Jak wybrać API do rozmów wideo: co porównać, zanim zaczniesz budować

API do rozmów wideo wybieraj według tego, co dzieje się z trudnymi rozmowami, i według tego, co liczy: czy rozmowa łączy się przez restrykcyjną zaporę, jak blisko Twoich użytkowników są jego serwery, kto może zobaczyć media i czy rachunek rośnie razem z minutami, liczbą osób czy rozdzielczością. Obraz HD, udostępnianie ekranu i ekran rozmowy są na każdej liście funkcji, więc to właśnie te odpowiedzi odróżniają usługi.
Ten wpis przechodzi przez dziesięć pytań, które warto zadać każdemu API do rozmów wideo, SDK do rozmów wideo i API do wideokonferencji, 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.
Spotkanie, które osadzasz, czy rozmowy we własnej aplikacji
Pod tymi określeniami sprzedawane są dwa różne rodzaje usług.
Usługa spotkań daje Ci pokój na jej własnej stronie, który ludzie otwierają z linku albo który umieszczasz w ramce na swojej witrynie. API rozmów daje Ci części: SDK dla każdej platformy, często z gotowym ekranem rozmowy, a rozmowy odbywają się w Twojej własnej aplikacji, między Twoimi własnymi użytkownikami.
| Spotkanie osadzone | API i SDK rozmów | |
|---|---|---|
| Rozmowa toczy się | Na jej stronie, w ramce | Na Twoich ekranach |
| Kto może dołączyć | Każdy, kto ma link | Ten, komu pozwoli Twój serwer |
| Piszesz | Link | Trasę dla tokenów i ekran |
Jest też trzecia droga, serwery mediów open source na Twoich własnych serwerach, i to ona zostawia Ci najwięcej do utrzymania. Jak działają grupowe rozmowy wideo pokazuje, czego to wymaga. Dziesięć pytań poniżej dotyczy dwóch pierwszych.
1. Czy każda rozmowa się łączy?
Rozmowa wideo idzie bezpośrednio między dwoma urządzeniami, gdy pozwalają na to ich sieci, a wiele sieci na to nie pozwala. Domowe routery, sieci komórkowe i firmowe zapory ukrywają stojące za nimi urządzenia, każde na swój sposób, więc część rozmów łączy się tylko przez przekaźnik, serwer TURN, do którego obie strony mogą dotrzeć. Nasz wpis o serwerach STUN i TURN wyjaśnia dlaczego.
Równie ważne jest to, na jakich portach ten przekaźnik nasłuchuje. TURN domyślnie używa portu 3478, a przez TLS portu 5349, i jego standard przenosi go także przez TCP, bo niektóre zapory całkowicie blokują UDP. Sieć hotelowa albo biurowa, która wypuszcza tylko porty sieci WWW, blokuje je wszystkie, więc przechodzi tylko przekaźnik na porcie 443.
Zapytaj:
- Czy przekaźniki są w cenie i na których portach działają, w tym na 443?
- Co się dzieje, gdy nawet przekaźnik nie może się połączyć: czy rozmowa się nie udaje, czy przechodzi na serwer, który może?
- Gdy telefon przechodzi z Wi-Fi na dane komórkowe, czy rozmowa trwa dalej, czy się rozłącza?
Gdy rozmowa nie chce się połączyć, nasz wpis o nieudanych połączeniach WebRTC pokazuje, jak sprawdzić dlaczego.
2. Jak blisko Twoich użytkowników są serwery?
Każdy przekaźnik i serwer mediów dodaje drogę do siebie i z powrotem. Zalecenie ITU dotyczące opóźnień w rozmowach, G.114, zauważa, że dopóki opóźnienie w jedną stronę pozostaje poniżej 150 ms, większość zastosowań prawie go nie odczuwa. Dwie osoby z tego samego miasta, które rozmawiają przez serwer na innym kontynencie, słyszą się z opóźnieniem, choć mieszkają kilka ulic od siebie.
Zapytaj:
- Gdzie są przekaźniki i serwery mediów i czy każda osoba sama trafia do najbliższego?
- Czy w rozmowie grupowej z osobami na dwóch kontynentach wszyscy łączą się z jednym serwerem, czy każdy dołącza do serwera blisko siebie?
Jak połączyć użytkowników z różnych regionów omawia, co każda z tych odpowiedzi oznacza dla rozmowy.
3. Czy rozmowa we dwoje i rozmowa grupowa działają tak samo?
Rozmowa między dwiema osobami może iść bezpośrednio między urządzeniami. Rozmowa grupowa powyżej kilku osób nie może, bo każde urządzenie musiałoby wysyłać obraz z kamery do każdego innego. Dlatego rozmowy grupowe działają na serwerach mediów, które biorą obraz z każdej kamery raz i przekazują go pozostałym, a wiele usług sprzedaje je jako drugi produkt, z własnym SDK i własną ceną.
Zapytaj:
- Gdy do rozmowy we dwoje dołącza trzecia osoba, czy te dwie muszą się rozłączyć i zacząć od nowa?
- Ile osób może być z wideo jednocześnie i ile w jednej rozmowie?
- Czy niektóre osoby mogą tylko słuchać i zabrać głos dopiero wtedy, gdy prowadzący im pozwoli?
4. Co liczy rachunek?
Większość API do rozmów wideo liczy minuty uczestnika, czyli minutę jednej osoby w rozmowie. Lekcja 30 osób przez godzinę to 1800 takich minut, więc wielkość Twoich rozmów ma większe znaczenie niż ich liczba. Ile kosztuje minuta rozmowy wideo przelicza cały miesiąc.
Potem sprawdź, co jeszcze jest liczone. Niektóre ceny rosną razem z rozdzielczością, niektóre usługi liczą osobno minuty przez przekaźnik, a nagrywanie, przepustowość i rozmowy między dwiema osobami mogą być osobnymi pozycjami rachunku.
Zapytaj:
- Czy minuta w HD jest liczona tak samo jak minuta z samym dźwiękiem?
- Czy liczone są rozmowy między dwiema osobami i te, które idą przez przekaźnik?
- Co się dzieje po przekroczeniu planu: czy rozmowa zostaje przerwana, czy naliczana jest nadwyżka?
5. Kto może zobaczyć i usłyszeć rozmowę?
Każda rozmowa WebRTC jest szyfrowana w drodze. Architektura bezpieczeństwa WebRTC tego wymaga: wszystkie media są chronione przez SRTP, z kluczami uzgadnianymi przez DTLS. To zatrzymuje każdego w sieci między dwoma końcami. Pytanie brzmi, gdzie są te końce. W rozmowie bezpośrednio między dwoma urządzeniami końcami są urządzenia. W rozmowie przez serwer mediów jednym z końców jest serwer i może on zobaczyć każdą ramkę.
Rozmowa grupowa pozostaje prywatna wobec swoich serwerów mediów tylko wtedy, gdy każda ramka jest szyfrowana, zanim opuści urządzenie, kluczami, których serwery nigdy nie mają. SFrame to standard IETF służący właśnie do tego, a niektóre usługi robią to samo na swój sposób.
Zapytaj:
- Kto ma klucze rozmowy grupowej: usługa, mój serwer czy tylko osoby, które w niej są?
- Czy rozmowa, która przechodzi na przekaźnik albo serwer mediów, nadal jest szyfrowana end-to-end?
- Czy nagranie wymaga, żeby usługa widziała media?
6. Kto decyduje, kto może dzwonić i dołączać?
Rozmowa powinna się zaczynać tylko tam, gdzie Twoja aplikacja się na nią zgadza. W większości API Twój serwer podpisuje token dla każdej rozmowy albo pokoju, a różnica polega na tym, ile ten token mówi. Taki, który tylko wpuszcza użytkownika, zostawia role ustawieniom usługi. Taki, który określa, kto mówi, kto tylko słucha i kto prowadzi rozmowę, trzyma te decyzje w Twoim własnym kodzie.
Zapytaj:
- Czy token dany jednej osobie może zostać użyty przez kogoś innego albo w innej rozmowie?
- Czy mój serwer może kogoś wyciszyć, usunąć z rozmowy albo zakończyć rozmowę bez żadnej otwartej strony?
- Czy prowadzący może zrobić to samo z ekranu rozmowy, i tylko prowadzący?
7. Jak rozmowa dociera do osoby, do której dzwonisz?
Rozmowa, która dzwoni w karcie, na którą nikt nie patrzy, to nieodebrana rozmowa. Zapytaj, gdzie dzwoni: w każdej karcie, którą ta osoba ma otwartą, na jej telefonie i na telefonie z zamkniętą aplikacją. Zamknięta aplikacja dzwoni tylko przez systemowe połączenia telefonu, CallKit na iOS i framework Telecom na Androidzie, a SDK musi je obsługiwać.
Zapytaj:
- Czy rozmowa dzwoni na wszystkich urządzeniach naraz i przestaje wszędzie, gdy zostanie odebrana na jednym?
- Czy dzwoni na zablokowanym telefonie i trafia na listę ostatnich połączeń?
- Jak długo dzwoni i czego dowiaduje się każda strona, gdy nikt nie odbiera?
8. Czy jest gotowy ekran rozmowy i czy możesz go zmienić?
Ekran rozmowy to więcej pracy, niż się wydaje: dzwonek, wybór kamery i mikrofonu, siatka, która sama się przestawia, to, kto mówi, udostępniony ekran i dźwięk, który przeglądarka trzyma wyciszony, dopóki ktoś nie kliknie. Gotowy ekran oszczędza tygodnie. Musi też wyglądać jak reszta Twojej aplikacji.
Zapytaj:
- Które platformy go mają: przeglądarka, React, iOS, Android?
- Czy mogę zmienić jego kolory i teksty oraz wymienić jedną jego część na własną?
- Czy reszta SDK jest dostępna dla mojego własnego ekranu, aż po każdą osobę w rozmowie grupowej?
- Czy jest biblioteka serwerowa w języku, w którym piszę, albo API HTTP?
9. Co się dzieje w słabej sieci?
Rozmowy psują się w drobny sposób na długo, zanim całkiem zawiodą. Każda przeglądarka musi obsługiwać VP8 i H.264, czego wymaga RFC 7742, a to, co rozmowa robi przy złym połączeniu, zależy od usługi: obniżyć jakość obrazu, wybrać inny kodek, wysyłać pakiety dźwięku dwa razy albo zrezygnować z kamery, żeby zachować głos.
Zapytaj:
- Czy przy słabym połączeniu najpierw ustępuje obraz, a dopiero potem dźwięk?
- Czy mój ekran dowiaduje się, jak dobre jest każde połączenie, żeby mógł o tym powiedzieć danej osobie?
- Gdy połączenie na chwilę zanika, jak długo rozmowa na nie czeka?
Telefon z jedną kreską zasięgu danych komórkowych odpowie na te pytania lepiej niż jakakolwiek strona specyfikacji.
10. Czego dowiaduje się Twój serwer i jakie są limity?
Twoja aplikacja musi wiedzieć, co się stało: kto dzwonił do kogo, jak długo rozmawiali i dlaczego rozmowa się zakończyła. Potrzebuje tego, żeby pokazać listę ostatnich połączeń, zaproponować wiadomość, gdy nikt nie odebrał, albo rozliczać własnych użytkowników za minutę. Przynoszą to webhooki, a ponieważ webhook może przyjść dwa razy, każdy potrzebuje identyfikatora.
Potem przeczytaj stronę z limitami: jak długo rozmowa może dzwonić i trwać, ile osób może w niej być i jak długo żyje token. I wyobraź sobie dzień, w którym odchodzisz. Rozmowa zostawia po sobie mniej niż czat. Zostaje Twój zapis każdej rozmowy, a jego miejsce jest w Twojej własnej bazie danych.
Przetestuj to w jedno popołudnie
Cennik i tabela funkcji odpowiadają na niewiele z tych pytań. Mały test odpowiada na większość. Zbuduj najmniejszą możliwą rozmowę na każdej usłudze, którą rozważasz, i wykonaj tych siedem kroków:
- Zadzwoń między dwiema przeglądarkami w różnych sieciach, jedną na Wi-Fi, a drugą na telefonie korzystającym z danych komórkowych.
- Zadzwoń z sieci, która przepuszcza tylko ruch WWW, na przykład z restrykcyjnej sieci Wi-Fi w biurze albo hotelu. Nasz test WebRTC pokazuje wcześniej, co ta sieć przepuszcza.
- Podczas rozmowy przełącz jeden telefon z Wi-Fi na dane komórkowe. Zobacz, czy rozmowa trwa dalej.
- Dodaj trzecią osobę do rozmowy we dwoje. Zobacz, czy te dwie muszą się najpierw rozłączyć.
- Otwórz aplikację jako osoba, do której dzwonisz, w dwóch kartach i na telefonie z zamkniętą aplikacją, i zadzwoń do niej. Zobacz, gdzie dzwoni i czy w pozostałych miejscach przestaje, gdy w jednym zostanie odebrana.
- Z konsoli przeglądarki spróbuj dołączyć z tokenem, który Twój serwer dał komuś innemu albo wydał dla innej rozmowy.
- 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 rozmów, z SDK i gotowym ekranem rozmowy, na przekaźnikach i serwerach mediów, które sami utrzymujemy. Te same dziesięć pytań, po kolei:
- Rozmowy między dwiema osobami łączą się trzema drogami, próbowanymi po kolei: bezpośrednio między dwoma urządzeniami, przez nasze przekaźniki na portach 443 i 80, portach sieci WWW, oraz przez nasze serwery mediów, gdy nawet przekaźniki nie mogą się połączyć. Rozmowa sama przechodzi z jednej drogi na drugą, bez rozłączania.
- Nasze przekaźniki i serwery mediów działają w kilku regionach, a każde urządzenie samo trafia do najbliższego. W rozmowie grupowej każda osoba dołącza do serwera ze swojego regionu, a nasze serwery przekazują każdy strumień między regionami prywatnymi łączami. Strona o sieci pokazuje je na mapie.
- Rozmowa we dwoje staje się rozmową grupową, gdy którakolwiek strona kogoś doda, i nikt się przy tym nie rozłącza. Rozmowy grupowe działają na naszych serwerach mediów, bez limitu osób w rozmowie, a Twój serwer określa, kto mówi, kto tylko słucha i kto prowadzi.
- Rachunek liczy jednoczesne połączenia, od 1000 wzwyż: $11.99 miesięcznie przy rozliczeniu rocznym lub $14.99 przy rozliczeniu miesięcznym. Rozmowy między dwiema osobami są w cenie na każdej drodze, przez przekaźnik czy nie. Przy 1000 połączeń rozmowy grupowe nie zużywają kredytów do 32 osób z wideo jednocześnie, przy czym osoba z samym dźwiękiem liczy się za pół, a każde kolejne 1000 połączeń dodaje 12. Powyżej tego kosztują $0.20 za 1000 minut osoby z wideo, $0.10 z samym dźwiękiem, a Twój plan dodaje 5000 kredytów miesięcznie na każde 1000 połączeń. Jedna cena przy każdej rozdzielczości, a przepustowość i przekaźniki nigdy nie są naliczane.
- Rozmowy między dwiema osobami są szyfrowane end-to-end na każdej drodze, także przez nasze przekaźniki i serwery mediów. Rozmowa grupowa jest szyfrowana end-to-end, gdy tak określa Twój serwer: każda ramka jest szyfrowana, zanim opuści urządzenie, kluczem, który wydaje tylko Twój serwer, a nasze serwery mediów przekazują coś, czego nie mogą odczytać.
- Decyduje Twój serwer. Daje stronie token dla każdej rozmowy, na którą pozwala, i dla każdej osoby, która dołącza do rozmowy grupowej, określając, kto mówi, kto tylko słucha i kto prowadzi. Prowadzący wyciszają mikrofon, dają komuś głos i usuwają kogoś z rozmowy, a Twój serwer może zrobić to samo bez żadnej otwartej strony i w każdej chwili cofnąć dostęp.
- Rozmowa dzwoni w każdej karcie i aplikacji, którą osoba, do której dzwonisz, ma otwartą, przez 45 sekund i przestaje dzwonić wszędzie, gdy odbierze w jednym miejscu. SDK dla iOS i Androida dzwonią na zablokowanym telefonie i przy zamkniętej aplikacji jak połączenie telefoniczne, przez CallKit i powiadomienia o połączeniach Androida. Każda rozmowa mówi, dlaczego się zakończyła, także wtedy, gdy nikt nie odebrał.
- Gotowy ekran rozmowy w przeglądarce, na iOS i Androidzie: przyciski rozmów, dzwonek i okno rozmowy, w dziewięciu językach. Zmień jego kolory i teksty, zastąp jego część własną albo narysuj własny interfejs na tym samym SDK. 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.
- W rozmowie między dwiema osobami połączenie drugiej strony jest zgłaszane jako doskonałe, dobre, słabe albo utracone, razem z drogą, którą poszła rozmowa, więc Twój ekran może o tym powiedzieć. Rozmowa sama zmienia drogę, gdy zmienia się sieć, a połączenie jednej strony może zaniknąć na maksymalnie 45 sekund i wrócić.
- Twój serwer dowiaduje się o każdej rozmowie przez webhook: kto dzwonił do kogo, kiedy rozmowa została odebrana, ile sekund rozmawiali i dlaczego się zakończyła, a także kiedy każda osoba dołączyła do rozmowy grupowej i kiedy ją opuściła, liczone na naszych serwerach. Rozmowa zachowuje swój identyfikator niezależnie od tego, ile razy wysyłany jest jej webhook, więc powtórzenie zostaje zapisane raz. Limity są opublikowane: rozmowa dzwoni 45 sekund, token rozmowy jest ważny do 6 godzin, a strona, której połączenie zaniknie, ma 45 sekund na powrót.
Przewodnik po rozmowach zawiera kod każdej części w każdym stacku. Jak wdrożyć rozmowy wideo w Next.js buduje całą aplikację krok po kroku, a demo na żywo pozwala otworzyć ją w dwóch przeglądarkach i zadzwonić z jednej do drugiej.
Co zostawia Tobie
- Trasę, która wydaje tokeny. To, kto może dzwonić do kogo, to Twoja własna logika, więc jest to kod, który piszesz, i tak samo jest z zapisem każdej rozmowy, który prowadzi Twój webhook.
- Powiadomienie kogoś, że ominęła go rozmowa. Rozmowa dzwoni przez 45 sekund wszędzie, gdzie ta osoba ma otwartą stronę albo aplikację. Potem Twój serwer dowiaduje się, że nikt nie odebrał, a wysłanie e-maila albo wiadomości należy do Ciebie.
- Nagrywanie. SDK dla aplikacji nie nagrywają dziś rozmów.
- Numery telefonów. Rozmowy odbywają się między użytkownikami Twojej aplikacji, przez internet, bez numerów telefonów i bez sieci telefonicznej.
Jeśli chcesz spotkania, do którego każdy dołącza z linku, bez żadnej Twojej aplikacji wokół, lepiej pasuje do Ciebie usługa spotkań, którą osadzasz. Tak samo jest, jeśli Twoje rozmowy muszą docierać do numerów telefonów.
Zacznij od przewodnika po rozmowach
WordPlus Cloud for Apps ma cenę według jednoczesnych połączeń, od 1000 wzwyż, rozliczaną miesięcznie lub rocznie. Rozmowy między dwiema osobami są w cenie, a ten sam plan i to samo SDK dają rozmowy grupowe, transmisje na żywo i czat przez to samo połączenie. Zobacz API i SDK do rozmów wideo, z każdym zadaniem w każdym stacku, co chmura daje aplikacjom albo cennik dla aplikacji. Wybierasz też czat? Jak wybrać API czatu zadaje te same pytania o wiadomości. Nadajesz też na żywo dla widowni? Jak wybrać API do transmisji na żywo zadaje te same pytania o transmisję. Chcesz zapytać o swoją integrację? Napisz do nas.