，以實現不同廠商AoIP設備之間的互操作。該標準于2013年9月正式頒布，此后又經過了一次修訂，現在的版本是AES67-2015。AES67標準從同步、媒體時鐘、傳輸、碼流、會話描述、發現服務及連接管理等方面闡明并規范了AoIP的機制和具體細則，特別是對基于IEEE 1588 v2的同步機制和RTP流的單組播傳輸方案作了明確的定義，使得不同廠商的AoIP設備和系統之間的時鐘對接和音頻數據流對接成為可能。目前世界主要的AoIP體系均支持AES67標準。

2.2.5 AES70

AES于2016年1月發布了AES70-2015標準，它的全稱是《面向網絡音頻應用的開放式控制架構》，以IP方式在入網的數字音頻設備及非音頻設備之間傳遞各類控制信號，以達到監測、控制及管理的目的。AES70標準提供了一個非常完備的基于IP網絡的音頻系統監管框架，具備良好的安全性、可用性、魯棒性、兼容性、可擴容性以及可分析性。AES67、AES70兩者的結合，成就了一個完美的AoIP音頻網絡系統。

2.3 會場視頻系統技術發展

隨著4K超高清視頻技術、視頻網絡化技術以及設備軟件定義功能等技術的不斷發展，會場4K超高清視頻系統有以下幾種技術可供選擇[5]。

2.3.1 HDBaseT接口技術

HDBaseT技術是高清數字傳輸的全球標準之一。它通過普通的CAT5e/6網線進行無壓縮傳輸，支持最高20 Gb·s-1的傳輸速率，采用RJ-45接頭連接，傳輸距離可達到100 m。此外，它還提供以太網功能，具備100 W的供電能力（PoE）和控制信號通道，支持HDMI 1.4，HDMI 2.0及HDMI 2.1接口協議，同時完全兼容高帶寬數字內容保護（High -bandwidth Digital Content Protection，HDCP）技術。對于常用的點對點使用方式，它具有低功耗、易于使用等特點，已被許多的音視頻制造商廣泛應用。市場上采用此技術協議接口的產品很多，如視頻會議終端、攝像機、視頻多格式混合矩陣等，通過HDBaseT接口設備與視頻多格式混合矩陣相結合的方式，實現會場4K超高清視頻系統的功能。

2.3.2 12G-SDI技術

隨著12G-SDI技術在廣播電視領域的廣泛應用，12G-SDI系統具有系統架構熟悉、設備性能穩定、施工方便等優勢，被認為是目前4K超高清會場視頻系統的最佳解決方案。12G-SDI是電影電視工程師協會（The Society of Motion Picture and Television Engineers，SMPTE）制定的基于SDI傳輸4K超高清視頻接口標準（SMPTE ST-2082），其定義是12 Gb·s-1的傳輸速率，帶寬是3G-SDI的4倍，能夠支持高達4K p60分辨率，兼容HD/3G-SDI等之前的標準。12G-SDI只要1根傳輸線纜，就能直接傳輸4K超高清顯示信號。這樣的傳輸方式，之前的SDI架構不變，系統升級改造更方便。目前支持12G-SDI接口的4K超高清設備日益增多，基本能夠滿足會場4K超高清系統的使用需要。

2.3.3 NDI網絡化技術

網絡設備接口（Network Device Interface，NDI）協議是NewTek公司推出的開放式IP網絡設備接口協議。它以一種全新的網絡應用層，通過IP網絡進行超低延時、無損傳輸、交互控制，使系統的構建以及系統內各種信號的傳輸、調用變得簡單。該協議產品具有高質量、低延遲、精準同步的特點，非常適合在會場視頻系統中進行調度切換使用。NDI使系統設計和應用變得簡單和靈活，協議支持4K@60視頻信號，并支持網絡時鐘協議（Network Time Protocol，NTP），可在多部設備之間同步。NDI協議分為全NDI和NDI/HX兩種協議版本，NDI/HX協議支持H.264/H.265編碼，兩種協議的產品具有廣播級的視頻圖像質量，既可以應用在會場視頻系統，也能進行遠距離傳輸。目前支持該協議的產品種類有攝像機、切換控制臺、多畫面分割器、矩陣以及轉換器等。

2.3.4 SDI網絡化（SDI over IP）技術

SMPTE ST2022是SMPTE（電影電視工程師協會）于2007年公布的SDI網絡化（SDI over IP）視頻傳輸標準的一部分，并一直不斷完善。2017年9月18日，SMPTE宣布批準SMPTE ST2110內的第一批標準。ST2110標準系列從根本上改變了處理和傳輸專業媒體流的方式，用IP替代SDI，利用IP網技術協議和基礎框架為載體，傳輸音頻、視頻和輔助數據流，并且可實現音頻、視頻和輔助數據流同步。IP化視頻系統采用IP化基礎架構和IP化承載網絡，可完全取代SDI基礎架構，IP化承載網絡可采用10/40/100 Gb·s-1帶寬的以太網，IP化基礎架構支持IP化視頻數據流，兼容非壓縮基帶視頻數據流和壓縮視頻數據流，可實現全IP交互，支持軟件定義網絡（Software Defined Network，SDN）控制，具備SDI與IP互轉的能力。IP化系統架構的關鍵技術有無縫幀精度凈靜視頻切換技術、前向糾錯（Forward Error Correction，FEC）、冗余路徑、雙網絡切換、網絡帶寬保證技術、高精度時間同步協議（Precision Time Protocol，PTP）以及 Internet組管理協議（Internet Group Management Protocol，IGMP）等。這些技術都為IP化系統架構的方便性、可靠性、精準性建立了堅實的基礎。廣播電視行業SDI over IP技術架構的逐步推廣應用，必將會對高質量會場視頻系統起到示范引領作用。

3 結 語

隨著云計算、人工智能、5G和大數據等技術的廣泛應用，視頻會議會場的體驗也隨之全面提升，個性化需求越來越強烈，從“以設備為中心”的模式，進入“以人為中心”的模式。視頻會議與會場音視頻系統必將形成終端設備多元化、行業應用定制化、解決方案個性化趨勢，并逐步形成具有我國特色的視頻會議與會場音視頻系統發展模式。