作者：罗必达，腾讯音视频实验室质量平台组组长，高级工程师。

我所测试的是不是音视频质量

在解答了这个问题后，你可以进行业务分析了。

不同的业务，对音视频的要求是不

• 实时通话类业务

例如我们所负责的QQ音视频，就是这类业务。这类业务对实时性的要求很高。想象一下，你在跟家人聊天，在讲完一句话后，要在几秒后才能听到对方的反应，这是不可接受的。这就要求我们实时地根据网络情况，提供不同质量的音视频。例如，在链路带宽突降的时候，我们需要立刻感知到，并且尽快降低码率，以使得通话能够顺利进行（可参考网络带宽的水池效应，这时候如果我们还追求所谓的清晰度、流畅度，那其实是本末倒置的）；当带宽恢复后，我们还要尽快地把码率提上来，以便用户得到清晰流畅的画面和声音。这些调整同样需要在其他网络损伤中进行，例如丢包（还分随机丢包和连续丢包）、抖动等等。

所以实时通话类业务的测试，我们更多地把关注点放在”流控策略“上面。

• 异步通话类业务

异步通话类业务典型的代表是PTT。由于不需要根据网络进行实时调控（有点类似于传文件），所以这类音视频业务的音视频测试相对简单，只需要关注生成的语音音质和大小的权衡关系就行了（注意我只是说音视频测试，其他例如到达率等等的测试，那已经不是音视频测试的范畴了，下面几个分类也如此）。也就是因为这样，这种业务的音视频开发工作更多地是在选择合适的CODEC以及选择哪个码率（非实时选择）更优上。这种情况下，对用户在音质和流量的接受程度就至关重要了，当然，这种事情我个人认为应该产品经理来把握比较好（别跟我扯产品经理不需要技术知识）。

• 一对多的秀场类业务

这类业务最近很火，最典型的就是全民直播（例如映客、花椒等等，一抓一大把）。这类业务的特点是对延时要求不高，但对清晰度和流畅度要求很高。也正是因为延时要求不高的特点，才可以把码率维持在高段，来做到高分辨率和高帧率（这是实时类无法做到的）。一般来讲，技术上都以RTMP来实现。

基于以上特点，这类音视频业务，重点就不是放在”音视频本身”的质量上了，而是其他体验了，比如说美颜、美白等等跟趣味相关的前处理上，还有频道进入的速度、切换速度等用户体验上。

另外必须要提一下，这类业务并非完全对实时性没有要求。例如教育，在一般场景下，确实是这种一对多的业务形态，但是，一旦有老师跟学生之间的交互，那么，保证一定的实时性也是必须的。所以，还是得看具体的业务形态具体分析。

• 流媒体类业务

流媒体类业务是音视频技术的一个很重要的分支。作为常年从事通话类业务的我，或许没有太多资格来对这一块提建议。但因为这个部分是介绍不同业务的音视频测试特点，我还是有必要来讲一下流媒体这一个分类。

流媒体类业务相对通话类业务，有一个很大的不同，那就是用户之间基本上没有音视频层面的互动。广义上来讲秀场类业务也可以归为这一类。

同样，这类业务对实时性没有要求，音视频也是存储在后台的数据。音视频测试在这类业务上更多是关注编码或者转码的质量。这类测试由于可以使用很多全参考的工具（如PEAQ、PEVQ等），相对来讲会比较简单，甚至开发人员自己就可以对这一块进行测试了。

在传输层面，我不太清楚现在的流媒体业务会不会根据网络情况来动态转码（比如动态转分辨率和码率）。如果有，那这一块文章就大了。如果没有，只是静态地切换几个已生成的分辨率，那基本上也跟音视频测试没太大的关系了。

这类业务离不开下面要讲的另一类业务。

• 播放类业务

我把QQ音乐和腾讯视频这种业务的客户端归类到播放类上（也就是说，不考虑服务器的内容生成或转码部分）。这类业务刚刚提过，测试的其实不是“音视频本身”的质量，而是播放器的质量。这类业务在传输方面，更多的是考虑缓存大小与实际体验（例如流畅性）的关系。

但是这里有一点要注意的，这类业务也并不是完全和音视频测试毫无关系，例如QQ音乐客户端有个音效相关的功能，这是后处理技术，也是需要一定的音视频测试。

。。。。。。

还有很多业务类型，就不在这里一一列举了。

也许上面的分类不一定准确，但这不重要，重要的是想希望大家在面对音视频相关的测试需求时，认真分析一下其特点，然后有所针对地进行测试。

需要什么知识

无论你是不是“真的在测音视频”，跟音视频沾点边的需求，都需要你具备一定的音视频基础知识。

当然这些知识没有办法在一篇文章里面讲清楚，所以仅在这里列举一下，大家可以根据自己的需求去学习。

音频知识

（基础篇）

了解术语：采样率、声道、码率、噪声抑制（NS）、回声抵消（EC）、增益控制（GC）、信噪比

了解CODEC：语音类CODEC、音乐类CODEC，以及他们之间的应用范围及区别

（进阶篇）

了解采样定理、心理声学模型、傅里叶变换、频谱

视频知识

（基础篇）

了解术语：分辨率、颜色空间（RGB、YUV等）、帧率、码率

（进阶篇）

了解人眼视觉系统特性，了解视频编码原理，了解帧类型（I帧、P帧、B帧）及参考关系

网络知识

（基础篇）

了解损伤类型：丢包（连续丢包、随机丢包；固有丢包、拥塞丢包）、延时、抖动

（进阶篇）

了解丢包恢复策略（FEC、重传）及其优缺点，了解Jitter Buffer及其影响，了解实时带宽预测算法

评测知识

无参考评估、全参考评估（PESQ、POLQA、PEAQ、PSNR、SSIM、PEVQ等）、MOS

其他

了解一些摄影相关的知识（例如快门、光圈、感光度），了解一些平台音视频相关的API（采集和渲染）

Q&A

这里把一些大家以前问到，或者可能问题的一些典型问题，抛出来给大家分享一下。

Q：清晰度高指的是分辨率高吗？

A：这个估计是很多非音视频专业的同学常常会搞混的两个概念。我这里先给出答案：分辨率确实会影响清晰度，但是两者没有绝对的关系。为什么这么说呢？抛开采集因素（例如摄像头没对焦）之外，这里还涉及一个因素：码率。我先假设这里大家讲的不是无损视频，那么必然涉及到编码。如果编码码率低，就算分辨率再高，单帧质量也会由于各种块效应显得很“脏”，就更不用提清晰度了。

Q：采样率对音质有什么影响？

A：首先要了解采样定理，即采样率必须高于输入信号最高频率的2倍，这样才能无失真地恢复原始信号或完整地保留信息。也就是说，8kHz的采样率只能表示0~4kHz频率的声音信号，而48kHz能够表示0~24kHz频率的声音信号。所以，如果要表示所有人耳能听到的所有声音（频率范围20~20kHz），就必须使用40kHz以上的采样率（常见的是44.1kHz和48kHz）。当然，采样率高了，意味着数据量就大了，编码后的码率也就高了。所以选择什么采样率，跟你的应用对高频的需求有多大。例如电话这种应用，目的是用于人与人的沟通，而人类的发声范围是100~3400Hz，所以8kHz基本上就能满足。QQ音视频用的是16kHz采样率，因为用户在满足沟通之余，还需要一定的所谓的真实感。

这个采样定理也可以用在视频上，比如上面所说的分辨率，实际上就是空间采样率，分辨率越高，能够表示的空间频率越大，也就是说可以表示更加复杂的纹理，所以一般情况下清晰度也就上去了。

Q：码率能再低些吗？

A：这是我最经常被问到的问题，特别是之前在跟手Q基础侧PK音视频流量的时候。这个问题其实不好回答，因为这里涉及到质量与码率的权衡关系。在相同的CODEC情况下，码率对质量的影响最大，降低码率，意味着就损失质量，而音视频质量却又是一个非常主观的东西。你很难证明目前的质量是否可以再降。因此QQ音视频只能在移动网络这种流量敏感的网络类型中，提供比wifi及有线网络质量稍差的体验，以减少流量的消耗。但是依然会被问，还能再低些吗？这个问题没有答案。

Q：我看你们的文档里经常有提到主观测试，有更高效的方法吗？

A：首先，我要强调一点，如果你是做音视频测试，一定不能排斥主观测试，哪怕效率低下。这是因为音视频质量本来就是一个很主观的东西。我举个例子，在可用带宽极低的情况下，QQ音视频能用的码率有限，在视频中，必然涉及清晰度和流畅度的权衡。如果这时你问不同的人，是希望保证清晰度还是流畅度，你肯定会得到不同的答案。ITU对主观测试有一些规范，也就是我们经常听到的MOS评分，这是最准确的测试方法。

但是主观测试确实很影响效率，这个毋庸置疑，所以业内也有很多人在研究客观评测的方法，例如PESQ等等，目的是使得这些工具评测的结果更加符合主观。

再来举个我们经常提到的一个悖论的例子。我们来说一下回声抵消的测试。目前我们回声抵消只有主观测试的方法，为什么呢？回声抵消算法的关键是区分一段语音近端信号和远端回声，然后进行消除。我们要测试回声抵消的效果，那么就需要一个判断回声是否被消除干净的算法或工具，咦，这不就是在做回声抵消吗？如果我的算法没有开发的算法好，那我肯定检查不出来是否有回声，如果算法比开发的好，那为啥开发不直接把我的算法用在回声抵消中呢？

Q：能否告诉我你的测试结果究竟是pass还是fail？

A：能，也不能。音视频质量的测试从来就不只有0和1的结果。音视频质量往往是在给定资源情况下的一种权衡结果（参考上面讲到的清晰度与流畅度）。所以这里要明确你的目标是什么，但这个目标不一定是“正确”的。如果拿捏不准自己的产品音视频质量是否已经达到最优，通过竞品对比分析也是一种很有效的解决方法，这也是很多产品在做性能优化时采用的手段