10 月 22—23 日，由聲網 Agora 主辦的 RTE2021 實時互聯(lián)網大會在北京圓滿落幕。大會以“萬象頻道”為主題，帶來了 20 余場實時互聯(lián)網全生態(tài)線下論壇及活動、近百場的精彩演講分享，覆蓋技術開發(fā)、行業(yè)觀察、創(chuàng)業(yè)投資、趨勢洞察等多維度話題。同時，在大會現(xiàn)場還設置了 demo 豐富的聲網展臺、酷炫的 Metaverse 展臺以及豐富的周邊活動，為參會觀眾展示了實時互動技術帶來的全新體驗。
從 2015 到 2021，今年已經是實時互聯(lián)網大會跨過的第七個年頭，本屆大會吸引了 150+ 全球極具前瞻性與實踐力的技術領袖、近千名實時互聯(lián)網領域的從業(yè)者與數(shù)千名行業(yè)開發(fā)者的關注與參與。大會圍繞實時互動行業(yè)一年來的行業(yè)變遷、趨勢展望，從場景、技術、產品、生態(tài)等多個維度進行了深度探討與分享。
RTE 萬象圖譜重磅發(fā)布
全球首個全自動多場景模擬聲學實驗室落成
10 月 22 日 RTE2021 大會的主論壇上，聲網 Agora 創(chuàng)始人&CEO 趙斌發(fā)表了主題為《萬象紛呈，實時進化》的演講。隨著線上模式被越來越多的行業(yè)所接受，RTE 技術正在不斷解鎖著全新的應用場景。從遠程辦公的興起到 LiveAudioCast 場景的爆發(fā)，2021 年每一個人都親眼見證了實時互動、實時音視頻能力在媒體行業(yè)改造工業(yè)、引爆新的媒體形態(tài)、改造社會的交流形式的潛力。
聲網 Agora 創(chuàng)始人、CEO 趙斌
趙斌在演講中談到了他總結的對于未來實時互動領域未來發(fā)展趨勢的關鍵詞：孿生與融合。
從趨勢上來看，數(shù)字化的普及是大勢所趨。但從娛樂場景來看，從影視到文藝、從直播到展會，越來越多的娛樂場景完成了由線上到線下的華麗轉身。當真正的數(shù)字化普及完成并實際發(fā)揮效用后，互動就成為了其中不可或缺的重要環(huán)節(jié)。這是針對現(xiàn)有場景而言，而當數(shù)字化技術與實時互動技術發(fā)生碰撞，還會有更多的應用場景誕生。數(shù)字化與互動技術的孿生，正是目前 RTE 領域使用量增加、應用滲透率提高，同時應用場景也在爆發(fā)的根本原因。
當深入數(shù)字化場景，其實不難發(fā)現(xiàn)線上線下體驗的相互融合，其本質便是一種技術上深刻的進化。在虛擬與現(xiàn)實交融的場景中，數(shù)據(jù)的實時同步和共通帶來了數(shù)據(jù)的虛實融合。不論是技術的進化，亦或是環(huán)境的變化，都會給各種可能性釋放更多的空間。同理，實時互動的邊界也在不斷進化，傳統(tǒng)意義上的實時通訊向實時互動場景化的人的共同存在，這樣的交互也有可能創(chuàng)造價值的擴張。
在演講過程中，趙斌發(fā)布了基于實時互動場景的“ RTE 萬象圖譜”，共覆蓋教育、泛娛樂、IoT、金融、醫(yī)療、企業(yè)協(xié)作、數(shù)字政府、智慧城市等 20+ 行業(yè)賽道，200+ 場景。趙斌表示：疫情的影響助推動萬象圖譜中的場景加速豐富和成熟，例如教育、社交、直播、會議等領域已初步形成成熟場景，并且他們未來將長期存在。
在萬象圖譜所包含的 200+ 場景中，不僅有許多已經經過實際應用考驗的成熟場景，還有數(shù)量遠超成熟場景的新萌芽場景。在萬象圖譜中，聲網 Agore 依托自身龐大的行業(yè)經驗與市場分析能力，對全球處在萌芽階段的應用場景進行了全面的梳理。開發(fā)者和創(chuàng)業(yè)者能夠通過萬象圖譜中的場景梳理，找尋全新的靈感與視角，并同聲網一起對這些萌芽場景進行打磨，探索其中真正的價值與創(chuàng)新點。
除了萬象圖譜，趙斌還在演講中宣布另一個重磅消息：聲網 Agora 打造了全球第一個全自動的多場景模擬聲學實驗室。他表示：它的出現(xiàn)代表著 RTE 行業(yè)在多場景的實時互動下第一個專業(yè)的測試設施和測試環(huán)境的建設已經成功投產，將為未來多場景下的音頻和音效的研究、測試、評估帶來新的高度和便利。
下一代實時互聯(lián)網，路向何方？
聲網 Agora 首席科學家鐘聲博士分享了《實時互動與智能互聯(lián)網》的主題演講：
隨著線上線下的加速融合，在當下無論是視頻通話、在線課堂、VR/AR、直播秀場都已經成為我們習以為常的生活體驗。實時互動技術，毫無疑問它的出現(xiàn)極大地強化了人們在線上世界中的社交體驗，同時也提升了線上應用場景中的用戶粘性。
想要在線上世界中重現(xiàn)線下人們“歡聚一堂”的體驗，對于通信網絡低延時的需求是十分嚴苛的。針對實時互動中的低延時需求，在面對海量的非結構化數(shù)據(jù)要被處理、要被理解、要被還原的需求上，做到感知通信計算一體化的技術支持是非常必要的。
聲網 Agora 首席科學家鐘聲博士
在未來的實時互動場景里，從體驗上來講是敘事的延展，從過去單純的感官體驗到沉浸式的互動敘事感受，在未來的實時互動場景中人們將獲得更加豐富的體驗。在線上世界中，我們需要構建基于自身的虛擬角色去演繹效果，其中虛擬角色與現(xiàn)實中真實存在的“我”，二者之間的聯(lián)系是需要數(shù)字孿生以及人體的數(shù)字孿生技術作為紐帶的。未來的實時互動中必須要有的是一種強大的交付、表達以及共情的能力，這其中包含了對表情情感的識別，以及環(huán)境的感知、觸覺的感知以及基于 AI 的 3D 建模，這些技術共同構成了數(shù)字孿生。
在談到影響未來實時互聯(lián)網發(fā)展的關鍵技術時，鐘聲介紹到：聲網專注在做低延遲+邊+云的加速，實時構筑在 PaaS 系統(tǒng)里，API 提供靈活應用業(yè)務構建的內容，以及先進的云/邊計算，未來這些肯定是非常重要的技術發(fā)展方向。通信領域除了帶寬、寬口的延時、可靠率、多設備連接繼續(xù)演進之外，像太赫茲、毫米波、超大規(guī)模 MIMO 都是底層的關鍵技術。同時，為了呈現(xiàn)更加貼近現(xiàn)實的視頻圖像效果，超高分辨率的視頻技術也是不可避免的。
同時，針對AI技術在實時互聯(lián)網中的應用，鐘聲也給出了自己的思路：如何能夠做到通過一個小數(shù)據(jù)就能把所有的信息檢索出來，恢復出來？這看似不能完成，但實際上可以通過 AI 的算法泛化大數(shù)據(jù)轉化為小數(shù)據(jù)，以小數(shù)據(jù)驅動大數(shù)據(jù)。從發(fā)送端提取關鍵點，在接收端根據(jù)關鍵點重新生成視頻。
針對現(xiàn)如今通信與計算融合后，現(xiàn)有的運維、技術架構已經無法應對當今實時互動的業(yè)務和體驗要求。聲網 Agora 首席科學家鐘聲在演講中表示，下一代的實時互聯(lián)網，需要全網協(xié)同及網絡感知能力，并做好全域帶寬實時調度、全域資源實時調度，發(fā)展支持靈活的動態(tài)分布式計算云原生軟件架構，充分利用 AI算法來泛化智能，小數(shù)據(jù)驅動大數(shù)據(jù)，并持續(xù)提升端/邊/芯片等硬件能力，才能滿足當今實時互動場景提出的技術、業(yè)務和體驗要求。
AI、深度學習不斷滲透 RTE 的方方面面
除了鐘聲博士的前瞻性研究，在 RTE2021 大會上我們能看到的另一個重要現(xiàn)象，是 AI、深度學習正在不斷滲透到實時音視頻的方方面面。音頻、視頻、網絡各領域的算法工程師們都在實踐，以 AI 去優(yōu)化與提升自身領域的性能表現(xiàn)。
谷歌工程師在 RTE2021 大會上分享了最新的低比特率語音編解碼器 Lyra，Lyra 以少量數(shù)據(jù)壓縮重構語音，實現(xiàn) 20kpbs 以下的順暢視頻通話。谷歌工程師們對單個最大矩陣進行稀疏化，即門控循環(huán)單元（GRU）內的矩陣，而這些塊矩陣可以實現(xiàn)為小而密集的矩陣，從而讓深度學習訓練速度提高了兩倍。
聲網的 Silver 語音編解碼器則是通過深度學習探索碼率、算力和效果的平衡。聲網的音頻算法團隊使用 AI-NS 降噪算法提升語音信噪比，解決噪聲問題，以減少低碼率帶來的 artifact；
編碼基于傳統(tǒng)算法的分頻帶特征提取（基頻、子帶頻譜包絡、能量等），以及 RVQ、距離編碼等方法實現(xiàn)特征編碼節(jié)省碼率；解碼采用自回歸模型和帶寬擴展（BWE）的 WaveRNN 模型實現(xiàn)模型算力的精簡?；谧匝械亩嗥脚_ AI 推理引擎實現(xiàn)模型的非對稱量化、混合精度推理、計算壓縮解碼耗時，最終保證移動端部署的實時性。
另外，還有 NVIDIA 深度學習資深解決方案架構師在大會上分享了英偉達從提升算力、結構化稀疏減少算力損耗、模型量化尋找最優(yōu)算力的深度學習“一增兩減”思路。聲網 Agora SD-RTNTM 網絡傳輸質量工程師分享，探索聲網如何將運維操作的 API 化、平臺化，將 AI 和 OPS 拆解成算法-決策-執(zhí)行，以實現(xiàn) 7*24H 無間斷、運維執(zhí)行的質量和效率。
視頻標準與專利發(fā)展迅速，期待 AV2 的到來
除了 AI 的深入實踐，國內廠商在實時音視頻領域另一個重要的戰(zhàn)場，標準制定上，也在投入大量精力。RTE2021 大會上，參與了高清、4K 等視頻國際標準制定的葉琰博士，分享了關于 MPEG、ITU 發(fā)展歷程，VVC 性能演進詳細指標數(shù)據(jù)，以及視頻標準商用落地的最新個人觀點。
MPEG 發(fā)展路徑
她很坦率地提出了，已經占據(jù)互聯(lián)網 80% 流量的視頻，壓縮技術日趨被重視，也將帶來專利技術之爭，以及專利授權的復雜場景。另外，MPEG 視頻相關工作將在 VVC 下一代標準技術研發(fā)、AI 視頻編碼（包含傳統(tǒng)框架下提供更高壓縮性能、神經網絡進行視頻壓縮兩個方向），以及浸入式視頻方向發(fā)力。
除了視頻標準，RTE2021大會上，谷歌工程師也帶來了最新的 AV2 編解碼器的設計和性能優(yōu)化成果。上一代 AV1 僅僅在引入實際場景落地的進程中，谷歌的工程師們已經在繼續(xù)向前，以 0.4~1.5% 的性能提升，探索編解碼效率的極限。所以，與 AV2 相關的場景和標準，也將是業(yè)界重點關注的工作。
WebRTC 開源與標準之上，聲網如何打破“黑盒子”
今年，WebRTC 正式成為 W3C 與 IETF 的官方標準，看起來塵埃落定。不過，WebRTC 開源社區(qū) Committer、聲網 Agora WebRTC 負責人毛玉杰在大會上分享了，各組織在 WebRTC Codecs 存在著開源與標準之爭的現(xiàn)狀問題，以及聲網在 WebRTC 標準之上，如何設計 Web 端到端音視頻傳輸架構，降低開發(fā)者對實時音視頻的使用門檻。
他總結了 WebRTC 的六個現(xiàn)有問題：設備與外設缺乏適配、各類瀏覽器兼容性、移動端支持不佳、音視頻模塊不可定制、性能問題、統(tǒng)計數(shù)據(jù)缺失，目前瀏覽器廠商并不能全部解決以上問題。聲網結合 ORTC、WebRTC Extenions、WebRTC-SVC、Web Transport、Raw-Socket……等多個技術標準，形成了現(xiàn)在聲網的 Web 端到端音視頻傳輸架構。
聲網 Web 端到端音視頻傳輸架構
從 AgoraAI 實時 AI 加速引擎的推出，到在千元機上開啟各類 AI 玩法；從 WebRTC 的標準化，到在探索在 Web 端達到 native 端同等的能力；從 RTC 與 IM 融合基礎上提供的 aPaaS 到 RTE 萬象圖譜的發(fā)布。過去一年是聲網 Agora 技術進化的一年，也是實時互聯(lián)網邁向全新技術階段的重要變革點，RTE 領域的未來值得我們期待！
