1872年的某一天，在美國加利福尼亞州的一個酒店里，兩個年輕人發(fā)生了激烈的爭論。

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

來自英國的攝影師麥布里奇得知此事后，決定通過實驗來驗證誰對誰錯。于是，他借助24臺相機，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“視頻”。

不久后，1877年，著名發(fā)明家愛迪生在他的“圓筒留聲機”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，人類正式進入了音視頻時代。

█音視頻技術(shù)的發(fā)展和演進

眾所周知，人有五感，分別是視覺、聽覺、嗅覺、味覺和觸覺。通過五感，我們才能感知外部物理世界的存在，享受真實生活的美好。

在人類漫長的歷史長河中，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，升級到了一個更高的維度，更加具象化。

音頻和視頻誕生早期，只能存儲在膠片和磁帶上，容量有限，也不方便保存和運輸。

直到20世紀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，還極大地擴充了存儲容量，減少了空間占用。

到了90年代，個人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代。

那一時期，互聯(lián)網(wǎng)先民們瘋狂地上傳和下載mp3、wav格式的音樂，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，基于音視頻技術(shù)發(fā)展起來的游戲產(chǎn)業(yè)，更是將人們對數(shù)字世界的感官體驗，推向了更高的層級。人們開始有了對數(shù)字虛擬空間生活的早期憧憬和迷戀。

進入21世紀后，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、硬盤能力的進一步躍升，音視頻技術(shù)再獲突破，幾乎可以說是日新月異。

以視頻的清晰度為例，一路從早期的標清（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交互模式——VR/AR（虛擬現(xiàn)實/增強現(xiàn)實）。

VR/AR的出現(xiàn)，第一次讓人類感受到什么叫做沉浸式體驗。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，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，徹底激發(fā)了人們對平行數(shù)字空間的渴望和向往，認為這是一種可以實現(xiàn)的夢想。

人們不再滿足于使用音視頻技術(shù)傳遞真實世界的影像，而是更希望將真實世界的一切元素都“捕捉”下來，轉(zhuǎn)換成無數(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，卻是顯而易見的。歸納而言，就是兩點：平民化、產(chǎn)業(yè)化。

近年來，智能手機的普及，專業(yè)攝錄設(shè)備的降價，讓越來越多的普通用戶有機會進行音視頻內(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，我們就進入了“人人看視頻，人人拍視頻”的時代。很多優(yōu)秀的up主或主播，能夠通過優(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，突如其來的新冠疫情，也間接推動了音視頻產(chǎn)業(yè)的發(fā)展。我們需要借助虛擬空間的延伸，彌補疫情導(dǎo)致的物理空間上的限制。

學生居家學習，企業(yè)居家辦公，產(chǎn)生了大量的網(wǎng)課、會議視頻流量。根據(jù)運營商的統(tǒng)計數(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%。

除了學習和辦公之外，產(chǎn)業(yè)將視頻的應(yīng)用進行了延伸，發(fā)掘了更多的創(chuàng)新場景。

例如，借助視頻識別技術(shù)，可以對產(chǎn)品進行質(zhì)量檢驗，可以對園區(qū)進行車輛管理，可以對工地進行安全隱患識別。

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

也就是說，視頻不再僅僅是娛樂工具，而是變身為生產(chǎn)力工具。

各個領(lǐng)域和垂直行業(yè)，都希望借助音視頻技術(shù)，升級和改造現(xiàn)有生產(chǎn)場景，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，也面臨著對技術(shù)門檻和資源投入的擔憂，望而卻步。

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

█音視頻技術(shù)的未來方向

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

簡而言之，就是三點：算法極致化、功能智能化、服務(wù)平臺化。

音視頻的性能指標提升，一直沒有停止前進的腳步。

尤其是視頻方面，因為高清顯示技術(shù)的驅(qū)動，使得視頻的分辨率不斷增長。除了分辨率之外，視頻的幀率要求，也在增加。

還有VR視頻，因為含有三維的時間和空間信息，所以冗余更高，數(shù)據(jù)體積更大。

想要實現(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。

目前，全球視頻編碼標準分為多個派系。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（國內(nèi)AVS組織主導(dǎo)），以及免費開源的AV1等。

來自知乎用戶：甜草莓

這些標準，形成了開放的競爭關(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)。

除了硬指標提升之外，音視頻的另一個發(fā)展趨勢，就是全面智能化時代的到來。

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，同時創(chuàng)新出更多的玩法。

首先看看音頻。

AI+音頻，可以實現(xiàn)對音頻信號的智能識別、編創(chuàng)。具體識別對象，可以是歌曲中的鼓點、節(jié)奏點。

AI可以針對音樂的強度、情緒、風格、情感等維度，對音樂進行理解和打標簽。在編創(chuàng)時，AI可以將音樂中人聲、伴奏、吉他、鋼琴等音軌進行智能分離。

AI還可以自動對歌詞進行續(xù)寫，將一首流行歌曲，改編成一首Rap（說唱音樂）。

再看看視頻。

做過視頻的人都知道，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，既費時又費力。

相比于傳統(tǒng)的人工剪輯，基于算法和學習，AI可以對視頻素材進行“智能增強”、“智能剪輯/拆條”。

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

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

“AI+音頻+視頻”的融合，用途更為廣闊。Up主可以借此實現(xiàn)視頻智能配樂、音樂MV和vlog的自動創(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)）、視頻增強和行業(yè)視頻應(yīng)用。

例如，騰訊的多媒體實驗室，通過深度學習敦煌壁畫病害數(shù)據(jù)，形成自動識別并添加圖示的一整套算法，打造出了高效的AI壁畫病害識別工具。

音視頻技術(shù)的第三個發(fā)展趨勢，是服務(wù)形式的平臺化。

正如前面所介紹的，音視頻技術(shù)的應(yīng)用難度很高，一般個人和企業(yè)很難獨立玩轉(zhuǎn)。于是，現(xiàn)在很多音視頻技術(shù)服務(wù)商，開始通過視頻云（騰訊）、視頻中臺（中國移動）等方式，對個人和政企用戶進行音視頻能力服務(wù)。

這些平臺集成了開放的API接口，方便上層應(yīng)用開發(fā)商調(diào)用，開發(fā)軟件。平臺本身，又結(jié)合了云的能力，擁有無限的算力，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，涵蓋了智能采集、數(shù)據(jù)處理和渲染展示等多個環(huán)節(jié)，有利于降低垂直行業(yè)對音視頻業(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

現(xiàn)在，沒有音視頻，人們的快樂會減少一半。

未來，沒有音視頻，企業(yè)的效率會下降一半。

正如前面所說，未來，音視頻技術(shù)將進入爆發(fā)期。尤其是工業(yè)制造、金融證券、文旅教育等垂直領(lǐng)域，音視頻將進入高速增長的階段。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)用場景，也將大量出現(xiàn)。

希望音視頻能夠帶來更多的創(chuàng)新，帶給我們更多的驚喜。