Jak wybrać API do transmisji na żywo: co porównać, zanim zaczniesz budować

API do transmisji na żywo wybieraj według tego, z jakim opóźnieniem oglądają Twoi widzowie, i według tego, co liczy jego rachunek: czy obraz dociera do nich wiele sekund później, czy około sekundy za prowadzącym, czy mogą odpowiedzieć, póki to jeszcze ma znaczenie, i czy jesteś rozliczany według minut widzów, godzin wideo czy wysłanych gigabajtów. Odtwarzacz, studio i kod do osadzenia są na każdej liście funkcji, więc to właśnie te odpowiedzi odróżniają usługi.
Ten wpis przechodzi przez dziesięć pytań, które warto zadać każdemu API do transmisji na żywo, SDK do livestreamów i API do streamingu wideo, i przy każdym wyjaśnia, dlaczego ma ono znaczenie i jak samodzielnie sprawdzić odpowiedź. Nie wymienia z nazwy żadnej usługi. Na końcu odpowiada na każde pytanie dla WordPlus Cloud i mówi, co WordPlus Cloud zostawia Tobie.
Emisja czy transmisja, w której widzowie odpowiadają
Pod tymi określeniami sprzedawane są dwa rodzaje usług, zbudowane na różnych protokołach.
Usługa nadawcza tnie transmisję na krótkie pliki, segmenty po kilka sekund każdy, i wysyła je widzom przez zwykłe HTTP, najczęściej jako HLS. Pliki przechodzą przez każdą sieć i każdą pamięć podręczną, więc taka usługa niesie transmisję do bardzo dużej widowni, z opóźnieniem wielu sekund. Usługa czasu rzeczywistego wysyła transmisję przez WebRTC, protokół rozmów wideo, klatka po klatce przez swoje serwery mediów, więc widzowie widzą ją mniej więcej tak szybko, jak pokazałaby ją rozmowa, a ich czat, reakcje i pytania docierają, gdy prowadzący jest jeszcze przy temacie.
| Emisja przez HLS | Czas rzeczywisty przez WebRTC | |
|---|---|---|
| Opóźnienie | Wiele sekund | Około sekundy |
| Wysyłana jako | Pliki przez HTTP | Pakiety, jak w rozmowie |
| Widownia | Ogląda | Ogląda i bierze udział |
Żaden z tych rodzajów nie jest ogólnie lepszy. Mecz, który ogląda cały kraj, nie pisząc ani słowa, to emisja. Lekcja, premiera z pytaniami albo wystąpienie z czatem obok to transmisja, w której widzowie odpowiadają. Zanim porównasz ceny, ustal, który z nich budujesz, bo te dwa rodzaje są też wyceniane na różne sposoby.
1. Z jakim opóźnieniem ogląda widz?
Opóźnienie wynika z tego, jak podróżuje transmisja. HLS wysyła segment dopiero wtedy, gdy jest gotowy, a odtwarzacz trzyma kilka w zapasie: standard HLS każe odtwarzaczowi zaczynać co najmniej trzy docelowe długości segmentu przed końcem playlisty na żywo, a wytyczne Apple dla autorów transmisji zalecają docelową długość 6 sekund. To stawia widza 18 sekund lub więcej za transmisją. Low-Latency HLS wysyła części każdego segmentu w miarę ich powstawania, według tych samych wytycznych po sekundzie każda, a odtwarzacz nadal trzyma co najmniej trzy z nich, więc zostaje kilka sekund.
WebRTC nie ma segmentów. Wysyła każdą klatkę, gdy tylko zostanie zakodowana, tak jak w rozmowie.
Dwie sekundy niewiele znaczą dla kogoś, kto ogląda film. Znaczą bardzo dużo dla nauczyciela, który pyta „czy wszyscy to widzą?”, albo dla prowadzącego, który czyta czat na głos i na niego odpowiada.
Zapytaj:
- Jakie jest opóźnienie widza względem prowadzącego, od kamery do ekranu, i jak je zmierzono?
- Czy czat dociera równo z obrazem, czy przed nim?
- Czy opóźnienie rośnie podczas długiej transmisji i co je z powrotem zmniejsza?
2. Jak obraz trafia do środka?
Prowadzący skądś wchodzi na żywo: z kamery przeglądarki albo telefonu, z udostępnionego ekranu albo z enkodera, takiego jak OBS, który miesza sceny i kamery. Przeglądarka ani telefon nie wymagają instalowania czegokolwiek. Enkoder wysyła transmisję własnym protokołem, najczęściej RTMP, starszym protokołem, który przenosi wideo przez TCP, albo WHIP, standardem IETF do wysyłania transmisji do usługi WebRTC jednym żądaniem HTTP z tokenem typu bearer. OBS ma go od wersji 30.
Zapytaj:
- Czy prowadzący może wejść na żywo z przeglądarki, bez instalowania czegokolwiek?
- Które protokoły enkoderów przyjmuje i z którymi enkoderami to wypróbowano?
- Gdy enkoder zniknie na minutę, czy transmisja na niego czeka, czy się kończy?
- Czy klucz transmisji, który wyciekł, można wymienić i czy stary przestaje wtedy działać?
3. Co dostaje każdy widz?
Ludzie oglądają w tym samym czasie na telefonie z jedną kreską zasięgu danych komórkowych i na dużym ekranie na światłowodzie. Usługa, która wysyła wszystkim jeden obraz, zawodzi jednego z nich. Są dwa sposoby, żeby to obejść. Usługa nadawcza zwykle koduje transmisję ponownie w kilku rozmiarach, w drabinie jakości, a odtwarzacz wybiera jeden według swojego połączenia. Usługa czasu rzeczywistego często każe prowadzącemu wysyłać kilka rozmiarów naraz, simulcast, a jej serwery mediów przekazują każdemu widzowi ten, który pasuje (jak działają serwery mediów).
Zapytaj:
- Ile jakości, do jakiej rozdzielczości i kto wybiera: odtwarzacz, widz czy jeden i drugi?
- Czy przy słabym połączeniu obraz się zmniejsza, zanim się zatnie?
- Czy moja strona może odczytać, jak transmisja odtwarza się u widza, żeby pomóc komuś, komu zacina się obraz?
4. Jak blisko są serwery i czy da się do nich dotrzeć?
Widz daleko od serwera czeka, aż każdy pakiet pokona tę odległość, i więcej z nich gubi po drodze. Zapytaj, gdzie działają serwery mediów i czy każdy widz sam trafia do serwera ze swojego regionu. Jak połączyć użytkowników z różnych regionów omawia, co oznacza każda z tych odpowiedzi.
Sieć pośrodku liczy się tak samo. HLS podróżuje jak każda strona WWW, przez każdą zaporę, która wypuszcza ruch WWW. WebRTC woli UDP, które wiele biur i hoteli blokuje, więc usługa czasu rzeczywistego potrzebuje też drogi przez porty sieci WWW. Nasz wpis o portach WebRTC wymienia, co zapora musi przepuścić.
Zapytaj:
- Gdzie są serwery mediów i czy każdy widz dołącza do najbliższego?
- Czy widz w sieci, która przepuszcza tylko ruch WWW, nadal dostaje obraz?
5. Co liczy rachunek?
Większość API do transmisji na żywo liczy minuty widzów, czyli minutę oglądania jednej osoby. Transmisja dla 1000 osób przez godzinę to 60 000 takich minut, więc wielkość widowni ma większe znaczenie niż liczba transmisji. Niektóre liczą zamiast tego, albo dodatkowo, godziny zakodowanego wideo lub dostarczone gigabajty.
Potem sprawdź, co jeszcze jest liczone. Niektóre ceny rosną razem z rozdzielczością, niektóre usługi liczą czas, w którym strona czeka na początek transmisji, a nagrywanie, przechowywanie, czat i każdy enkoder mogą być osobnymi pozycjami rachunku. Ile kosztuje minuta rozmowy wideo przelicza cały miesiąc, razem z transmisją na żywo.
Zapytaj:
- Czy minuta w 1080p jest liczona tak samo jak minuta w 360p?
- Czy widz jest liczony od otwarcia strony, czy od chwili, gdy transmisja wchodzi na żywo?
- Co się dzieje po przekroczeniu planu: czy nowi widzowie są odrzucani, oglądający odcinani, czy naliczana jest nadwyżka?
6. Kto może oglądać, a kto wejść na żywo?
Transmisja dla wszystkich potrzebuje tylko linku. Transmisja dla członków klubu, uczniów kursu albo posiadaczy biletów potrzebuje więcej, bo link łatwo przekazać dalej. W większości API Twój serwer podpisuje token dla każdego widza albo każdej transmisji, a różnica polega na tym, ile ten token mówi i czy token podpisany dla jednej osoby działa dla innej.
Zapytaj:
- Czy ktoś bez konta może oglądać i czy mogę to wyłączyć dla jednej transmisji?
- Czy przekazany dalej link otwiera transmisję tylko dla członków?
- Czy mogę usunąć widza w trakcie transmisji i nie wpuszczać go z powrotem?
- Kto może wejść na żywo w transmisji i jak jest to sprawdzane?
7. Czy czat jest częścią transmisji?
Transmisja, w której widzowie odpowiadają, potrzebuje czatu obok, a czat z widownią wymaga pilnowania: przypięcia wiadomości, usunięcia którejś, spowolnienia wszystkich, wyciszenia kogoś na chwilę, zbanowania kogoś. Niektóre API dają czat razem z transmisją, inne zostawiają go drugiej usłudze z własnym rachunkiem.
Zapytaj:
- Czy czat przychodzi razem z transmisją, przez to samo połączenie i z tym samym logowaniem?
- Kto go pilnuje i czy mój serwer może robić to samo bez żadnej otwartej strony?
- Ile wiadomości przechowuje i jak długo?
8. Czy widz może wejść na scenę?
Pytanie zadane na głos, wywiad, panel: każda z tych sytuacji wymaga, żeby widz wszedł z własną kamerą i mikrofonem, tak żeby widzieli go wszyscy oglądający, bez drugiej aplikacji do rozmów. Potrafi to tylko rodzaj czasu rzeczywistego, bo widz opóźniony o wiele sekund nie może rozmawiać z prowadzącym.
Zapytaj:
- Czy widz może podnieść rękę, a prowadzący wprowadzić go na scenę i z niej zdjąć?
- Jak pokazują się goście: obok siebie, z osobą mówiącą w dużym oknie czy z jedną osobą w centrum uwagi?
9. Czy jest gotowy odtwarzacz i studio?
Odtwarzacz to więcej niż element wideo. Przeglądarki odtwarzają dźwięk dopiero wtedy, gdy ktoś kliknął albo coś wpisał na stronie (MDN o autoodtwarzaniu), więc widz, który otworzy transmisję z linku, może zobaczyć ją bez dźwięku, a odtwarzacz potrzebuje sposobu, żeby dźwięk włączyć. Mówi, kiedy transmisja jeszcze się nie zaczęła, zaczyna grać, gdy tylko się zacznie, bez przeładowania, i pokazuje czat oraz liczbę oglądających. Prowadzący potrzebuje studia: kamery przed wejściem na żywo, ekranu, enkodera, wejścia na żywo i zakończenia. Gotowe rozwiązanie oszczędza tygodnie i musi wyglądać jak reszta Twojej aplikacji.
Zapytaj:
- Które platformy je mają: przeglądarka, React, iOS, Android?
- Czy mogę zmienić ich wygląd i umieścić odtwarzacz i czat osobno?
- Czy reszta SDK jest dostępna dla mojego własnego odtwarzacza?
- Czy jest biblioteka serwerowa w języku, w którym piszę, albo API HTTP?
10. Czego dowiaduje się Twój serwer i co zostaje?
Twoja aplikacja musi wiedzieć, co się stało: kiedy transmisja się zaczęła i skończyła, kto oglądał i jak długo. Potrzebuje tego, żeby pokazać, co jest teraz na żywo, powiadomić obserwujących albo rozliczać własnych użytkowników za obejrzenie lub za minutę. Przynoszą to webhooki, a ponieważ webhook może przyjść dwa razy, każdy potrzebuje identyfikatora.
Potem przeczytaj stronę z limitami: jak długo może trwać transmisja, ile osób może oglądać i jak długo żyje klucz transmisji. I zapytaj, co zostaje, gdy transmisja się skończy: nagranie, powtórka i czat.
Przetestuj to w jedno popołudnie
Tabela funkcji odpowiada na niewiele z tych pytań. Mały test odpowiada na większość. Zbuduj najmniejszą możliwą transmisję na każdej usłudze, którą rozważasz, i wykonaj tych osiem kroków:
- Wejdź na żywo z przeglądarki i oglądaj na telefonie korzystającym z danych komórkowych. Postaw przed kamerą zegar, który pokazuje sekundy, i sfotografuj go obok ekranu telefonu: różnica to opóźnienie.
- Zadaj pytanie na głos i poproś widza, żeby odpowiedział na czacie. Zobacz, ile czasu potrzebuje odpowiedź, żeby do Ciebie dotrzeć.
- W narzędziach deweloperskich przeglądarki widza spowolnij sieć. Zobacz, czy obraz się zmniejsza, czy staje.
- Oglądaj z sieci, która przepuszcza tylko ruch WWW, na przykład z restrykcyjnej sieci Wi-Fi w biurze albo hotelu. Nasz test połączenia pokazuje wcześniej, co ta sieć przepuszcza.
- Otwórz transmisję z linku w nowej karcie i zobacz, co odtwarzacz robi z dźwiękiem.
- Otwórz transmisję tylko dla członków w oknie prywatnym, bez logowania, z linkiem, który ma członek.
- Zatrzymaj enkoder na minutę i uruchom go ponownie. Zobacz, czy widzowie nadal są.
- Otwórz stronę zużycia w usłudze i przeczytaj, jako co zostało policzone to popołudnie.
Jak odpowiada na nie WordPlus Cloud
WordPlus Cloud należy do drugiego rodzaju: to API i SDK do transmisji na żywo przez WebRTC, z gotowym odtwarzaczem, studiem i czatem, na serwerach mediów, które sami utrzymujemy. Te same dziesięć pytań, po kolei:
- Widzowie oglądają około sekundy za prowadzącym, przez WebRTC bez segmentów, a czat i reakcje przychodzą przez to samo połączenie, równo z obrazem.
- Prowadzący wchodzi na żywo z kamerą i mikrofonem przeglądarki albo telefonu, udostępnia ekran albo nadaje z OBS lub dowolnego innego enkodera przez WHIP. Studio daje prowadzącemu adres i klucz dla enkodera, a nowy klucz odcina stary. Przyjmujemy WHIP, nie RTMP. Transmisja na żywo, której enkoder nie wraca przez 5 minut, kończy się, chyba że ktoś na jej scenie nadal wysyła obraz z kamery albo ekran.
- Prowadzący wysyła do 1080p, a każdy widz dostaje warstwę, która pasuje, wybraną według rozmiaru odtwarzacza i połączenia, do Full HD w dużym odtwarzaczu. Widz może też sam wybrać warstwę, do 720p. Każda strona może co sekundę odczytać, jak transmisja odtwarza się u jej widza: jaki obraz i dźwięk docierają, co ginie, czas w obie strony, ile trwało, zanim pojawił się obraz, zacięcia i ponowne połączenia.
- Nasze serwery mediów działają w kilku regionach i każdy widz sam dołącza do serwera ze swojego regionu, a nasze serwery przekazują transmisję między regionami prywatnymi łączami. Strona o sieci pokazuje je na mapie. Widz w sieci, która przepuszcza tylko ruch WWW, nadal dostaje transmisję, na porcie 443.
- Rachunek liczy jednoczesne połączenia, od 1000 wzwyż: $11.99 miesięcznie przy rozliczeniu rocznym lub $14.99 przy rozliczeniu miesięcznym. Każdy widz zajmuje jedno połączenie. Przy 1000 połączeń 50 widzów jednocześnie nie zużywa kredytów, a każde kolejne 1000 połączeń dodaje 20. Powyżej tego każdy widz zużywa kredyt na minutę, liczony tylko wtedy, gdy transmisja trwa, czyli $0.20 za 1000 minut widzów, a Twój plan dodaje 5000 kredytów miesięcznie na każde 1000 połączeń. Jedna cena przy każdej rozdzielczości, a przepustowość, przekaźniki i wiadomości na czacie nigdy nie są naliczane. Transmisja dla 1000 widzów przez godzinę, 4 razy w miesiącu, kosztuje z planem około $56.59. Gdy zużyjesz swoje kredyty i miesiąc pożyczki, nowi widzowie ponad to, co obejmuje plan, nie są wpuszczani, dopóki nie dodasz kredytów albo nie skończy się miesiąc, a ci, którzy już oglądają, oglądają dalej.
- Twój serwer decyduje, kto jest kim, z regułą dla każdego rodzaju transmisji: odmawia komuś albo robi z niego widza, widza, który tylko czyta czat, moderatora albo prowadzącego. Odwiedzający, który się nie zalogował, ogląda, gdy pozwala na to Twoja reguła. W przeciwnym razie transmisja jest tylko dla członków, a przekazany dalej link niczego nie otwiera. Transmisja jest dla wszystkich, którzy ją oglądają, więc jest szyfrowana w drodze, ale nie end-to-end: nasze serwery mediów ją widzą, jak tego wymaga transmisja.
- Czat przychodzi razem z transmisją, przez to samo połączenie, z reakcjami na obrazie. Prowadzący i moderatorzy wskazani przez Twój serwer przypinają i usuwają wiadomości, spowalniają czat do jednej wiadomości co określoną liczbę sekund, maksymalnie 300, wyciszają kogoś na czas od minuty do doby, usuwają go z transmisji albo banują. Twój serwer robi to wszystko bez żadnej otwartej strony i pisze na czacie pod własną nazwą. Czat przechowuje swoje ostatnie 200 wiadomości, przez dobę od ostatniej z nich.
- Widzowie wchodzą na scenę. Widz podnosi rękę, prowadzący go zaprasza i wszyscy oglądający widzą go obok prowadzącego, z kamerą i mikrofonem, do 720p, w siatce, z osobą mówiącą w dużym oknie albo z jedną osobą w centrum uwagi. Odwiedzający, który się nie zalogował, ogląda, ale nie wchodzi na scenę.
- Gotowy odtwarzacz, studio i czat, jako jeden element na każdej stronie,
<LiveStream>w React i natywne ekrany na iOS i Androidzie. Umieść odtwarzacz i czat osobno, zmień ich wygląd albo narysuj własny odtwarzacz na tym samym SDK. Mówią w dziewięciu językach, a odtwarzacz pokazuje Włącz dźwięk, gdy przeglądarka uruchomi go bez dźwięku. Biblioteki serwerowe dla Node.js, PHP i Pythona, przewodniki dla Next.js, Expressa, Laravela, czystego PHP, Django, FastAPI i Flaska oraz API HTTP dla każdego innego języka. - Twój serwer dowiaduje się przez webhook o każdym początku i końcu transmisji, a także o tym, kiedy każdy zalogowany widz zaczyna i przestaje oglądać, razem z sekundami czasu na żywo, liczonymi na naszych serwerach. Każde zdarzenie ma identyfikator, więc powtórzenie zostaje zapisane raz, a Twój serwer może pobrać listę trwających teraz transmisji z liczbą oglądających każdą. Limity są opublikowane: przepustka widza do transmisji jest ważna 10 minut i strona ją odnawia, a klucz transmisji jest przechowywany, dopóki nie minie rok, w którym nikt go nie użyje.
Przewodnik po transmisjach na żywo zawiera kod każdej części w każdym stacku. Jak wdrożyć transmisje na żywo w Next.js buduje krok po kroku cały serwis lekcji na żywo, a jego demo na żywo pozwala wejść na żywo jako nauczyciel i oglądać jako uczeń w drugim oknie.
Co zostawia Tobie
- Regułę. To, kto prowadzi, a kto ogląda, to Twoja własna logika, więc jest to kod, który piszesz, razem z trasą, która o nią pyta, i tak samo jest z zapisem każdej transmisji, który prowadzi Twój webhook.
- Powiadomienie ludzi, że transmisja się zaczęła. Twój serwer dowiaduje się, że weszła na żywo, a wysłanie e-maila albo powiadomienia należy do Ciebie.
- Nagrania i powtórki. SDK dla aplikacji nie nagrywają dziś transmisji.
- RTMP. Enkoder, który wysyła tylko RTMP, wymaga nowszej wersji albo innego enkodera z WHIP, takiego jak OBS 30 lub nowszy.
- Transmisję, która tylko wychodzi. Każdy widz zajmuje połączenie z Twojego planu, bo w transmisji czasu rzeczywistego wszyscy pozostają połączeni. Do widowni, która nigdy nie pisze i której nie przeszkadza opóźnienie wielu sekund, pasuje usługa nadawcza przez HLS.
Zacznij od przewodnika po transmisjach na żywo
WordPlus Cloud for Apps ma cenę według jednoczesnych połączeń, od 1000 wzwyż, rozliczaną miesięcznie lub rocznie. Ten sam plan i to samo SDK dają rozmowy, rozmowy grupowe i czat przez to samo połączenie. Zobacz API i SDK do transmisji na żywo, z demem na żywo i każdym stackiem, co chmura daje aplikacjom albo cennik dla aplikacji. Wybierasz też rozmowy i czat? Jak wybrać API do rozmów wideo zadaje te same pytania o rozmowy, a jak wybrać API czatu o wiadomości. Chcesz zapytać o swoją integrację? Napisz do nas.