91porn，com

（零）红烧肉引发的血案

铁柱不顾旁东谈主劝戒，找了一位黑客女友。

关联词幸运的馈遗早就黢黑标好了价钱。

今天，他和女票吵架，女票不知施了神马法术，把铁柱的手机网速封印在了 6kbps，然后闻风而逃消散在夕阳下。

这个网速简直是追到，短视频刷不开，游戏打不了。手机独一的作用就剩下给女友发信息谈歉了。。。。

但铁柱不运筹帷幄屈服。

事已至此，先吃饭吧。他决定我方作念一谈红烧肉。

切好了肉，烧热了油，诶，后头该咋弄嘞？

铁柱掏开端机，搜索红烧肉的菜谱。然后，网罗像体弱的邮差一样，资料地搬运远处的消息。

等了足足一分钟，才看完先容：“红烧肉是一谈很正常的家常菜，一锅浓油赤酱，肥而不腻，放在桌子上一拍抖三抖。”

又等一分钟，加载出一张红烧肉制品的图片。。。

又等了半分钟，才出现第一步操作：准备清新的五花肉。

铁柱心态崩了，一怒之下关掉网页，嘴角流下了不争脸的泪水。

就在这时，他俄顷意料另一个女东谈主——姆妈。

他打开手机QQ，试着给姆妈拨了语音电话。

网页皆打不开，语音他也没抱但愿。

但老妈的声息传过来时，铁柱惊呆了，竟然泄露畅通。

沉以外，老妈挥斥方遒，一边跳着广场舞，一边诱惑灶台前的铁柱作念好了红烧肉。

那一刻，铁柱俄顷被老妈的厨艺养息，决定把女友召唤回归一谈吃饭，两东谈主冰释前嫌，从此没羞没臊地生涯在一谈。。。

浅友们，故事天然是我编的，但其中的硬核技术却是疑信参半的：

如今的腾讯老诚傅，竟然能够在打开网页皆长途的 6kbps 的极限弱网下竣事“通话解放”。

这个技术得来不易，背后还藏着一串动东谈主的故事，且听中哥缓缓谈来。

（一）只好耳朵负重前行的世界

“啪！”

肖玮俄顷打了一个响指，我一激灵。

“你有莫得发现，东谈主关于声息事件是非常明锐的？”他说。

当作研究音频信号传输十几年的腾讯老诚傅，肖玮对音频熟悉到了“从声波里皆能看出梦娜丽莎”的程度。

腾讯的技术老诚傅

他告诉我一件很憋闷的事情：

千万年来，听觉皆在用极小的“带宽”承担着极大的“信息量”。

啥酷好呢？

东谈主的脑袋上，有700万个视觉细胞，却只好2万个听觉细胞。

若是把它俩比作公司，那眼睛是个有 700 万职工的“大厂”，耳朵则是只好 2 万东谈主的“创业公司”。

然则凭胸而论，东谈主作念决策所使用的视觉信息和听觉信息的比例，统统不会是 700:2 这样夸张。

科学家们研究，证据局面的不同，视听信息在东谈主们决策中的比例省略在 8:1 ~ 3:1 之间。

可以说，听觉用极其有限的数据量，托起了咱们关于环境感知的半壁山河——孝敬可谓杠杠的！

这还莫得算把口罩带眼镜腿皆勒耳朵上（以致有时候还得挨一枪）的孝敬。。。

耳朵负重前行。。。

话说回归，这科学吗？

音频是怎么用这样窄的带宽，孝敬了这样丰富的信息量呢？

原因就在于，东谈主脑对音频信号的处理极其致密：

环境里的杂音俄顷变化，东谈主立马会嗅觉那边不对劲；

言语声息有短处、失真、细微的轰动，东谈主皆能分辨出来。（以致有时东谈主们不肯承认声息的孝敬，把它归功于第六感。。。）

说到这，我提醒你扫视：日便工作各个感官的资源也不是对等分派的——分派给视频的资源一般是大头，分派给音频的资源一般是零头。

先说硬件：

就拿 iPhone 15 Pro max 来说，系数558好意思元的硬件资本，屏幕占了 110 好意思元，录像头 90 好意思元；而扬声器和麦克风各自只好10好意思元傍边。。。

再说软件：

就拿“腾讯会议”来说，一般要给高清视频预留的带宽是 4Mbps（每秒400万个比特），传输音频一般只给留 100kbps（每秒10万个比特）。

耳朵没东谈主疼爱。。。

是以说，音频工程师玩儿的皆是高端局：要用极其有限的软硬件资源，来硬控明锐且抉剔的耳朵。

他们眼前的游戏是酱的：

如果用 100kbps 的网速楞传原始的音频，即是把大象塞雪柜，纯纯 Mission Impossible！

于是，前边只好两条路。

1、缩短音频采样率。

你弱水三千我只传一瓢还不行？比如上世纪90年代的电话机，听筒里的声息听起来格外闷，这即是采样率低的收尾。

2、缩短音频采样率，再用某种算法处理，尽量往原声息“找补”一下。

没错，这个操作即是咱们皆外传过的“压缩”。从早期的 ADPCM 到上世纪90年代出现的 MP3 时事，也算是劝慰了一代东谈主的耳朵。

压缩的旨趣省略是这样↓↓↓

敲黑板！一触及到“压缩算法”，这个事儿就锻练技术了！

因为算法和算法之间的各异，就像是“张华考上了北京大学，李萍进了中等技术学校，我在百货公司当售货员”这样大。

况且你知谈吗？人命体的智能水平各异，施行上即是压缩才略的各异。不久前我写了一篇著作《当 AI 活成了你的表情》，即是在探讨这个酷好，强烈建议浅友去望望。

虽说东谈主类关于音频的压缩算法一直在朝上，但最近十几年，照旧一度慢到了“挤牙膏”的程度。

老诚傅把能想的辙皆想了，但把已有技术阐扬到极限后，压缩就变成一个纯跷跷板：

1、要想省带宽，就得费算力。

2、要想省算力，就得费带宽。

这很好剖判。既然传输的原始数据少，那许多收尾皆得靠多量运筹帷幄得到嘛！反之，你要不想作念这样多运筹帷幄，原始数据还不给多些？

不外，漫长的暮夜总会以前。

2019 年傍边，一点不易察觉的晨曦驱动散落。

（二）以伪乱真术：咱们时期独到的光线

咱们来打一个比方。

目下，你是 A 国博物馆的馆长。

B 国对 A 国发动了构兵，眼看就要攻下皆门。总统决定撤回，撤回前给你派来一列火车，让你挑选一些最能代表 A 国斯文的文物。

总统凝重地说：这一去，也许祖祖辈辈皆无法再回归了。咱们的后东谈主就要靠这一列车的文物来剖判咱们的文化，重建咱们的斯文。

你眼泪下来了：“总统，咱们的文化博大深通，别说一车皮，即是一百车皮也拉不下啊！”

总统说：“为了给你挤出这一列火车，照旧有无数前方将士失去了弹药补给，不可能再多了！”

求教，这时你会怎么办？

你能意料的办法，敬佩是召集博物馆的众人接洽，选出你们认为最能代表 A 国斯文的文物，然后反复尝试用最紧凑的格式打包，把这亡车皮塞到爆！

没错，鸦雀无声中，你照旧在研发压缩技术了。

1）为了能最大程度重建 A 国斯文，不同众人选出的代表文物敬佩不同，这即是使用的“采样有议论”不同；

2）一样是塞满一车皮，好的众人如实能选出维度更丰富，更适合重建斯文的文物组合，也即是说，他们的压缩有议论更优。

但是！不管怎么挑选文物，这些顺次最终皆归为“经典压缩技术”的限度。

难谈。。。还有什么更逆天的，降维打击的骚操作？？！！

没错，目下换中哥来当博物馆馆长。

中哥把众人们皆叫来，让他们四步走：

1、找到最有代表性的文物，然后只留枢纽部分。把霓裳剪开，只留最致密的纹饰；把瓷瓶打碎，只留最中枢的图案。

2、然后再从不同鸿沟挑选一些最有代表性的完整器物，毋庸太多；

3、把这些”零件“用最紧凑的顺次打包，一样一车皮，咱们天然可以佩戴更多东西。

4、到了新家园，咱们依靠少许的完整器物加上广大的致密残片，再加上文物众人的训戒和灵巧，哄骗当地找来的赞助材料，就能归附这些文物。

用这种顺次复建的博物馆，最终领有的文物数目可能比只带完整文物的顺次多三倍以上，完全冲突了经典顺次的上限↓↓↓

看到这，你可能蹙眉：咋还絮聒文物呢？那临了归附出来不是伪物了么？

这就说到了精髓。

咱们的想法是“对斯闲雅致”，而不是“对某个文物雅致”。你可以说临了归附出来的文物是伪物，但它是证据科学严谨的顺次归附的，“赝”得有酷好！在传续斯文的酷好酷好上，它可以达到和真实文物简直一样的效果。

况且你想想，在传统有议论中，咱们然则把更多的“文物”给通盘丢弃了，这难谈不是更大的症结吗？

看完这个譬如，我想你照旧猜到了这种新一代的音频压缩有议论，那即是——“东谈主工智能加持的编解码”，简称 AI Codec。

它可以只用以前三分之一的数据量，归附出和传统压缩算法一样，以致更好的音质。

肖玮所在的腾讯会议天籁实验室，前后花了五年时分磨出这支宝剑—— Penguins AI 语音引擎。

少妄语，先看东西，哦不，先听东西！

第一段是原始音频：

第二段是用经典算法 OPUS 适配正常的 20kbps 码率时压缩的音频：

第三段是腾讯老诚傅用 Penguins 压缩后，用不到三分之一码率，也即是 6kbps 传输的音频：

第四段是用经典算法 OPUS 在 6kbps 码率下的压缩音频：

东谈主的耳朵很明锐的，我保证你听到“第四段”时，照旧不成忍它的全损音质了。

明确告诉你，这第三段音频即是使用“声息残片”借助 AI 复兴后的“伪物声息”。

目下只好 6kbps 的网速，只可在“三”和“四”中间选一个，你会选哪个？

归正就算是天王老子来了，我也会选第三个。

说到这儿，我插一句。并不是说以前的音频老诚傅有什么谈德洁癖，生死不肯意用 AI 生成伪物声息，而是因为之前的 AI 技术根底够不上“以伪乱真”的效果。

不同码率传输，复兴后的频谱对比（红色：原始语音 / 蓝色：Penguins@6kbps / 黄色：OPUS@6kbps）可见蓝线与红线格外接近。

咱们有幸能听到这第三段声息，需要感谢“生成式东谈主工智能”（AIGC）在最近几年的突飞大进。

话说，腾讯师父是怎么用东谈主工智能把这些声息残片缔造到和竟然声息一毛一样嘞？

接下来看中哥徒手劈砖，给你掰开来讲讲其中的酷好。

（三）从“二刺猿好意思仙女”提及

先给你保举一个网址（归拢放文末）。你点进去，啥也毋庸干，它就会给你自动生成图片。

啥图片嘞？二次元好意思仙女头像。

你盯着一张图片的生成过程，会以为匪夷所念念。因为它最初即是一堆“雪花”，然后每隔半秒就刷新一次，每刷一次就泄露一点儿，直到临了，仙女定格在屏幕上。

我 50x 加快给你看下：

没错，这张图片即是这堆“雪花”通过 AI 模子算出来的。

具体来说，这个 AI 模子瞻望的是“噪声”↓↓↓

每一次它皆会证据现存图片瞻望哪些点位是噪声，然后从图片中把噪声去掉；

再在这张新图的基础上从新运筹帷幄噪声，去掉；

如斯迭代300次，就出现了一张仙女图。

91porn，com

这个过程就像米辉煌基罗从一块里石头里反复敲掉碎片，一直敲掉 300 层，每一层敲掉的皆是“噪声”。临了剩下的部分，即是“大卫”。

你可能会问：为啥这个 AI 模子不断去掉噪声，临了剩下的即是好意思仙女呢？为啥不是老爷们、皮卡丘？

因为这个 AI 模子当初即是用无数好意思仙女的图片试验出来的。其中饱含着对全世界好意思仙女头像特征的剖判，它只会画好意思仙女。

就像米辉煌基罗刚动手的时候，诚然脑海里不成的确刻画出大卫成型后的每一寸肌肤，但他“标的性地”知谈我方要雕一个浩大须眉，临了敬佩不会离谱到雕出个皮卡丘。

而跟着他一层层雕镂，大卫的表情果然缓缓出现，临了定格成目下的表情。

好，咱们说回“好意思仙女生成模子”。

从信息论的角度看：减少噪声的过程，即是向其中不断添加信息量的过程。

在驱动的第 1 步，图像是一堆完全立时正态散播的噪点，谁皆猜不出临了出来的好意思仙女是啥样，其中蕴含的信息量可以视为0；

但到了第 100 步，图像中照旧蕴含了一些信息，但如果你是个老二刺猿，也许基本能猜出临了的制品是啥样了。

到了第 200 步，图像中的信息照旧很丰富了，哪怕你是个正常东谈主，也基本能猜出临了制品的表情了。

到了第300步，你就毋庸猜了，通盘信息皆展现给你了。

扫视！

从第1步到第300步，图片里的信息量缓缓加多，图片文献也越来越大。

如果我把信息含量更少的“第200步”版块传给你，而你手里的 AI 模子正好能够把它归附成第 300 步的制品，咱俩不就可以省俭传输资本么？

在你一样可以复兴图像的前提下，我给你传递这张图片的“第 100 步”版块，资本不就越低么？

说到这，猜测明智的浅友照旧嗅觉到这个“好意思女生成模子”和“声息归附模子”的干系了。

它们施行上即是一件事儿！

1、把我声波里的枢纽信息作念一些索要；

2、然后把索要收尾发给你；

3、你再用专门的 AI 模子把它还原出来！流量带宽不就妥妥省下了吗？

2019年夏天，腾讯会议天籁实验室雅致东谈主商世东找到同学们，即是商量这个奥密的议题。

当作在音频鸿沟深耕二十多年资深音频东谈主，商世东明晰编码器对生态的价值，这样多年也亲历了不少编码器江湖的旧事，他以为新的时期快到了。

全球一致决定，驱动在 AI Codec 的“无东谈主区”里搞搞事情。

之前咱们说过，AI Codec 就像是在文物局部取碎片，而 Codec 就像是取通盘的文物，它俩的采样机制完全不同。可以说，AI Codec 为中枢的编解码器，简直是一项全新的技术。

全新的技术，破旧立新，洗心革面，多酷！

从看吵杂的角度如实酷，从干活儿的角度嘛。。。这内部有三个大坑：

第一坑，这个 AI 模子受到的甩手贼多。

这里就得提到 Penguins 底层技术的另一个孝敬者：腾讯 AI Lab。

腾讯 AI Lab 的阳珊告诉我，及时通讯的场景既要高质地，又要低复杂度，还要低延时。单独骄气某一个皆不难，但作念出既要又要还要的模子，就纯纯难煞打工东谈主了。

第二坑，腾讯这帮居品司理，那然则太难缠了。

腾讯以居品著称，是以居品司理极其宠溺用户。

他们“龟毛”到了啥程度？凡是技术共事拿来的新玩意儿可能酿成用户体验有一点一毫的下落，甭管资本缩短若干，皆不可能更换。您就别找我谈，面斥瞻念。。。

是以，在找居品司理之前，老诚傅必须在家里先“暗搓搓”测试完。

腾讯会议质地测试团队的高雄告诉我，他们专门搓了一个评价系统，同期测试传统有议论和 AI Codec 有议论，这样才便捷比较嘛。

这个系统诨名叫“包青天”，每次改进，凡是有一点分歧格就会打回归，技术老诚傅应允得拳头皆硬了。

其实，技术团队和测试团队两拨师父从没红过脸，毕竟知谈他们“是为我方好”。。。

第三坑，还得看新技术的改酿资本呢！

证据天籁实验室的训戒，音频编解码技术若是在体验打平的前提下，资本不缩短个20%，居品团队基本不会斟酌。

然鹅，刚才咱们说了，AI Codec 是一项全新的技术。如果说传统编解码器的升级像是把屋子从新装修，那么 AI Codec 就像是把屋子拆了重盖！

这样大动斗殴，只多 20% 的克己，那东谈主家房主敬佩如故不干啊！

2019 年底，肖玮他们就关起门来打过算盘，要想让新编解码器惊艳众东谈主，起码得把性能普及个 300% 神马的。。。

在业界，关于音频质地的好坏其实是有一个评分范例的。5 分是完好，0 分是完全没法听。

腾讯居品的“龟毛”条款，一般最低得是 4 分，最好是 4.5 分。

要想保证 4 分的用户体验，音频界公认的最低网罗条款省略是 20kbps，也即是说，天籁实验室的想法只然则：效果作念到 4 分以上的同期，把网罗条款缩短到 6kbps！

就像底下酱↓↓↓

那时老诚傅们算出这个数，把我方皆吓了一跳。

因为根底作念不到，打死也作念不到。。。

搞技术要本天职分，不成搞什么“亩产万斤”，他们只好怀愁把这条技术阶梯放下了。

但是，这个念头如细微的火苗，一直在全球的脑回路里松手，恭候有一天找到喷薄的出口。

（四）不管黑猫白猫

话说，老诚傅到底卡在哪了呢？

你还铭刻咱们之前说过的“跷跷板”么？

在技术一定的前提下，带宽和算力是此消彼长的干系。

如果用 AI 模子来作念编解码器，把带宽速度压到 6kbps 其实是可以的，但是此时要把它复兴到 4 分的音质，就需要一个很大的模子来搞，以致光靠 CPU 皆跑不动，得上 GPU。

这个模子说大，其实也不大。全世界关于音频处理的条款皆是很尖刻的，不可能给到和视频处理一样的软硬件资源，省略通盘手机，能划给你5%~8%的算力就顶天了。

天然各个手机的算力不同，但平均而言，这个甩手下，模子的个头（或运筹帷幄量）至少得从姚明砍到郭敬明。

然则怎么砍呢？

从 2019 年底驱动，天籁实验室一直有一支小分队研究这个事情，他们不仅我方琢磨，也在关爱国表里学术界的进展。

遭遇有戏的技术就作念一个 Demo，发现走欠亨就回归，也没设定时分表。

但到了 2020 年，老诚傅的念念考节拍被猝不足防打断——疫情袭来。

你可能还铭刻，即是这年春天，腾讯会议俄顷蹿红，成为了全球办公上课的刚需。

那时老诚傅们也顾不上新技术的研发，每天皆在想着找资源扩容，寻念念用什么姿势才智移交下个周一更大的流量洪峰。。。

这段经历看似是支线任务，但目下回望，它给天籁实验室留住一个闪亮的精神遗产，那即是：

枢纽时刻，当几亿东谈主进军需要大规模传递信息时，他们会捐躯画面，而声息是临了的信息承载渠谈。

此时，“以低带宽承载高质地的音频”就不再是一个诚心诚意的“玩具”，而是复旧咱们社会运转的“基石”之一。

把这个技术作念出来，成了老诚傅面对历史的包袱！

疫情刚一相识，天籁实验室就抽调出庞杂的共事，驱动加码 AI Codec 的研发。

到了 2021 年，他们心里照旧空泛勾画出一种可行有议论。但愣是没敢声张。。。

为啥呢？

那时天籁实验室照旧推到了“无东谈主区”。市面上莫得别东谈主的技术可供参考了。他们抱着这个自研有议论站在那里，傍边皆没东谈主跟上，若干带点胆儿秃。。。

就在这时，天籁团队或然翻到了微软音频技术团队一个苟简的共享。

著作只好戋戋几百字，根底看不出啥信息，但他们一下子跳起来了。在东谈主烟帮忙的原野，只须能瞄见另一个猎手的影子，他们就足以快慰，我方跟踪的标的对了！更何况看到的是一个公认的“好猎手”。

肖玮嗅到了猎物的滋味。他建议参加重兵，拉上 AI Lab 的阳珊他们，赶快开整！照旧前后跟踪了三年，可不成让其他猎东谈主给打了去！

卖了这样大的关子，到底技术是咋竣事的？

其实捅破窗户纸就很简便：这个有议论把“经典信号处理技术”和“AI Codec”聚拢了起来。

既然地谈用 AI 算力不够，那可不可以在通盘频谱上，只划出一部分庞杂频谱交给 AI 模子处理，剩余的还交给经典技术处理？

这样模子的运筹帷幄量就不会超纲，AV解说总体质地还能保证香香！

就像底下这样↓↓↓

你可能会说：就这？

话说，音频处理鸿沟就像一个武林，各个门派如故有很深的认识的。AI 派看经典派是行走的古董，经典派见笑 AI 派拿锤子看什么皆是钉子，双方经常隔空吵架。

但肖玮他们的酷好是：最利弊的功夫，本来就不该有“门派”。

我是来作念成这件事儿的，天然是哪招好用用哪招！黑猫白猫，抓到老诚是好猫啊！

况且，即便“就这”，内部的知识还大着呢！

究竟把哪些频谱交给 AI ，把哪些频谱交给经典，才智让总体听感保持最好呢？

关于语音尘号来说，原则上低频声波佩戴的信息对听感影响更重，高频声波佩戴的信息对听感影响更轻，也即是说，要把 AI 尽量用在低频波段上。

经典信号处理，高下频的码率分派省略是 1:8。

用这种“AI+经典”杂糅的有议论，高下频的码率分派省略是 1:2~1:3。

就像底下这样↓↓↓

嗯，纸上推演，似乎还可以！

老诚傅入部属手实操，试着从频宽中间画了条线，然后分手处理，收尾是。。。。不行！

诚然总体运筹帷幄量如实是下去了，但听感也下去了，用这种顺次压缩的音频在 6kbps 的码率下竟然低于 4.0 分。

“不叫事儿”，老诚傅安慰我方，以为调调就能以前。但谁承想，低码率下的听感像是被强力胶粘在了 3.x 分，不管怎么左冲右突，生死上不去 4.0。

调到临了，老诚傅照旧双目失态双耳失聪了。。。

青天啊地面啊！明明技术其实照旧冲突了，但距离“腾讯级范例”就差那么一neinei，这也太窝火了。

但创新不就像打猎么？有时猎物就该在隔邻，猎手偏巧原地鬼打墙。此刻越急越找不到，幽闲下来没准却能不期而遇。

那天夜里，万籁寂寞。躺在在床上，肖玮俄顷睁开了眼，他仿佛听到了千军万马，正赶来营救。

（五）来自 40 年前的救兵

东谈主的听力并非来自某种瞎想，而是漫长的天然演化中庸环境互动不断进化的收尾。

这是一个全球皆明显，但又极易忽略的酷好。

由于进化历史的复杂，在许多细节上，东谈主的听力是“不讲武德”的，或者说，它背后的酷好是不成那么容易评释晰的。

比如在狩猎时期东谈主们需要分辨鸟鸣，演化就调高了特定高频处的明锐度；比如有些频率是野兽吼叫的声息，会激励咱们的杏仁核产生畏惧。

这就酿成，东谈主的听觉系统诚然举座上偏重某个频段，但演化又在这个省略的端正上接续给不同频谱调整“权重”——最终，东谈主的听力不再是一个简便的直线，而是充满了难以解释的“小调节”。

既然听力不是一个直线，那么你用一条直线去工作它，耳朵怎么会恬逸嘞？

这张图露馅了：交流音量下，东谈主耳对不同频率声息的感知度是不同的。

耳朵里的事情，需要巧取，不成硬来。

肖玮给我科普。

想明显这些，老诚傅眼前的问题就变成了：不同频段里，到底哪些细节关于听感而言是庞杂的呢？

这个问题，对码农来说其实超纲了。。。它应该由“生物学家”“医学家”或者“听觉科学家”来去答。

但直观告诉肖玮，东谈主类研究声学信号这样多年，我方不可能是第一个斟酌这个问题的东谈主，一定有前东谈主作念过研究。

于是老诚傅们决定——翻论文！多样磋议听力研究的，越精专越要啃，越深邃越不放过。

如山的论文，从 2021 年底看到了 2022 年头。

功夫不负苦心东谈主，就在 2022 年春节前夜，他们竟然找到了一篇上世纪 80 年代的论文，正好研究了东谈主耳在各个频谱上的细节特质。

磨穿铁鞋，老诚傅喜出望外，赶快按照其中的论断来调整系统框架，重训模子。

春节一趟来，模子还在迭代拘谨中，就看到了评价系统的客瞻念评分卓著了 4.0，一般来说，这种情况下主瞻念评分只会更高！

通盘东谈主的腹黑皆在突突地跳，这事儿成了！

果然，模子最终拘谨，通盘系统封装之后，可以在 6kbps 的情况下，让通话宛转感保持在 4 分以上。生生把最低码率压到了蓝本极限的三分之一。

Penguins 编解码器出生了！！

在音频信号处理界，有一个公认最难缠的客瞻念质地测试范例，叫“ITU-T P.863”。

这个范例是由一众老牌声学家主导制定的，它关爱的主要标的即是东谈主的细节听感。

施行上，许多基于 AI Codec 的压缩顺次在这个测试中得分皆不高，是以他们经常心照不宣地跳过这个测试，归正新手也不懂。。。

天籁老诚傅们点点头，咱就得用这个方针锻练我方的后果！能够在这个客瞻念测试范例中获取好收货，省略率 Penguins 也能给出顶呱呱的主瞻念通话质地。

果然，在这个测试中 Penguins 甩开敌手老远——毕竟它的枢纽瞎想念念路即是在细节处给耳朵“跪式工作”嘛！

这张图里，蓝色柱子是 Penguins 的得分，橘色柱子是一样收受了 AI Codec 技术的 Lyra2，可以看到 Penguins 证实全面当先。绿色和玄色柱子是基于传统信号处理的 EVS 和 OPUS，与这些传统信号处理顺次的中高码率的质地比拟，Penguins 也不比好意思。

正常东谈主也许很难想象，最终帮他们打成功的决定性救兵，是来自 40 年前的一篇发黄的论文。

真话说，这篇论文的作家早已不再活跃，但他的研究后果却守候在不灭的历史岸边，横跨 40 年时空，把水中抵抗的素昧平生的一群技术东谈主拉上了岸。

他们互相对视，鞠躬致谢，然后挥手告别，这是一种无法言说的落拓。

真确让老诚傅以为自重的是：

这篇论文一直在那里，它像一扇门，谁皆可以推开。但是天籁实验室最终意料去推这扇门，靠的并不是幸运。

以前几年无数尝试碰壁后的训戒，无数渺小技术冲突积蓄出的直观，无数次因为包袱而决定再试一次的发愿，皆化成一级级台阶，最终指引老诚傅走到了这扇门前。

正所谓世上莫得白走的路，每一步皆算数。

手持这个性能狂飙三倍的音频编解码范例，老诚傅终于有勇气敲响居品团队的大门，这第一战，天然即是和我方干系最密切的腾讯会议！

（六）只好 6bps 的世界

在音频处理界有句俗语：

算法好不好，现网跑一跑。

这是因为在现实生涯中，网罗环境比实验室复杂千万倍。实验室里的数据再炸裂，皆不成代表它施行就很好用。

天籁实验室的算法同学找到腾讯会议的居品同学时，腾讯会议的伙伴建议，先从带宽最低的“驾驶模式”和“弱网模式”起先。

现存的编解码器在 6kbps 下敬佩卡，那就死马当活马医，把这部分的编解码器替换成 Penguins，归正不会更坏了。。。

在软件里替换掉编解码器果决工程量巨大，但这还仅仅大大小小的第一步，老诚傅们必须关于各个车型、机型在多样施行网罗工况下作念施行测试。

这时，工程团队和测试团队就必须通力妥洽。

肖玮回忆一个搞笑的细节：2022 年他们开着我方的车在公司隔邻兜圈，即是为了找到哪儿信号只好 6kbps。。。

这不是在摸鱼旅游，是师父们兜兜转转找弱网的地点时拍的。

“枢纽是信号还要相识地差！有的地点测了两天之后，可能运营商也发现这里信号不行，给强行改好了，这就很无语。”他吐槽。

有时候为了找到一个弱网环境，老诚傅开车兜一天，油钱皆嗜好。

除了寻找多样网罗外，老诚傅还要寻找多样手机。

因为他们必须细目：在多样机型、芯片、操作系统的组合下，尤其是在轮廓性能较差的手机里，编解码系统皆能按预感的姿势干活。

“非要把通盘机型皆真实测一遍吗？这服从也太低了。”我问。

“就像瑞士腕表，钟表匠测试腕表质地，就必须让表竟然转那么多天；就像汽车防撞、手机跌落测试，厂家竟然就得去撞去摔。现实世界很复杂，在测试时事莫得用编造替代现实的捷径。”高雄解释谈。

就这样，多样弱网、弱机皆被他们搞了一遍，如实发现了许多掩蔽的小坑。

他给我举了一个“数据包”的小例子。

网罗传输音频信号有点像寄快递，是一个数据包一个数据包传送的。

传统有议论天然是给每一帧音频信息打一个包。

但是问题来了，每一个包外面还得有“包装”，包装上标注了这个数据包的基本信息，从哪来到哪去之类的，这即是“包头”。包头天然也占用一定的信息空间。

在新的编解码技术下，每一帧的有用数据量变成了原有的三分之一，这时包头的比重就变得很大，再这样一帧数据打一个包就不合算了！

于是老诚傅们决定——把两帧打进一个数据包。

像这样的小调动还有许多，它们大多贬责起来并不难，仅仅很琐碎。

“其实有若干黑科技，就有若干工程量。”雅致工程化的文龙吐槽。

他用“短木板”表面打了个比方：

算法的蜕变带来的是体验的上界冲突，敬佩让东谈主昂扬；但是工程底坐却是保证一切成功的前提。

莫得一个王牌 App 是通过多样高精尖算法简便堆砌而成的，因为稍不扫视，黑科技成了那块“短木板”了！

为了保证 Penguins 能够用起来，那时工程团队把客户端、工作后台等好多节点皆再行打磨——简直通盘的要点处理链条皆进行了针对性更正。

花了小半年时分，新的编解码器终于在腾讯会议里成功安家。

接下来，腾讯会议又缓缓切换，把原有编解解码器完全过渡到 Penguins 上，至此，从2019年就驱动研究的技术，时隔漫长的三年，终于在第一个居品里竣事了完整落地。

顾不上喘息，老诚傅又盯上了下一个“猎物”，那即是 QQ。

QQ 研发团队的天成给我爆了一些“内幕”：

年青东谈主更心爱用 QQ，况且他们使用 QQ 的姿势和咱们这群老东谈主用微信的姿势不同。

比如，年青一又友之间，干啥皆要连着麦干。哪怕各自刷网页，也要保持着通话景色。

以致，情侣可能会“连麦陪睡”——俩东谈主一宿不挂电话，听对方寝息，或者打呼噜。。。

这照旧不是“煲电话粥”了，简直是“吸电话氧”了呀！不睬解，尊重吧。。。

永劫分通话，网罗环境敬佩会经历多样变化，QQ 要想保证他们在职何时点皆不被卡掉线，就更资料。

枢纽是，年青东谈主比较“贫瘠”，用的手机大皆不高端，这进一步压缩了编解码器的运算资源。

这。。。不即是 Penguins 最好的用武之地吗？

于是在 2023 年，天成携带的 QQ 团队 也完成了编解码系统的更正，在只好 6kbps 的世界里完成了“野外求生”！

到这一步，天籁实验室的师父终于能腾出脑袋，念念考阿谁“更遍及”的问题：

既然技术飞跃这样大，况且照旧在两大 App 上解说了我方，咱们能不成去肯求成为下一代语音通讯的编解码范例呢？

凭借对范例的剖判，老诚傅们确信：在现存的范例体系里，AI Codec 范例妥妥是一派待开发的沃土。

尚世东调集算法、工程、质地等等团队，驱动向中国的范例化组织——AVS——递交肯求。

（七）成为榜样

说到音视频压缩传输范例，猜测有的浅友以为这是某种“荣誉称呼”。

其实否则，从历史上看，音视频压缩范例一直是厂商以致国度之间角力的战场。

就拿全球平时看片皆会用到的视频压缩时事“MP4”和“MPEG”来说，它的音视频范例被称为“H.264”，背靠国际范例化组织（ISO）和国际电联（ITU）。许多国际公司，举例杜比、索尼、AT&T 等皆参与了这个范例背后的研讨。

H.264 的授权公约

而这些公司可莫得在作念慈善，他们通过 ISO 和 ITU，对每一个使用这个范例的厂商皆收一些用度。

这本来没什么问题，但要命的是，这些国际大公司尝到了甜头，不甘人后地参与制定下一代“H.265”范例，况且大幅提高收费。

一台使用 H.265 开拓要想不遭受专利诉讼，得在各个专利池里四处交钱，系数至少要掏 4 好意思元。。。

H.265 的“专利池”，碰到哪个皆不行

这一下子超出了全球的承受范围，导致许多厂商根底作念不下去了。

粗心在这样的布景下，中国缔造了数字音视频编解码技术范例职责组，也即是 AVS（Audio Video Coding Standard Workgroup of China），即是为了绕过这些国际大厂的专利壁垒。

由于 AVS 主若是为了国度层面技术自卫，是以关于中国企业的专利收费是极其友好的，许多皆是免费或象征性收费。

至 2024 年春天，AVS 照旧经历了 AVS-1 和 AVS-2 两代，AVS-3 正在垂死编辑中。

腾讯老诚傅要冲击的，即是 AVS-3，的确地说是 AVS-3 中及时语音编解码技术的那部分。当作中国企业、中国技术东谈主，这不仅是包袱，亦然荣光。

这是国际上的一些范例源泉

但了然于目，既然是范例，制定进程是非常严肃的。此次，老诚傅的搭档切换成了范例团队的专科咖，亚军。

亚军解释了 AVS 范例化的省略进程：

1、当作音频编解码范例的主导方，腾讯需要建议富余的论据解说范例立项的庞杂性，这叫需求评审。

2、AVS 范例组认同独立项后，会发出技术搜集书。

3、AVS 职责构成员会建议多样候选技术提案，连带自测收尾。

4、屡次接洽迭代并通过第三方测试后，会缓缓形成相识的范例文档和完整的参考代码。

5、临了把参考代码和技术搜集书比对，如果方针全部骄气，全球会表决通过，范例才最终出生。

这里起初要过的难关，即是“技术搜集书”。

范例之是以叫作念范例，即是因为它不是一家之言。如果你的技术只适合腾讯家的居品，那敬佩不行。

AVS 范例职责组会里有大学训导，有云运筹帷幄厂商，有互联网厂商，还有手机等开拓分娩商。诸君师父皆靠近我方行业的施行情况，证据这些建议方针需求。

每次皆是大型狡辩现场，接洽达成一致后，才智最终输出技术搜集书。

搜集书像是个“袼褙帖”，接下到了全球输攻墨守的时候，要拿出我方的“技术提案”来骄气这些方针。

这个是各项细节方针，你感受一下（点击可以看大图）

肖玮把写送技术提案的职责比作“造炮弹”。

一朝开炮，炮弹离开炮筒，你就再没办法适度了。是以你不成放过我方，必须保证把炮弹造到最硬，再打出去。

老诚傅先在我方的模拟环境里反复摩擦，又在腾讯会议和 QQ 实战环境中反复打磨，磨到不成再磨，磨秃噜皮，终于在 2023 年底举座提交。

这一炮打响了！提案通过了 AVS 组织严格测试，成为了相识的“范例基线版块”。

这意味着：后续的迭代，皆会在腾讯的“参考代码”上微调。

微调的职责一点儿皆不应酬。

范例文档堪比学术论文，就连平时全球不太扫视的每一章概述部分皆要惜墨若金，以致因为一个标点标记要用分号如故逗号，全球皆会争执。

诚然极点繁琐，但亚军知谈这种争论是专门念念酷好的。

因为范例一朝形成，它就会被千千万万厂商收受、推行。每个标点皆必须经得起历史的锻练。

到了 2024 年6月，骄气技术搜集书的范例拜托件终于成型，很快全球就进入表决时事，各家企业代表此刻一致通过，这个新的音频编解码范例呱呱堕地，它即是——AVS3P10。

掌声强烈而漫长。

从 2019 年起心动念，到2022年落地实战，到 2024 年景为 AVS 范例，这条路腾讯老诚傅们走了五年。

“其实在业内，一般皆是五年作念范例，五年作念推行，系数要十年。咱们的范例快了一倍，照旧算格外成功了！”肖玮说。

诚然不会把比较当作目的，但天籁实验室如故会积极关爱国际上的同类技术进展。

事实上，国际上其他范例组织也在进行肖似的职责。

但从目下进展和完成的情况，AVS3P10 为代表的中国范例不仅在范例程度上作念到当先，在许多方针上亦然当先的。

肖玮的话诚然克制，但难掩显示。

他值得显示。

从专利自卫，到分庭抗礼，到自主创新达到国际顶尖，中国技术东谈主用二十几年的时光，穿越了前车卷起的漫天黄尘，闯出了我方的世界泄露。

图片来自《奔突东谈主生2》

（八）漫长岁月里的款款声波

“时期”是个古早的词汇，它是工匠手里的刻刀，亦然电流中奔腾的代码。

以前几年，天籁实验室这群师父的时期不仅撑住了腾讯会议真实的 4 亿用户，还真金不怕火成了惠及 14 亿东谈主的技术范例，号称“爽文”典范。

但我却恬逸指示其中“克制”的力量。

技术东谈主最容易犯的不实，是笃信某种技术。

2016 年 AI Codec 横空出世，如核爆一样在技术圈炸开，让传统的音频编解码水火绝交；它太优雅，就像电动汽车一样，用几台电机和一盘电板就能替代以前上万个零件构成的燃油机械。

于是，许多年青的师父激进地转向“纯 AI 派”，他们的情理很充分：具有底层先进性的 AI 模子定能山河一统，竣事“技术改进”。

但大多数时候，决定“作念什么”是简便的，但决定“不作念什么”却要依靠训戒、灵巧以及遒劲的公正力，是更难的。

正如保守主义玄学家家埃德蒙·伯克所说：“前例是东谈主类的学府，具有包容一切的气度和改善一切的才智，才是真确的改革家。”

如斯看来，天籁实验室的老诚傅至少作念对了两件事：

第一，恭候良机：在看清技术阶梯之前，宁可保存实力，也不盲目在新技术上扑入重兵。

第二，尊重前例：在 AI Codec 猛火烹油的时候，依然对传统音频编解码技术掀开大门。

事实解说，越是技术突飞大进的时期，越需要有老诚傅抱持这种看似冰冷，实则温热的“保守主义”魄力。

回看中国的音视频编解码技术走过的谈路，亦然如斯。

肖玮回忆起十几年前我方初度参加国际范例接洽的情景：

那时他嗅觉到巨大的反差。其他国度的代表团皆是连鬓络腮白胡子，一看即是干了多半辈子的老法师；再看中国代表团，清一色皆是二十明年的毛头小伙子、小小姐。

一个国际老哥专门走过来问肖玮：“How old are you？”

番邦老哥解释，在他们国度，必须是在行业里摸爬滚打二十年以上的技术东谈主，才有经历参与这种规格的范例接洽。

肖玮有点儿不好酷好：在咱们国度，二十年前通盘行业才刚刚起步。。。

不外从那以后，即是这些小伙子小小姐，一直在代表中国出席多样国际接洽，他们为全世界的音视频技术保驾护航，积沙成塔，以手中的代码而非年岁赢得世界的尊重。

如今他们虽还没夸张到白胡子的年级，但如实皆已愈加熟练。而在他们死后，正站着更多年青的中国技术东谈主。

一代代东谈主，就这样前行，不疾亦不徐。俯视他们的脚印，是漫长的岁月里一串声波。

而咱们的历史，也在这样的声息里，滔滔上前。

再自我先容一下吧。我叫史中，是一个倾心故事的科技记者。我的日常是和各路大神聊天91porn，com，接待和我作念一又友。