1872年的某一天，在美國(guó)加利福尼亞州的一個(gè)酒店里，兩個(gè)年輕人發(fā)生了激烈的爭(zhēng)論。

其中一人認(rèn)為，奔跑的馬在躍起的瞬間，四蹄是騰空的。而另一人則認(rèn)為，馬奔跑時(shí)，始終有一個(gè)蹄子是著地的。

來(lái)自英國(guó)的攝影師麥布里奇得知此事后，決定通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證誰(shuí)對(duì)誰(shuí)錯(cuò)。于是，他借助24臺(tái)相機(jī)，連續(xù)拍攝了24張照片，并由此創(chuàng)造了人類歷史上第一個(gè)“視頻”。

不久后，1877年，著名發(fā)明家愛(ài)迪生在他的“圓筒留聲機(jī)”上，錄下了他親自朗讀的《瑪麗有只小羊羔》的歌詞。

這短短數(shù)秒的聲音，成為了人類歷史上第一條音頻。由此，人類正式進(jìn)入了音視頻時(shí)代。

█音視頻技術(shù)的發(fā)展和演進(jìn)

眾所周知，人有五感，分別是視覺(jué)、聽覺(jué)、嗅覺(jué)、味覺(jué)和觸覺(jué)。通過(guò)五感，我們才能感知外部物理世界的存在，享受真實(shí)生活的美好。

在人類漫長(zhǎng)的歷史長(zhǎng)河中，文字、圖畫是記錄和傳遞信息的主要方式。直到前面提及的音視頻出現(xiàn)，才將人類記錄信息的方式，升級(jí)到了一個(gè)更高的維度，更加具象化。

音頻和視頻誕生早期，只能存儲(chǔ)在膠片和磁帶上，容量有限，也不方便保存和運(yùn)輸。

直到20世紀(jì)70-80年代，隨著數(shù)字錄音和攝像技術(shù)的不斷成熟，唱片公司和電影公司開始采用數(shù)字方式錄制原始素材，并進(jìn)行后期制作，掀起了音視頻技術(shù)的革新浪潮。

在數(shù)字技術(shù)的支撐下，音視頻剪輯變得更加方便快捷。CD、MD、DVD等數(shù)字載體的出現(xiàn)，不僅讓音質(zhì)畫質(zhì)大幅改善，還極大地?cái)U(kuò)充了存儲(chǔ)容量，減少了空間占用。

到了90年代，個(gè)人PC的規(guī)模普及，以及互聯(lián)網(wǎng)的爆炸式發(fā)展，再次刺激了音視頻技術(shù)的飛躍，并將人類全面推向了多媒體時(shí)代。

那一時(shí)期，互聯(lián)網(wǎng)先民們瘋狂地上傳和下載mp3、wav格式的音樂(lè)，bmp、jpg格式的圖片，還有rm、mov、avi格式的電影。他們不再局限于純文字的交互方式，而是全面轉(zhuǎn)向了QQ、MSN這樣的多媒體通信工具。

與此同時(shí)，基于音視頻技術(shù)發(fā)展起來(lái)的游戲產(chǎn)業(yè)，更是將人們對(duì)數(shù)字世界的感官體驗(yàn)，推向了更高的層級(jí)。人們開始有了對(duì)數(shù)字虛擬空間生活的早期憧憬和迷戀。

進(jìn)入21世紀(jì)后，隨著3G/4G、光纖寬帶的高速發(fā)展，以及摩爾定律下CPU、內(nèi)存、硬盤能力的進(jìn)一步躍升，音視頻技術(shù)再獲突破，幾乎可以說(shuō)是日新月異。

以視頻的清晰度為例，一路從早期的標(biāo)清（320p/480p），發(fā)展到高清（720P/1080P），再到超高清（4K/8K），并最終催生了前所未有的人機(jī)交互模式——VR/AR（虛擬現(xiàn)實(shí)/增強(qiáng)現(xiàn)實(shí)）。

VR/AR的出現(xiàn)，第一次讓人類感受到什么叫做沉浸式體驗(yàn)。我們與數(shù)字世界的交互，從單向異步，變成了雙向同步。我們向真正的數(shù)字空間生活，邁出了一大步。

2020年，騰訊提出“全真互聯(lián)網(wǎng)”。2021年，元宇宙火遍出圈。這些都是音視頻技術(shù)飛速發(fā)展的產(chǎn)物。

視頻編解碼技術(shù)的不斷演進(jìn)，信息通信技術(shù)的快速迭代，極大地改善了人們的視頻觀看體驗(yàn)，徹底激發(fā)了人們對(duì)平行數(shù)字空間的渴望和向往，認(rèn)為這是一種可以實(shí)現(xiàn)的夢(mèng)想。

人們不再滿足于使用音視頻技術(shù)傳遞真實(shí)世界的影像，而是更希望將真實(shí)世界的一切元素都“捕捉”下來(lái)，轉(zhuǎn)換成無(wú)數(shù)的比特，存放在硬盤里。這些比特，將成為人們構(gòu)建數(shù)字虛擬世界的素材。

█ 音視頻技術(shù)的需求變化

元宇宙到底能不能成真，我并不知道答案。但是，音視頻技術(shù)的需求趨勢(shì)，卻是顯而易見的。歸納而言，就是兩點(diǎn)：平民化、產(chǎn)業(yè)化。

近年來(lái)，智能手機(jī)的普及，專業(yè)攝錄設(shè)備的降價(jià)，讓越來(lái)越多的普通用戶有機(jī)會(huì)進(jìn)行音視頻內(nèi)容創(chuàng)造和生產(chǎn)。

短視頻業(yè)務(wù)的爆發(fā)，以及全民直播的興起，更是將視頻平民化推向了新的高潮。

幾乎在一夜之間，我們就進(jìn)入了“人人看視頻，人人拍視頻”的時(shí)代。很多優(yōu)秀的up主或主播，能夠通過(guò)優(yōu)質(zhì)的內(nèi)容，賺取巨額收益，刺激了人們將視頻作為謀生手段的熱情。

在這樣的情況下，音視頻技術(shù)需要進(jìn)一步降低門檻，讓更多的人能夠更容易地生產(chǎn)內(nèi)容。

2020年，突如其來(lái)的新冠疫情，也間接推動(dòng)了音視頻產(chǎn)業(yè)的發(fā)展。我們需要借助虛擬空間的延伸，彌補(bǔ)疫情導(dǎo)致的物理空間上的限制。

學(xué)生居家學(xué)習(xí)，企業(yè)居家辦公，產(chǎn)生了大量的網(wǎng)課、會(huì)議視頻流量。根據(jù)運(yùn)營(yíng)商的統(tǒng)計(jì)數(shù)據(jù)，截至2020年底，視頻在全網(wǎng)數(shù)據(jù)流量的占比已接近70%。

除了學(xué)習(xí)和辦公之外，產(chǎn)業(yè)將視頻的應(yīng)用進(jìn)行了延伸，發(fā)掘了更多的創(chuàng)新場(chǎng)景。

例如，借助視頻識(shí)別技術(shù)，可以對(duì)產(chǎn)品進(jìn)行質(zhì)量檢驗(yàn)，可以對(duì)園區(qū)進(jìn)行車輛管理，可以對(duì)工地進(jìn)行安全隱患識(shí)別。

再例如，借助VR/AR技術(shù)，可以進(jìn)行人員崗前培訓(xùn)，可以進(jìn)行遠(yuǎn)程手術(shù)，可以進(jìn)行遠(yuǎn)程參觀，也可以進(jìn)行遠(yuǎn)程設(shè)備巡檢和故障處理。

也就是說(shuō)，視頻不再僅僅是娛樂(lè)工具，而是變身為生產(chǎn)力工具。

各個(gè)領(lǐng)域和垂直行業(yè)，都希望借助音視頻技術(shù)，升級(jí)和改造現(xiàn)有生產(chǎn)場(chǎng)景，提升效率，降低成本。

企業(yè)希望充分利用音視頻技術(shù)，但是，也面臨著對(duì)技術(shù)門檻和資源投入的擔(dān)憂，望而卻步。

我們現(xiàn)在每天都在討論數(shù)字化轉(zhuǎn)型，其實(shí)，“音視頻+垂直行業(yè)”，就是企業(yè)數(shù)字化轉(zhuǎn)型的一個(gè)極佳入口。行業(yè)音視頻，即將進(jìn)入爆發(fā)期。

█音視頻技術(shù)的未來(lái)方向

剛才說(shuō)的是外部需求的變化。接下來(lái)，我們看看音視頻技術(shù)是如何應(yīng)對(duì)變化的。

簡(jiǎn)而言之，就是三點(diǎn)：算法極致化、功能智能化、服務(wù)平臺(tái)化。

音視頻的性能指標(biāo)提升，一直沒(méi)有停止前進(jìn)的腳步。

尤其是視頻方面，因?yàn)楦咔屣@示技術(shù)的驅(qū)動(dòng)，使得視頻的分辨率不斷增長(zhǎng)。除了分辨率之外，視頻的幀率要求，也在增加。

還有VR視頻，因?yàn)楹腥S的時(shí)間和空間信息，所以冗余更高，數(shù)據(jù)體積更大。

想要實(shí)現(xiàn)超高清高幀、VR/AR視頻應(yīng)用的普及，僅僅依靠增加硬盤容量和通信帶寬是不夠的，必須盡可能壓縮視頻的體積。這就離不開視頻壓縮算法的持續(xù)改進(jìn)。

目前，全球視頻編碼標(biāo)準(zhǔn)分為多個(gè)派系。除了大家熟悉的H.26X系列（ITU-T主導(dǎo)）之外，還有MPEG系列（ISO/IEC主導(dǎo)），AVS系列（國(guó)內(nèi)AVS組織主導(dǎo)），以及免費(fèi)開源的AV1等。

來(lái)自知乎用戶：甜草莓

這些標(biāo)準(zhǔn)，形成了開放的競(jìng)爭(zhēng)關(guān)系，不斷探索著視頻算法的極限。它們是視頻技術(shù)向前發(fā)展的基礎(chǔ)。

除了硬指標(biāo)提升之外，音視頻的另一個(gè)發(fā)展趨勢(shì)，就是全面智能化時(shí)代的到來(lái)。

換言之，就是AI人工智能技術(shù)不斷被引入到音視頻領(lǐng)域，幫助提升音視頻內(nèi)容的生產(chǎn)效率，同時(shí)創(chuàng)新出更多的玩法。

首先看看音頻。

AI+音頻，可以實(shí)現(xiàn)對(duì)音頻信號(hào)的智能識(shí)別、編創(chuàng)。具體識(shí)別對(duì)象，可以是歌曲中的鼓點(diǎn)、節(jié)奏點(diǎn)。

AI可以針對(duì)音樂(lè)的強(qiáng)度、情緒、風(fēng)格、情感等維度，對(duì)音樂(lè)進(jìn)行理解和打標(biāo)簽。在編創(chuàng)時(shí)，AI可以將音樂(lè)中人聲、伴奏、吉他、鋼琴等音軌進(jìn)行智能分離。

AI還可以自動(dòng)對(duì)歌詞進(jìn)行續(xù)寫，將一首流行歌曲，改編成一首R(shí)ap（說(shuō)唱音樂(lè)）。

再看看視頻。

做過(guò)視頻的人都知道，視頻內(nèi)容創(chuàng)作的大部分工作量，都集中在視頻內(nèi)容剪輯和渲染上，既費(fèi)時(shí)又費(fèi)力。

相比于傳統(tǒng)的人工剪輯，基于算法和學(xué)習(xí)，AI可以對(duì)視頻素材進(jìn)行“智能增強(qiáng)”、“智能剪輯/拆條”。

“智能增強(qiáng)”，則是通過(guò)AI技術(shù)，進(jìn)行視頻圖像降噪、色彩增強(qiáng)，改善畫面細(xì)節(jié)，提升人眼的主觀效果。

“智能剪輯/拆條”，則是智能識(shí)別和分析視頻原始素材中人物的動(dòng)作、事件和表情，自動(dòng)定位精彩片段，將其提取出來(lái)，完成剪輯、配樂(lè)等工作，變成精彩視頻集錦。

“AI+音頻+視頻”的融合，用途更為廣闊。Up主可以借此實(shí)現(xiàn)視頻智能配樂(lè)、音樂(lè)MV和vlog的自動(dòng)創(chuàng)作，大幅降低作品的生產(chǎn)難度。

除了內(nèi)容創(chuàng)作以外，AI還可以用于視頻修復(fù)（舊電影修復(fù)）、視頻增強(qiáng)和行業(yè)視頻應(yīng)用。

例如，騰訊的多媒體實(shí)驗(yàn)室，通過(guò)深度學(xué)習(xí)敦煌壁畫病害數(shù)據(jù)，形成自動(dòng)識(shí)別并添加圖示的一整套算法，打造出了高效的AI壁畫病害識(shí)別工具。

音視頻技術(shù)的第三個(gè)發(fā)展趨勢(shì)，是服務(wù)形式的平臺(tái)化。

正如前面所介紹的，音視頻技術(shù)的應(yīng)用難度很高，一般個(gè)人和企業(yè)很難獨(dú)立玩轉(zhuǎn)。于是，現(xiàn)在很多音視頻技術(shù)服務(wù)商，開始通過(guò)視頻云（騰訊）、視頻中臺(tái)（中國(guó)移動(dòng)）等方式，對(duì)個(gè)人和政企用戶進(jìn)行音視頻能力服務(wù)。

這些平臺(tái)集成了開放的API接口，方便上層應(yīng)用開發(fā)商調(diào)用，開發(fā)軟件。平臺(tái)本身，又結(jié)合了云的能力，擁有無(wú)限的算力，可以支撐用戶的需求。

專業(yè)服務(wù)商們提供的技術(shù)和平臺(tái)，涵蓋了智能采集、數(shù)據(jù)處理和渲染展示等多個(gè)環(huán)節(jié)，有利于降低垂直行業(yè)對(duì)音視頻業(yè)務(wù)的開發(fā)門檻，讓更多的企業(yè)能夠從容地使用音視頻業(yè)務(wù)，享受音視頻紅利，加快數(shù)字化轉(zhuǎn)型。

█結(jié)語(yǔ)

現(xiàn)在，沒(méi)有音視頻，人們的快樂(lè)會(huì)減少一半。

未來(lái)，沒(méi)有音視頻，企業(yè)的效率會(huì)下降一半。

正如前面所說(shuō)，未來(lái)，音視頻技術(shù)將進(jìn)入爆發(fā)期。尤其是工業(yè)制造、金融證券、文旅教育等垂直領(lǐng)域，音視頻將進(jìn)入高速增長(zhǎng)的階段。音視頻的商業(yè)模式，將發(fā)生很大的變化。音視頻業(yè)務(wù)的應(yīng)用場(chǎng)景，也將大量出現(xiàn)。

希望音視頻能夠帶來(lái)更多的創(chuàng)新，帶給我們更多的驚喜。