音频直播，这里面到底有多少坑

1 直播，能否成为 音频的下一个爆发点

互动直播发展如日中天的同时，纯音频直播其实也在悄然扩大应用的范围。早在2014年的世界杯期间，考拉FM就率行业之先通过纯音频方式连续对64场赛事进行了实时直播，此后考拉FM将音频直播应用到了演唱会、电影发布会、娱乐明星专访等等领域。随后，喜马拉雅与蜻蜓FM也相继推出了音频直播功能。

随着互动直播成为了网络社交和粉丝经济的全新入口，直播进入了新的阶段。直播一方面向着更轻悦化、娱乐化、生活化、垂直化方向发展，另一方面向着与更多商业结合的方式发展。视频直播打造了一批网红，催生了网红经济，音频是否也能复制视频直播的模式呢？直播，能否成为音频下一个爆发点呢？

事实上，音频直播在媒体属性方面具有与视频直播类似的体验效果，应用价值已被考拉FM、喜马拉雅等应用大规模验证。除此之外，音频直播还能在哪些点上找到突破呢？

移动场景下，音频直播更适合

例如在开车、运动等移动场景下，用户很难一直盯着手机看，一是极度不安全，再者对4G流量消耗的负担也较重。这方面，音频直播就能弥补视频在移动场景下的不足，更符合用户习惯。移动场景下，音频直播将补齐用户对碎片化互动直播接收的需求缝隙。

在某些垂直领域音频直播更具实用性

比如在教育培训、微信群直播等目的性非常强的垂直领域，音频直播相对于视频直播来说，去掉了花哨的弹幕、鲜花等互动，更能将用户的注意力集中在内容本身，加上音频直播发起流程更简单，更轻量，费用也更低，在这类应用场景中，相对于视频直播，音频直播更具实用性。

2  音频直播技术要点

和视频直播一样，音频直播背后同样有一套复杂的技术支撑，流程基本和视频直播一样，由 采集 → 编码推流 → 网络分发 → 解码 → 播放 五大环节组成。

其中：

（1）采集环节是通过麦克风等对声音进行采集，将声音转换为数字信号，这里面需要配置的参数主要是采样率、采样位数、声道数；

（2）编码环节是将较大的数据量压缩成较小的数据进行网络传输，常用的编码算法一般有AAC、Speex等；

（3）网络分发是针对大规模音频直播进行CDN分发，低延迟和稳定性最为重要。视频会议等双向音频交互要求更低的延时，一般会采用私有协议、专线等方式来保障；

（4）解码和播放环节是将解完码的音频在多平台进行播放，多终端兼容性较为重要。

除了以上主干环节外，音频直播还必须要考虑的技术点主要有去背景噪音、去回声、流畅、低延迟 等等。所以一个比较完善的音频直播系统的典型流程会变成下面这样：

然而，在实际业务应用中，由于诸多外部因素的影响，音频直播的实现往往不会这么简单顺利，观止云在承接大规模网络音频直播服务中，也遇到了大量的坑。我们将通过系列文章将这些坑分享出来，本文作为音频直播大坑系列第一篇文章，将基于观止云实际案例分享如何支持Flash推送的音频流在微信平台播放。

3  音频转码

大部分在线教育直播系统中，老师和学生头像的画面一般都直接调用Flash进行推流，而Flash推流音频只能采用speex编码（AAC专利所致）。随着微信平台各方面优势凸显，直播流需要同时分发到微信平台的H5页面上。大家都知道，H5只能播放HLS直播流，而HLS协议是不支持speex音频格式的。

观止直播云支持云端音频转码功能，在收到Flash推上来的直播流后，在服务端将speex转为AAC，再通过HLS+协议分发到H5页面。音频转码功能不但解决了Flash推流微信平台播放的难题，HLS+协议分发还能显著降低传统HLS分发的延时，是该应用场景下最佳解决方案。

4  结语

视频之后，音频直播能否也在这波直播大浪潮中挖掘到独特的商业价值，这也许要留给时间去解答。但就从技术角度而言，大规模的音频直播要想实现良好的互动体验，也必然会经历无数的大坑。观止云后续音频直播系列文章中，将会陆续对音频直播卡顿、无声、多终端兼容、基于混音技术实现的音频直播连麦等技术进行分享。