UDP成為低延時流媒體關(guān)鍵 選SRT還是QUIC？

無論是SRT還是QUIC，UDP都成為實(shí)現(xiàn)低延遲視頻流傳輸?shù)谋剡x項(xiàng)。在剛剛結(jié)束的俄羅斯世界杯，以及即將到來的重大體育賽事中，SRT與QUIC還將有一番較量。LiveVideoStack對原文進(jìn)行了摘譯。

英特爾QSV技術(shù)在FFmpeg中的實(shí)現(xiàn)與使用

本文來自英特爾資深軟件工程師張華在LiveVideoStackCon 2018講師熱身分享，并由LiveVideoStack整理而成。在分享中張華介紹了英特爾GPU硬件架構(gòu)，并詳細(xì)解析了英特爾QSV技術(shù)在FFmpeg中的具體實(shí)現(xiàn)與使用。

劉文峰：讓科技成就藝術(shù)創(chuàng)意

日前，LiveVideoStack采訪了愛奇藝CTO劉文峰，他分享了自己的成長經(jīng)歷，以及最近閱讀的書籍——《孵化皮克斯：從藝術(shù)烏托邦到創(chuàng)意帝國的非凡之旅》，他表示，作為愛奇藝的CTO，要幫助公司將科技創(chuàng)新與藝術(shù)創(chuàng)意結(jié)合，為用戶提供極致的體驗(yàn)。

Uber的一鍵式聊天智能回復(fù)系統(tǒng)

通過機(jī)器學(xué)習(xí)和自然語言理解結(jié)束，Uber實(shí)現(xiàn)了一套智能的聊天系統(tǒng)，從而有效的提升司機(jī)和乘客之間的溝通效率，減少對司機(jī)的打擾。

張霖峰：AV1和VVC的格局將在2023年后明朗

本文是MSU評測解讀的系列文章之一。不過Ucodec CEO張霖峰還講述了Video Codec的機(jī)會，VVC與AV1的競爭格局，蘋果公司在Video Codec格局中扮演的重要角色等等。

Safari上使用WebRTC指南

盡管Apple在2017年的WWDC上宣布加入WebRTC支持，但仍然沒有看到Apple在支持WebRTC上更深入的舉動，尤其是其不只支持VP8更加強(qiáng)了這種擔(dān)憂。

CMAF將在2019年得到快速發(fā)展

按照J(rèn)W Player技術(shù)高級副總裁John Luther的說法，CMAF將在2019年快速發(fā)展，盡管這項(xiàng)技術(shù)在國內(nèi)還不怎么流行。蘋果、微軟以及Akamai都在支持CMAF。在下周舉行的LiveVideoStackCon 2018上，Akamai 首席架構(gòu)師William Robert Law將會分享如何通過CMAF提供海量并發(fā)的低延遲流媒體服務(wù)的。

蘭華峰：商業(yè)模式驅(qū)動企業(yè)參與MSU評測

本文是MSU年度評測解讀的第四篇。LiveVideoStack采訪了Hulu技術(shù)總監(jiān)蘭華峰，由于Hulu內(nèi)部自成一套Codec評測方法和測試序列，他給出了如何正確使用MSU報告的建議。同時他表示，與傳統(tǒng)的Codec服務(wù)商不同，今年獲得前四的3家本土服務(wù)商，都提供的是視頻云服務(wù)，這也導(dǎo)致他們格外重視MSU的評測結(jié)果。

Netflix：通過可視化和統(tǒng)計學(xué)改進(jìn)用戶QoE

本文來自Netflix的技術(shù)博客，文章介紹了如何通過統(tǒng)計學(xué)的方法來減少播放緩沖時間或減少碼率。LiveVideoStack對原文進(jìn)行了摘譯。

音頻/視頻技術(shù)

為 janus-pp-rec 增加視頻旋正功能

Janus Gateway 支持 server 端錄制，保存的文件格式是對 RTP 報文的一種自定義封裝格式（MJR），音視頻數(shù)據(jù)單獨(dú)存儲，官方提供了一個 janus-pp-rec 的程序，可以把 MJR 格式的文件轉(zhuǎn)換為其他封裝格式的文件，然后我們可以利用 FFmpeg 把音視頻文件合并為一個文件。

定義和測量延遲

想要優(yōu)化延遲，可Latency到底是多少？延遲始終是媒體內(nèi)容傳輸?shù)囊粋€重要關(guān)注點(diǎn)，人們也在不斷嘗試用新的方法來優(yōu)化延遲，本文參考AWS的一些新技術(shù)，介紹了延遲的定義，以及如何具體測量延遲，給出了延遲的量化概念。

FFmpeg：Android利用Filter進(jìn)行音頻數(shù)據(jù)預(yù)處理

本文簡單介紹了移動端Android系統(tǒng)下利用FFmpeg的Filter進(jìn)行音頻數(shù)據(jù)預(yù)處理的方法。按照慣例先上一份源碼 AndroidFFmpegFilter。

Android音視頻指南-媒體應(yīng)用架構(gòu)概述

本節(jié)將解釋如何將媒體播放器應(yīng)用程序分離為媒體控制器(用于UI)和媒體會話(用于實(shí)際播放器)。它描述了兩種媒體應(yīng)用程序架構(gòu):一種客戶端/服務(wù)器設(shè)計，適用于音頻應(yīng)用程序，另一種是視頻播放器的單活動設(shè)計。它還展示了如何使媒體應(yīng)用程序響應(yīng)硬件控制并與使用音頻輸出流的其他應(yīng)用程序合作。

視頻直播技術(shù)之iOS端推流

隨著網(wǎng)絡(luò)基礎(chǔ)建設(shè)的發(fā)展和資費(fèi)的下降，在這個內(nèi)容消費(fèi)升級的時代，文字、圖片無法滿足人們對視覺的需求，因此視頻直播應(yīng)運(yùn)而生。承載了實(shí)時性Real-Time和交互性的直播云服務(wù)是直播覆蓋各行各業(yè)的新動力。本篇文章將向大家介紹iOS端的推流技術(shù)。

編解碼

宋利：許多高手并未參加MSU評測

眾多本土和華人公司積極的參與MSU視頻編碼大賽，上海交通大學(xué)教授宋利接受LiveVideoStack采訪時表示，華人在整個編解碼領(lǐng)域有舉足輕重的影響力。但也要看到，許多國外高手并未參與MSU評測，不能盲目樂觀。本文是解讀MSU評測的第二篇。

王豪：HW265到“HW266”

每年的MSU的視頻壓縮評比報告都是多媒體的熱點(diǎn)話題之一，在MSU 2018評比中，華為HW265在多項(xiàng)測試中排名第一。LiveVideoStack采訪了華為媒體技術(shù)院視頻編碼團(tuán)隊負(fù)責(zé)人王豪，在參賽之前，HW265已經(jīng)在多領(lǐng)域商用。未來華為將投入到VVC的研發(fā)，并看好AV1的下一代AV2。

H264、AAC、RTMP解析

H264碼流文件分為兩層：(1) VCL(Video Coding Layer)視頻編碼層：負(fù)責(zé)高效的視頻內(nèi)容表示，VCL 數(shù)據(jù)即編碼處理的輸出，它表示被壓縮編碼后的視頻數(shù)據(jù)序列。(2) NAL(Network Abstraction Layer)網(wǎng)絡(luò)提取層：負(fù)責(zé)以網(wǎng)絡(luò)所要求的恰當(dāng)?shù)姆绞綄?shù)據(jù)進(jìn)行打包和傳送，是傳輸層，不管是在本地播放還是在網(wǎng)絡(luò)播放的傳輸，都要通過這一層來傳輸。

AV1編碼持續(xù)優(yōu)化

AV1比HEVC有30%以上的編碼效率提升，但編碼復(fù)雜度高的離譜。好在AOM聯(lián)盟不斷對AV1進(jìn)行優(yōu)化，預(yù)計今年內(nèi)AV1的編碼復(fù)雜度將降到VP9的10倍以內(nèi)。

FFmpeg 是如何實(shí)現(xiàn)多態(tài)的？

眾所周知，F(xiàn)Fmpeg 在解碼的時候，無論輸入文件是 MP4 文件還是 FLV 文件，或者其它文件格式，都能正確解封裝、解碼，而代碼不需要針對不同的格式做出任何改變，這是面向?qū)ο笾泻艹Ｒ姷亩鄳B(tài)特性，但 FFmpeg 是用 C 語言編寫的，那么它是如何使用 C 語言實(shí)現(xiàn)了多態(tài)特性的呢？

AI智能

AI驅(qū)動智能媒體生產(chǎn)

本文總結(jié)了發(fā)表在IBC2018上的由日本NHK的Hiroyuki Kaneko等撰寫的“AI-DRIVEN SMART PRODUCTION”，介紹了NHK在智能媒體生產(chǎn)方面取得的成就以及今后的發(fā)展方向。

AI如何用于現(xiàn)場直播場景

與許多產(chǎn)業(yè)一樣，通過軟件和算法輔助，電視與視頻制作很可能被人工智能和機(jī)器學(xué)習(xí)所改造，而當(dāng)前這些制作任務(wù)都是由人來執(zhí)行。隨著現(xiàn)場直播報道涉及的范圍越來越廣，而相關(guān)專業(yè)人士的數(shù)量稀缺，基于AI的影視制作技術(shù)應(yīng)運(yùn)而生。

利用人工智能提升足球直播效果

人工智能技術(shù)代表著未來無限的可能性，已經(jīng)在很多領(lǐng)域帶來巨大的沖擊。在足球直播這一領(lǐng)域，版權(quán)方需要提供更多更優(yōu)質(zhì)的內(nèi)容以應(yīng)對日益增長的多元化需求，因此急需提高運(yùn)營效率的新方式。

在對抗中學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)——87頁P(yáng)PT帶你學(xué)習(xí)Graph中的GAN

近期，圖卷積研究大神Petar Veli?kovi?在蒙特利爾作了一場關(guān)于Graph+GAN的報告，詳細(xì)講解了圖卷積網(wǎng)絡(luò)的基本概念以及最前沿的方法 GCN、GAT (Petar的代表作)，以及基于圖的生成式方法，如何使用GAN進(jìn)行基于圖的學(xué)習(xí)，并強(qiáng)調(diào)需要使用強(qiáng)化學(xué)習(xí)或Gumbel softmax來進(jìn)行反向傳播，也指出盡管圖的生成式模型效果很好，但未來還需要在這個方面需要更多的研究者一起探索。

自動生成高效DNN，適用于邊緣設(shè)備的生成合成工具FermiNets

來自滑鐵盧大學(xué)滑鐵盧 AI 研究所和 DarwinAI 公司的研究者提出一種新思路：生成合成（generative synthesis），利用生成機(jī)器來自動生成具備高效網(wǎng)絡(luò)架構(gòu)的深度神經(jīng)網(wǎng)絡(luò)。

圖像

Metal圖像處理——顏色查找表（Color Lookup Table）

一張1024x1024的普通圖片，是由1024 * 1024=1048576個像素點(diǎn)組成，每個像素點(diǎn)包括RGBA共32bit，常見的圖像處理是對相鄰像素點(diǎn)顏色、像素點(diǎn)本身顏色做處理。在對像素點(diǎn)本身顏色做處理的情況下，需要把某個顏色映射成另外一個顏色。