合唱直播，其实是 KTV 直播加上合唱的场景，真实地还原了在线下 K 歌房中合唱的玩法。合唱直播，指的是两个或者以上的用户，随着伴奏看着歌词一起 K 歌。合唱直播和 KTV 直播的关键区别在于，有两个或者以上的用户一起 K 歌，混音的场所(在哪个终端?是终端还是云端?)是考虑的关键，最终要让歌声、伴奏和歌词同步。KTV 直播混音的场所是歌手端设备，而合唱直播的混音场所可以是歌手端设备，也可以是云端，要根据不同的方案而定。
去年 11 月，马云和王菲合唱一首《风清扬》，作为《功守道》的主题曲，成了刷爆朋友圈的热点。如果马云和王菲使用合唱直播技术在线上合唱的话，会有什么效果呢?
从技术的角度来看，本质上合唱直播是在视频直播的基础上，混音技术、媒体通道传数据技术甚至加上连麦直播技术的应用。
一般来说，合唱直播有两种方案：
方案一
两个歌手不连麦，混音在终端完成，歌声、伴奏和歌词严格同步，但是只有一个歌手能听到另外一个歌手的歌声。方案一的架构图如下：
这里以马云和王菲线上合唱为例，来说明方案一的业务逻辑：
王菲的手机从音乐库下载 MV 播放，包含伴奏音乐、MV 视频和歌词;
王菲伴随着伴奏音乐演唱，歌声和伴奏音乐混音，形成音视频流 X 推送到实时传输网络;
马云的手机从实时网络拉取音视频流 X 播放，伴奏音乐包含王菲的歌声和 MV 伴奏;
马云伴随着伴奏音乐演唱，歌声和伴奏被混音，形成音视频流 Y 推送到实时传输网络;
音视频流 Y 经过实时传输网络加速后，被转推内容分发网络(CDN)进行分发;
直播间的观众从内容分发网络拉取音视频流 Y 播放。
至此，直播间的观众能听到马云和王菲合唱的歌声，好像他们两个就是在同一个 KTV 里面合唱一样。方案一的优点是，两位歌手的歌声、画面和歌词严格同步，观众的体验最优；不足是，王菲听不到马云的歌声，而马云能听到王菲的歌声，两位歌手没有连麦，缺乏互动。
方案二
两个歌手连麦，混音在云端完成，两个歌手能相互听到对方的歌声，但是歌声、伴奏和歌词难以做到严格同步。方案二的架构图如下：
这里以歌手 A 和歌手 B 合唱为例，来说明方案二的业务逻辑：
歌手 A 从音乐库下载伴奏音乐和歌词，歌手 B 同样;
歌手 A 随着伴奏音乐和字幕演唱，歌手 B 同样;
歌手 A 把采集到的歌声和视频，封装成音视频流，推送到实时网络，歌手 B 同样;
歌手 A 从实时网络拉取歌手 B 的音视频流播放，歌手 B 同样，两个歌手实现连麦互动;
在云端把歌手 A 的歌声、歌手 B 的歌声、伴奏音乐混音，封装成音视频流;
在云端把歌词加入音视频流的媒体通道传输;
在云端把音视频流转推内容分发网络;
观众们从内容分发网络拉取音视频流播放。
这样可以实现全互动的合唱直播，好像歌手 A 和歌手 B 就在同一个 K 歌房里合唱一样：
歌手 A 和歌手 B 相互能听到对方的歌声;
歌手 A 和歌手 B 跟随着伴奏一起演唱;
观众们能听到歌手 A 和歌手 B 合唱，歌声和伴奏还有歌词大致同步。
方案二的优点是互动感强，两位歌手能相互听到对方的歌声，歌手的体验最优;不足是两位歌手的歌声、伴奏还有歌词很难做到严格同步，原因是两个歌手的歌声、还有伴奏的音乐(三者对应的时间戳)抵达云端的时间难以做到完全一致，受到网络延迟的影响较大。网络状况好的情况下，同步效果较好，和方案一相当，网络不好的情况下，不同步的情况就比较明显。
作者简介
冼牛，即构科技资深语音视频专家，北京邮电大学计算机硕士，香港大学工商管理硕士，多年从事语音视频云服务技术研究，专注互动直播技术、语音视频社交和实时游戏语音。