过去十年，随着端上算力和通讯能力的提升，我们见证了一个业务玩法日趋复杂、用户覆盖遍及全球的视频大时代的诞生。随着多个市值千亿以上的泛视频行业公司得到更多的关注，其背后支撑业务高速迭代、承载核心技术的视频基础架构也慢慢浮出水面。视频基础架构包含哪些核心能力，在过去和现在经历着什么样的演进，对于未来我们又该如何期许？在本次主题演讲中，我们将结合快手自身实践与行业观察，和大家一起探讨。

过去的一年见证了人类百年不遇的大事记，也见证了多种视频应用的厚积薄发。而因此所带来的视频数据量的爆发式增长更加加剧了对高效编解码这样的底层硬核技术的急迫需求。正是在这样的大环境下，在ITU-T VCEG和ISO/IEC MPEG两大标准组织再次联手推出的最新视频编解码标准VVC定稿不久之后，阿里巴巴的视频团队开始全力投入开展VVC软件编解码的开发工作。经过一年的努力，我们最近推出的Ali266不但在业界第一次实现了高清实时VVC编码能力，也同时充分印证了VVC强大的压缩效率。本次主题演讲将带给大家Ali266 的开发过程以及我们对Ali266在云端协同、5G网和云计算等环境下的落地展望。最后我们以“后VVC时代“视频业界所面临的技术和业务挑战为结尾，期许带给大家有意义的“思想盛宴”（food for thought）。

4G的诞生推动了视频行业的蓬勃发展，也催生了新的视频应用和业务形态，视频内容越来越多，视频能力正在成为一种基本能力。5G时代已经到来，视频行业将会出现什么样的挑战和机遇？在行业，技术，商业，产品等方面会出现什么趋势，对于从业者又有什么建议？本次分享将和您一起探讨。

经过五年的努力，腾讯云终端团队不断完善和积累出了一套完整的终端 SDK 方案体系，包含即时通信，主播推流，直播播放、点播播放、RTC实时互动、短视频录制，特效编辑等一系列音视频和实时通信相关的功能特性。在这些功能背后，团队是如何完成了框架设计、组件的打磨、数据的流转、性能的优化的呢？本次分享会从产品能力、架构设计、以及技术原理等多个角度进行剖析，期待您的关注。

随着跨平台技术的不断发展，从最早的跨平台技术Hybrid App，再到ReactNative、Weex等框架，上面两个阶段性能上都跟App端有或多或少的差距。为了解决性能瓶颈，google开源的Flutter出现了，它自带渲染引擎，可直接编译成原生代码，性能优异。除了支持移动端、它还支持了桌面端和web端，目前star数已经远远超过了ReactNative，带给我们更多的想象空间。Flutter是近两年大火的跨终端框架，实时音视频因为疫情的缘故也越来越融入到人们的日常工作生活中，如线上会议、在线教育等。两者结合起来可以碰撞起什么样的火花呢？利用Flutter实时音视频sdk，我们可以快速开发一个跨平台的会议、娱乐、教育等APP。本次分享主要讲述了利用Flutter如何进行实时音视频渲染，并深入底层，优化视频渲染的性能。

腾讯云海外直播系统建设起始于2016年，致力于打造全球先进的高质量流媒体处理和分发平台。在近5年的建设时间里，系统从单一中心化的架构发展为全球共11个直播中心的分布式架构系统，直播中心之间通过专线互连，边缘加速点覆盖全球共61个国家或地区，真正意义上具备了就近接入就近分发的能力。海外直播平台不仅具备优质的物理资源，在软实力上得到了很大提升。在传输层上，除了传统的TCP协议，同时支持基于UDP的加速协议QUIC。在流媒体协议上，支持传统的RTMP、HTTP-FLV、HLS等协议，同时支持多码率自适应HLS和DASH，在此基础上，升级实现了低延时的CMAF协议。近年来，基于WebRTC协议，海外直播系统实现了秒级延时的WebRTC低延时直播能力，在播放Qos优化上迈出了更大的一步。

随着游戏及软件云端化运行能力的支持，大型游戏和软件可以在浏览器、轻客户端以及小程序中运行，在扩展了使用场景边界的同时，也为游戏和软件探索云原生实现提供了基础。腾讯云云渲染 PaaS 提供了基于 WebRTC 的万人级互动交互的云原生能力，包括操作权限转移管理、多人语音会话等，本次分享会介绍互动新玩法上的技术实现。

视觉体验在全真时代显得越发重要，如何提高用户的视觉体验？更好的编码标准带来的低码率高画质、超分等视频处理手段带来的画质提升、三维视频带来深度感知、任意视点视频或者VR360视频带来的用户交互、扩展现实与虚拟现实带来的超现实感……另一方面，智能时代革新了音视频技术，通过音视频分析更好的理解数据与链接用户、通过辅助创作让音视频内容极大丰富……让我们一起发掘在全真时代与智能时代里多媒体技术的无限可能。

基于跨平台的SDK能力和统一的素材格式，美摄建立了统一的素材创作平台，围绕美摄的素材生产工具（ARScene工具、特效制作工具、模板生产工具），解决产品中的素材生产和购买等难题。ARScene工具使用fbx模型，基于美摄SDK的3D storyboard渲染实现了实时ARScene效果的预览，特效制作工具使用QPainter和QGraphics，实现了时间线实时预览级别的特效制作体验。

随着5G的到来，视频内容成为了信息传播的主要媒介，普通用户和企业迫切需要的是能够低成本、批量的制作专业视频的技术能力。然而目前国内视频智能自动化生产技术中的视频预设（滤镜、贴纸、视频动画、视频转场、视频特效、文字动画、视频模板）大部分还是利用开源的BodyMovin工具导出预设，达不到专业作品的预设要求。本次分享将重点介绍VE视频引擎方案中自研的设计师预设导出工具VE Exporter以及对应视频解决方案相关的研发经验。

深度学习领域中，半监督、自监督算法通过借助无标签数据与无监督训练任务，可有效改善传统有监督算法中“泛化性能不足”、“模型过拟合”、“严重依赖数据标注质量”等问题。本次演讲将总结半监督学习领域的发展脉络，并展示半监督、自监督算法在网易易盾数字内容风控业务上的创新应用，希望为听众在“降低数据标注成本”、“提升深度学习模型效果”方面带来一些启发。

内容大纲：

1. 半监督领域发展脉络介绍

a) P-label分支介绍

b) 一致性正则分支介绍

2. 自监督领域发展介绍

3. 半监督、自监督方法在易盾音视频业务

待定

演讲内容涉及视频编解码方向的两个话题：

首先，将介绍视频编码技术现状与展望。对于下一代编解码技术H.266/VVC标准，相比前一代H.265/HEVC标准，可以在主观质量不变的情况下节省约50%的码率。H.266/VVC标准之后是否还会有新的标准，如果有，可能涌现出哪些新技术？本次分享将为大家介绍H.266/VVC标准中的新技术，以及对下一代标准的探索。

之后，会分享视频自适应编码优化和画质评估。考虑到目前视频占据了超过80%的网络流量，在有限的码率下，设计高效的视频编码压缩方案，为用户提供最佳的视频画质体验，是整个业界都高度关注的问题。本次分享主要介绍字节跳动在视频的自适应编码优化和画质评估方面的工作，一方面探讨如何高效地优化不同内容视频的编码，在保证画质的前提下，尽可能节约视频码率，另一方面介绍了字节跳动的画质评价体系和工具，如何对视频画质进行有效准确的评估检测。

内容大纲：

– H.266/VVC标准

  – 标准简介：与H.265/HEVC标准相比压缩性能大幅提升

– 字节跳动相关技术

  – HMVP (History-based Motion Vector Prediction)

  – CCLM (Cross-Component Linear Model)

  – Affine AMVR (Adaptive Motion Vector Resolution)

  – IBC (Intra Block Copy)

  – HLS (High-Level Syntax)

– 基于深度学习的环内滤波器设计：在H.266/VVC标准基础上的探索

– 整体介绍字节基于感知优化的视频处理编码系统

– 具体介绍字节自适应编码优化技术

– 整体介绍字节视频画质评估体系

– 具体介绍字节自研的画质评估工具

自从RTC相关技术崛起后，实时音视频为直播、社交、在线教育等行业带来了巨大增长。随着RTC的应用越来越普及，业务对用户音视频体验的要求也越来越高，包括更流畅、更清晰、更快的首帧速度等。面对不断拔高的挑战，RTC需要在各个技术领域不断突破。在服务抖音、西瓜、头条等国民App的过程中，我们以提升用户体验为使命，不断追求更高的目标。本演讲将分享我们在追求极致用户体验这一路路上的沉淀和积累。

内容大纲：

1. 自研音频编码，对抗极端弱网
2. 动静态机型适配，实现个体最佳体验
3. 场景化最佳实践，极致体验的最后一公里

自从RTC相关技术崛起后，实时音视频为直播、社交、在线教育等行业带来了巨大增长。随着RTC的应用越来越普及，业务对用户音视频体验的要求也越来越高，包括更流畅、更清晰、更快的首帧速度等。面对不断拔高的挑战，RTC需要在各个技术领域不断突破。在服务抖音、西瓜、头条等国民App的过程中，我们以提升用户体验为使命，不断追求更高的目标。本演讲将分享我们在追求极致用户体验这一路路上的沉淀和积累。

增长一直是业务的诉求，和增长相关的因素很多，内容、人群、创意玩法、性能体验等等，本次分享聚焦在字节跳动视频通过性能体验优化促进业务增长的实践。包括在分析方法上的探讨，如何衡量和预估体验优化对业务增长的贡献，以及具体的体验优化实践分享。

内容大纲：

1. 介绍字节衡量视频技术对体验贡献的方法,视频中台如何更好的关注业务结果

3. 视频体验优化能力介绍

3. 如何分析和预估收益空间,为自己的业务选择合适的优化手段探讨

直播越来越深刻地改变了整个互联网行业，直播的形态也在不断地丰富。在多场景的KTV歌房、直播答题、互动游戏、连麦、电商、拍卖、企业直播等的快速演进中，我们积累了大量架构和质量优化相关的经验，这次分享主要介绍我们的相关积累和可以快速迁移的高质量的音视频能力。

内容大纲：

1. 直播的新场景新玩法

2. 音视频引擎如何灵活、快速、保证质量地支持直播业务的多场景下的演进

3. 直播服务可以快速迁移到新业务的音视频能力

实时视频系统对于时延的要求极高，所以视频编码器必须满足实时性的要求。AV1相比H.264在 Rate-distortation 性能的提升上是以复杂度的上升为代价的，当前应用设备的碎片化非常严重、设备的运算能力差异巨大，这些都是新技术落地实时音视频系统将面临的挑战。拍乐云最近发布了PanoVenus视频引擎，采用AV1编码标准，为用户提供编码性能和编码速度更好的实时低码高清体验。相比2003年推出的主流编码标准H.264，Venus可实现带宽40%-70%的节约，支持在主流PC和移动终端上实时运行。本次分享将介绍拍乐云在设计PanoVenus实时AV1通信系统时的一些技术实践和未来工作。

随着业务的发展和用户数的增加，带宽成本问题也越来越突出。通过对最新编解码标准AV1的落地研发，欢聚集团成功的将其在小视频业务中上线应用。本次分享主要分为三个部分，第一部分针对业务和技术背景介绍技术方案的选型及其准备工作；第二部分介绍AV1编码器优化的一些思路，主要集中在模式决策，运动估计和滤波三个模块；第三部分和大家分享最终上线收益以及在研发过程中所踩过的一些坑。

随着计算能力，数据形态和应用场景等多方面演进，视频相关领域正在发生深刻变革。信号层面的压缩效率提升难以适配通用化、智能化的视频压缩需求，报告从智能视频编码入手，将与视频技术专家和研究人员一起讨论深度学习时代视频编码技术研究的发展情况，介绍标准化进程以及面临的技术挑战，同时还将报告在感知编码和语义编码领域的部分研究进展。此外还将分享对智能视频压缩领域重点研究方向以及未来发展趋势的展望。

内容大纲:

1. 介绍智能编码的历史和发展历程，重点介绍深度学习编码工具研究的技术细节和技术路径，包括混合框架编码的深度网络模型以及端到端编码结构，

2. 介绍深度学习编码标准化情况，以IEEE DCSC(AVS3)，MPEG，JPEG以及MPAI标准研究小组为例进行重点分析。

3. 智能编码正在突破基于信号层面的压缩，因而报告还将介绍面向感知编码和语义编码最近进展，讨论神经网络编码的率失真特性以及对机器视觉有更好支持的压缩方法。

4. 未来技术展望

全球不同国家和地区的网络基建水平参差不齐，如何利用有限的网络资源提供更高质量的音视频通话体验是音视频服务商必须面对的挑战。本次议题将从面临的全球实时音视频通信挑战出发，解读自研海量有序数据网络（MSDN）的优势、以及如何进行音视频传输优化等。

随着国内直播行业的高速发展，越来越多的厂商向海外市场扩张。而面对海外复杂的基础设施与网络环境，国内模式的直接套用难免水土不服，如何快速适应落地并保证良好的用户体验成为了重点挑战。本议题将主要从服务体验量化、分发架构、推荐算法策略等多方面介绍调优过程，以及各项调优方案上线后的收益成果进行分享。

本议题主要面向视频出海听众，尤其是非洲出海视频类产品。议题主要分享Opera出海非洲所遇到的挑战及应对策略，主要包括非洲网络状况下视频播放问题及优化、用户网络流量问题及应对、不同国家视频播放策略等问题和其他（非洲安全问题、网络基建等）问题;通过本次分享听众能够对非洲互联网状况有进一步的了解，对后续出海非洲有一定的借鉴参考。

微信通话系统的语音质量提升历程分享。从信源和信道质量保障上，介绍打造高品质语音通话的关键路径，为亿级用户提供优质通话服务。讲解端到端各节点可能遇到的问题，以及相应解决方案。

荔枝在语音直播中，用到了多种音频处理技术，譬如结合场景检测的智能降噪技术，能大大提升音乐等场景音质；自研的回声抑制技术，双讲性能得到很大提升。智能语音加减速技术，让延时较低的情况下保持声音自然清晰；在线机型匹配等技术，让机型适配更高效。

音乐专家在评价歌唱行为时，可通过生理机能与演唱完成度两个层面对演唱者进行分析。传统的歌唱评价算法只对音准进行打分，维度较为片面。作为国内首创的综合评分功能，音街的综合评分系统可对用户的音准、节奏、气息、颤音、滑音、情感等维度进行综合评价，这些多维度评分在增加演唱趣味性的同时，也可为作品分发提供可用的标签。同时，对用户嗓音、演唱行为进行综合分析，可建立歌手能力图谱，依据用户嗓音条件，为他推荐适合演唱的歌曲。本次分享将围绕歌唱与嗓音分析，介绍相关的体系与算法实现。

音频场景分类（Audio Sence Classification）是机器学习领域的重要研究方向，其应用场景非常广泛，近年来得到了越来越多的学者的关注。本次报告将分享我们在该领域做的一些工作。此外，我们将音频场景分类技术应用于声源分离（Audio Source Separation）和声音活动检测（Voice Activity Detection）等领域上，取代了传统方法。实验表明新方法在和传统方法的对比中具有显著优势。本次报告中也将展示若干Demo和已上线的应用。