Blog

Videoanruf-API auswählen: was Sie vergleichen sollten, bevor Sie bauen

· Andrij Tkachenko · 13 Min. Lesezeit

Eine Lupe über einem Videoanruf-Fenster mit zwei Personen darin, zwischen einem Globus, auf dem Linien Punkte miteinander verbinden, und einem Vorhängeschloss

Wählen Sie eine Videoanruf-API danach aus, was aus den schwierigen Anrufen wird und was sie zählt: ob sich ein Anruf durch eine strenge Firewall verbindet, wie nah ihre Server an Ihren Nutzern sind, wer die Medien sehen kann und ob die Rechnung mit Minuten, Personen oder der Auflösung wächst. HD-Video, Bildschirmfreigabe und ein Anrufbildschirm stehen auf jeder Feature-Liste, deshalb sind es diese Antworten, die Dienste unterscheiden.

Dieser Beitrag geht zehn Fragen durch, die Sie jeder Videoanruf-API, jedem Videoanruf-SDK und jeder Videokonferenz-API stellen sollten, und erklärt zu jeder, warum sie wichtig ist und wie Sie die Antwort selbst prüfen. Er nennt keinen Dienst beim Namen. Am Ende beantwortet er jede Frage für WordPlus Cloud und sagt, was sie Ihnen überlässt.

Ein Meeting, das Sie einbetten, oder Anrufe in Ihrer eigenen App

Unter diesen Begriffen werden zwei verschiedene Arten von Diensten verkauft.

Ein Meeting-Dienst gibt Ihnen einen Raum auf einer eigenen Seite des Dienstes, die Personen über einen Link öffnen oder die Sie in einem Frame auf Ihrer Website einbinden. Eine Anruf-API gibt Ihnen die Bausteine: ein SDK für jede Plattform, oft mit einem fertigen Anrufbildschirm, und die Anrufe finden in Ihrer eigenen App statt, zwischen Ihren eigenen Nutzern.

Meeting zum Einbetten Anruf-API und SDK
Der Anruf läuft Auf seiner Seite, in einem Frame In Ihren eigenen Bildschirmen
Wer beitreten darf Wer den Link hat Wen Ihr Server zulässt
Sie schreiben Einen Link Eine Token-Route und einen Bildschirm

Es gibt einen dritten Weg, Open-Source-Medienserver auf eigenen Servern, und er lässt Ihnen am meisten zu betreiben. Wie Gruppen-Videoanrufe funktionieren zeigt, was dazugehört. Die zehn Fragen unten gelten für die ersten beiden.

1. Verbindet sich jeder Anruf?

Ein Videoanruf läuft direkt zwischen den beiden Geräten, wenn ihre Netzwerke das zulassen, und viele tun es nicht. Heimrouter, Mobilfunknetze und Firewalls in Büros verbergen die Geräte hinter ihnen jeweils auf ihre eigene Weise, sodass sich ein Teil der Anrufe nur über ein Relay verbindet, einen TURN-Server, den beide Seiten erreichen können. Unser Beitrag über STUN- und TURN-Server erklärt, warum.

Ebenso wichtig ist, wo dieses Relay lauscht. TURN nutzt standardmäßig Port 3478 und über TLS 5349, und sein Standard überträgt es auch über TCP, weil manche Firewalls UDP vollständig blockieren. Ein Hotel- oder Büronetzwerk, das nur die Ports des Webs nach außen lässt, blockiert all diese, sodass nur ein Relay auf Port 443 durchkommt.

Fragen Sie:

  • Sind Relays enthalten, und auf welchen Ports, 443 darunter?
  • Was passiert, wenn selbst ein Relay nicht erreichbar ist: Scheitert der Anruf, oder wechselt er zu einem Server, der erreichbar ist?
  • Wenn ein Smartphone vom WLAN zu mobilen Daten wechselt, läuft der Anruf weiter, oder bricht er ab?

Wenn sich ein Anruf nicht verbindet, zeigt unser Beitrag zu fehlgeschlagenen WebRTC-Verbindungen, wie Sie herausfinden, warum.

2. Wie nah sind die Server an Ihren Nutzern?

Jedes Relay und jeder Medienserver fügt den Weg dorthin und zurück hinzu. Die Empfehlung der ITU zur Verzögerung in Gesprächen, G.114, hält fest, dass die meisten Anwendungen kaum beeinträchtigt werden, solange die Verzögerung in eine Richtung unter 150 ms bleibt. Zwei Personen in derselben Stadt, die über einen Server auf einem anderen Kontinent sprechen, hören einander verspätet, obwohl sie nur ein paar Straßen auseinander wohnen.

Fragen Sie:

  • Wo stehen die Relays und Medienserver, und erreicht jede Person den nächstgelegenen von selbst?
  • Gehen in einem Gruppenanruf mit Personen auf zwei Kontinenten alle zu einem Server, oder tritt jede Person einem in ihrer Nähe bei?

Wie Sie Nutzer über Regionen hinweg verbinden geht durch, was jede Antwort für einen Anruf bedeutet.

3. Funktionieren ein Anruf zu zweit und ein Gruppenanruf gleich?

Ein Anruf zwischen zwei Personen kann direkt zwischen den Geräten laufen. Ein Gruppenanruf kann das ab einer Handvoll Personen nicht mehr, da jedes Gerät sein Kamerabild an jedes andere senden müsste. Deshalb laufen Gruppenanrufe auf Medienservern, die jedes Kamerabild einmal annehmen und an die übrigen weiterleiten, und viele Dienste verkaufen sie als zweites Produkt, mit eigenem SDK und eigenem Preis.

Fragen Sie:

  • Wenn eine dritte Person einem Anruf zu zweit beitritt, müssen die beiden dann auflegen und neu beginnen?
  • Wie viele Personen dürfen gleichzeitig per Video dabei sein, und wie viele in einem Anruf?
  • Können manche Personen nur zuhören und sprechen, sobald ein Host es ihnen erlaubt?

4. Was zählt die Rechnung?

Die meisten Videoanruf-APIs zählen Teilnehmerminuten, also eine Minute einer Person in einem Anruf. Ein Kurs mit 30 Personen über eine Stunde ergibt 1.800 davon, die Größe Ihrer Anrufe ist also wichtiger als die Frage, wie viele es sind. Was Videoanrufe pro Minute kosten rechnet einen ganzen Monat durch.

Schauen Sie dann, was sonst noch gezählt wird. Manche Preise steigen mit der Auflösung, manche zählen die Minuten über ein Relay gesondert, und Aufzeichnung, Bandbreite und Anrufe zwischen zwei Personen können jeweils ein eigener Posten sein.

Fragen Sie:

  • Wird eine Minute in HD wie eine Minute per Audio gezählt?
  • Werden Anrufe zwischen zwei Personen gezählt, und solche, die über ein Relay laufen?
  • Was passiert über den Tarif hinaus: Wird ein Anruf abgebrochen, oder das Zusätzliche in Rechnung gestellt?

5. Wer kann den Anruf sehen und hören?

Jeder WebRTC-Anruf ist unterwegs verschlüsselt. Die Sicherheitsarchitektur von WebRTC verlangt das: Alle Medien werden mit SRTP gesichert, mit Schlüsseln, die über DTLS ausgehandelt werden. Das hält alle im Netzwerk zwischen den beiden Enden draußen. Die Frage ist, wo die Enden sind. In einem Anruf direkt zwischen zwei Geräten sind es die Geräte. In einem Anruf über einen Medienserver ist der Server eines der Enden, und er kann jeden Frame sehen.

Vor seinen Medienservern bleibt ein Gruppenanruf nur dann privat, wenn jeder Frame verschlüsselt wird, bevor er das Gerät verlässt, mit Schlüsseln, die die Server nie haben. SFrame ist der IETF-Standard dafür, und manche Dienste tun dasselbe auf ihre eigene Weise.

Fragen Sie:

  • Wer hat die Schlüssel eines Gruppenanrufs: der Dienst, mein Server oder nur die Personen darin?
  • Ist ein Anruf, der auf ein Relay oder einen Medienserver wechselt, weiterhin Ende-zu-Ende-verschlüsselt?
  • Muss der Dienst für eine Aufzeichnung die Medien sehen?

6. Wer entscheidet, wer anrufen und beitreten darf?

Ein Anruf sollte nur dort beginnen, wo Ihre App Ja sagt. Bei den meisten APIs signiert Ihr Server ein Token für jeden Anruf oder Raum, und der Unterschied liegt darin, wie viel das Token sagt. Eines, das einen Nutzer nur hereinlässt, überlässt die Rollen den Einstellungen des Dienstes. Eines, das sagt, wer spricht, wer nur zuhört und wer Host ist, hält diese Entscheidungen in Ihrem eigenen Code.

Fragen Sie:

  • Kann ein Token, das eine Person bekommen hat, von einer anderen genutzt werden, oder für einen anderen Anruf?
  • Kann mein Server jemanden stummschalten, herausnehmen oder einen Anruf beenden, ohne dass eine Seite geöffnet ist?
  • Kann ein Host dasselbe vom Anrufbildschirm aus tun, und nur ein Host?

7. Wie erreicht ein Anruf die angerufene Person?

Ein Anruf, der in einem Tab klingelt, auf den niemand schaut, ist ein verpasster Anruf. Fragen Sie, wo er klingelt: in jedem Tab, den die Person geöffnet hat, auf ihrem Smartphone und auf einem Smartphone, dessen App geschlossen ist. Eine geschlossene App klingelt nur über die Systemanrufe des Smartphones, CallKit unter iOS und das Telecom-Framework unter Android, und das SDK muss sie unterstützen.

Fragen Sie:

  • Klingelt ein Anruf auf jedem Gerät gleichzeitig und hört überall auf, sobald er auf einem angenommen wird?
  • Klingelt er auf einem gesperrten Smartphone und landet in der Liste der letzten Anrufe?
  • Wie lange klingelt er, und was erfährt jede Seite, wenn niemand annimmt?

8. Gibt es einen fertigen Anrufbildschirm, und können Sie ihn anpassen?

Ein Anrufbildschirm ist mehr Arbeit, als es aussieht: das Klingeln, die Wahl von Kamera und Mikrofon, das Raster, das sich selbst neu anordnet, wer gerade spricht, der geteilte Bildschirm und Ton, den ein Browser stumm hält, bis jemand klickt. Ein fertiger spart Wochen. Er muss aber auch aussehen wie der Rest Ihrer App.

Fragen Sie:

  • Welche Plattformen haben einen: das Web, React, iOS, Android?
  • Kann ich seine Farben und Texte ändern und einen Teil davon durch einen eigenen ersetzen?
  • Steht der Rest des SDK für einen eigenen Bildschirm bereit, bis hin zu jeder Person in einem Gruppenanruf?
  • Gibt es eine Server-Bibliothek in der Sprache, in der ich schreibe, oder eine HTTP-API?

9. Was passiert in einem schwachen Netz?

Anrufe gehen auf kleine Weise schief, lange bevor sie scheitern. Jeder Browser muss VP8 und H.264 beherrschen, wie RFC 7742 es verlangt, und was ein Anruf bei einer schlechten Verbindung tut, liegt beim Dienst: die Bildqualität senken, einen anderen Codec wählen, Tonpakete doppelt senden oder die Kamera aufgeben, um die Stimme zu halten.

Fragen Sie:

  • Gibt bei einer schwachen Verbindung das Bild nach, bevor der Ton es tut?
  • Erfährt mein Bildschirm, wie gut jede Verbindung ist, damit er es der Person sagen kann?
  • Wenn eine Verbindung kurz abreißt, wie lange wartet der Anruf auf sie?

Ein Smartphone mit einem Balken mobilem Empfang beantwortet diese Fragen besser als jede Seite mit Spezifikationen.

10. Was erfährt Ihr Server, und welche Limits gibt es?

Ihre App muss wissen, was passiert ist: wer wen angerufen hat, wie lange gesprochen wurde und warum ein Anruf endete. Das braucht sie, um eine Liste der letzten Anrufe zu zeigen, eine Nachricht anzubieten, wenn niemand angenommen hat, oder mit Ihren eigenen Nutzern nach Minuten abzurechnen. Webhooks bringen es, und da ein Webhook zweimal kommen kann, braucht jeder eine ID.

Lesen Sie dann die Seite mit den Limits: wie lange ein Anruf klingeln und dauern darf, wie viele Personen in einem sein dürfen und wie lange ein Token gilt. Und stellen Sie sich den Tag vor, an dem Sie gehen. Ein Anruf hinterlässt weniger als ein Chat. Was bleibt, ist Ihr Eintrag zu jedem Anruf, und der gehört in Ihre eigene Datenbank.

Probieren Sie es einen Nachmittag lang aus

Eine Preisliste und eine Feature-Tabelle beantworten wenige dieser Fragen. Ein kleiner Versuch beantwortet die meisten. Bauen Sie auf jedem Dienst, den Sie in Betracht ziehen, den kleinsten Anruf, der geht, und gehen Sie diese sieben Schritte durch:

  1. Rufen Sie zwischen zwei Browsern in verschiedenen Netzwerken an, einer im WLAN und der andere auf einem Smartphone mit mobilen Daten.
  2. Rufen Sie aus einem Netzwerk an, das nur das Web nach außen lässt, etwa einem strengen Büro- oder Hotel-WLAN. Unser WebRTC-Test zeigt vorher, was dieses Netzwerk durchlässt.
  3. Wechseln Sie während eines Anrufs mit einem Smartphone vom WLAN zu mobilen Daten. Sehen Sie nach, ob der Anruf weiterläuft.
  4. Holen Sie eine dritte Person in einen Anruf zu zweit. Sehen Sie nach, ob die beiden zuerst auflegen müssen.
  5. Öffnen Sie die App als angerufene Person in zwei Tabs, nehmen Sie ein Smartphone dazu, auf dem die App geschlossen ist, und rufen Sie diese Person an. Sehen Sie nach, wo es klingelt und ob es an den übrigen aufhört, sobald auf einem angenommen wird.
  6. Versuchen Sie aus der Browserkonsole, mit einem Token beizutreten, das Ihr Server jemand anderem gegeben hat, oder mit einem für einen anderen Anruf.
  7. Öffnen Sie die Nutzungsseite des Dienstes und lesen Sie, als was dieser Nachmittag gezählt wurde.

Wie WordPlus Cloud sie beantwortet

WordPlus Cloud gehört zur zweiten Art: eine Anruf-API, mit SDKs und einem fertigen Anrufbildschirm, auf Relays und Medienservern, die wir selbst betreiben. Dieselben zehn Fragen, der Reihe nach:

  1. Anrufe zwischen zwei Personen verbinden sich auf drei Wegen, die nacheinander versucht werden: direkt zwischen den beiden Geräten, über unsere Relays auf 443 und 80, den Ports des Webs, und über unsere Medienserver, wenn selbst die Relays nicht durchkommen. Ein Anruf wechselt von selbst von einem zum anderen, ohne aufzulegen.
  2. Unsere Relays und Medienserver laufen in mehreren Regionen, und jedes Gerät erreicht von selbst die Region, die ihm am nächsten liegt. In einem Gruppenanruf tritt jede Person einem Server ihrer eigenen Region bei, und unsere Server reichen jeden Track über private Leitungen zwischen den Regionen weiter. Die Netzwerk-Seite zeigt sie auf einer Karte.
  3. Ein Anruf zu zweit wird zum Gruppenanruf, wenn eine der beiden Seiten jemanden hinzufügt, ohne dass jemand auflegt. Gruppenanrufe laufen auf unseren Medienservern, ohne Obergrenze für die Personen in einem Anruf, und Ihr Server sagt, wer spricht, wer nur zuhört und wer Host ist.
  4. Die Rechnung zählt gleichzeitige Verbindungen, ab 1.000: $11.99 im Monat, jährlich abgerechnet, oder $14.99 bei monatlicher Abrechnung. Anrufe zwischen zwei Personen sind auf jedem Weg enthalten, ob über ein Relay oder nicht. Mit 1.000 Verbindungen verbrauchen bis zu 32 Personen per Video gleichzeitig in Gruppenanrufen keine Credits, wobei eine Person per Audio halb zählt, und mit jeweils 1.000 weiteren Verbindungen kommen 12 hinzu. Darüber hinaus kosten Gruppenanrufe $0.20 pro 1.000 Minuten einer Person per Video, $0.10 per Audio, und Ihr Tarif fügt je 1.000 Verbindungen 5.000 Credits pro Monat hinzu. Ein Preis für jede Auflösung, und Bandbreite und Relays werden nie berechnet.
  5. Anrufe zwischen zwei Personen sind auf jedem Weg Ende-zu-Ende-verschlüsselt, auch über unsere Relays und Medienserver. Ein Gruppenanruf ist Ende-zu-Ende-verschlüsselt, wenn Ihr Server das sagt: Jeder Frame wird verschlüsselt, bevor er das Gerät verlässt, mit einem Schlüssel, den nur Ihr Server ausgibt, und unsere Medienserver leiten weiter, was sie nicht lesen können.
  6. Ihr Server entscheidet. Er gibt der Seite ein Token für jeden Anruf, den er zulässt, und für jede Person, die einem Gruppenanruf beitritt, mit der Angabe, wer spricht, wer nur zuhört und wer Host ist. Hosts schalten ein Mikrofon stumm, lassen jemanden sprechen und entfernen jemanden, und Ihr Server kann dasselbe tun, ohne dass eine Seite geöffnet ist, und den Zugang jederzeit wieder entziehen.
  7. Ein Anruf klingelt in jedem Tab und jeder App, die die angerufene Person geöffnet hat, 45 Sekunden lang, und hört überall auf zu klingeln, sobald sie auf einem davon annimmt. Die SDKs für iOS und Android lassen ein gesperrtes Smartphone und eine geschlossene App klingeln wie bei einem Telefonanruf, über CallKit und die Anrufbenachrichtigungen von Android. Jeder Anruf sagt, warum er endete, auch wenn niemand angenommen hat.
  8. Ein fertiger Anrufbildschirm im Web, unter iOS und Android: Anruf-Buttons, das Klingeln und das Anruffenster, in neun Sprachen. Ändern Sie seine Farben und Texte, ersetzen Sie einen Teil davon durch einen eigenen, oder zeichnen Sie Ihre eigene Oberfläche auf demselben SDK. Server-Bibliotheken für Node.js, PHP und Python, Anleitungen für Next.js, Express, Laravel, reines PHP, Django, FastAPI und Flask und eine HTTP-API für jede andere Sprache.
  9. In einem Anruf zwischen zwei Personen wird die Verbindung der anderen Seite als ausgezeichnet, gut, schwach oder verloren gemeldet, zusammen mit dem Weg, den der Anruf genommen hat, sodass Ihr Bildschirm es anzeigen kann. Ein Anruf wechselt von selbst seinen Weg, wenn sich ein Netzwerk ändert, und die Verbindung einer Seite darf bis zu 45 Sekunden abreißen und zurückkommen.
  10. Ihr Server erfährt jeden Anruf per Webhook: wer wen angerufen hat, wann angenommen wurde, wie viele Sekunden gesprochen wurde und warum der Anruf endete, und wann jede Person einem Gruppenanruf beitrat und ihn verließ, gezählt auf unseren Servern. Ein Anruf behält seine ID, wie oft sein Webhook auch gesendet wird, sodass eine Wiederholung nur einmal gespeichert wird. Die Limits sind veröffentlicht: Ein Anruf klingelt 45 Sekunden, ein Anruf-Token gilt bis zu 6 Stunden, und eine Seite, deren Verbindung abreißt, hat 45 Sekunden, um zurückzukommen.

Die Anleitung für Anrufe hat den Code jedes Teils in jedem Stack. So implementieren Sie Videoanrufe in Next.js baut eine ganze App Schritt für Schritt, und in der Live-Demo können Sie sie in zwei Browsern öffnen und von einem zum anderen anrufen.

Was sie Ihnen überlässt

  • Eine Route, die die Tokens ausgibt. Wer wen anrufen darf, ist Ihre eigene Logik, also ist es Code, den Sie schreiben, und ebenso der Eintrag, den Ihr Webhook zu jedem Anruf speichert.
  • Jemandem sagen, dass er einen Anruf verpasst hat. Ein Anruf klingelt 45 Sekunden lang überall, wo die Person eine Seite oder eine App offen hat. Danach erfährt Ihr Server, dass niemand angenommen hat, und die E-Mail oder die Nachricht senden Sie selbst.
  • Aufzeichnung. Die SDKs für Apps zeichnen heute keine Anrufe auf.
  • Telefonnummern. Anrufe laufen zwischen den Nutzern Ihrer App, über das Internet, ohne Telefonnummern und ohne Telefonnetz.

Wenn Sie ein Meeting möchten, dem jeder über einen Link beitritt, ohne eine App von Ihnen drumherum, passt ein Meeting-Dienst, den Sie einbetten, besser zu Ihnen. Das gilt auch, wenn Ihre Anrufe Telefonnummern erreichen müssen.

Beginnen Sie mit der Anleitung für Anrufe

Für WordPlus Cloud for Apps gelten Preise nach gleichzeitigen Verbindungen, ab 1.000, monatlich oder jährlich abgerechnet. Anrufe zwischen zwei Personen sind enthalten, und derselbe Tarif und dasselbe SDK bringen Gruppenanrufe, Livestreaming und Chat über dieselbe Verbindung. Sehen Sie sich die Videoanruf-API und das SDK an, mit jeder Aufgabe in jedem Stack, was die Cloud für Apps leistet oder die Preise für Apps. Wählen Sie auch für den Chat aus? Wie Sie eine Chat-API auswählen stellt dieselben Fragen für Nachrichten. Streamen Sie auch für ein Publikum? Wie Sie eine Live-Streaming-API auswählen stellt dieselben Fragen für einen Stream. Fragen zu Ihrer Integration? Schreiben Sie uns.