首页当你打开RTC服务的监控后台，密密麻麻的数据指标扑面而来：延迟、丢包率、卡顿率、码率、帧率……每个都在波动，每个看起来都很重要。产品经理在催优化用户体验，但技术资源有限，该从哪里下手？
这个问题在不同场景下答案完全不同。延迟、丢包率、卡顿率，它们伤害用户体验的方式完全不同。延迟破坏的是对话节奏，丢包破坏的是信息完整性，卡顿破坏的是连贯性。而用户对这三种”破坏”的容忍度，取决于他们的具体需求场景。
一. 三个指标，三种体验杀手
延迟：让对话变得尴尬
延迟最直接的影响是打乱对话的自然节奏。
在面对面交流中，我们习惯了一种微妙的时间感：对方说完话后0.2秒内，你如果还没反应，气氛就会有点尴尬。但在有延迟的视频通话里，这个时间感被打乱了。你不知道对方是说完了在等你回应，还是网络卡了一下。
当延迟较低时，对话感觉自然流畅；当延迟逐渐增加，你会开始察觉到对话节奏的不协调。比如和对方经常同时开口，或者在对方说完话后不确定该等多久再回应；当延迟继续上升到很高的程度，正常的实时对话几乎无法进行，交流方式会更像是”对讲机式”的一问一答。
具体的延迟阈值因人而异，也因场景而异。有些对话场景本身节奏较慢（比如一对一面试），对延迟的容忍度相对较高；而多人讨论、抢答互动等场景，对延迟会更加敏感。
丢包率：信息的悄然流失
丢包率是个更隐蔽的杀手。它不会让画面卡住，也不会让延迟飙升，但它会让信息质量悄悄下降。
在音频通话中，轻微的丢包可能只是让某些音节听起来有点模糊，但当丢包率持续升高，对话内容就会开始出现理解障碍。视频丢包的表现更直观，画面会出现马赛克、色块、撕裂，丢包严重时整个画面会变得面目全非。
丢包的破坏性取决于丢的是什么。在视频编码中，有一种叫I帧（关键帧）的东西，它包含了完整的画面信息；还有P帧（预测帧），它只记录和上一帧的差异。如果丢的是P帧，后续帧可以参考更早的帧来修复；但如果I帧丢了，后续所有依赖它的帧都会出错，画面会持续花屏直到下一个I帧到达。
音频丢包的容忍度比视频高一些。人的大脑有很强的补全能力，短时间的音频丢失可以通过上下文推断出来。这就是为什么在弱网环境下，很多RTC系统会选择”保音频、降视频”的策略，用户可以接受画面模糊，但不能接受听不清对方在说什么。
不过丢包有个特点：它往往不是孤立出现的。网络拥塞时，丢包会伴随着抖动和延迟上升。所以当你看到丢包率飙升时，往往意味着整个网络环境在恶化。
卡顿率：体验的暴力中断
卡顿的本质是画面或声音的时间连续性被打断。你正听着对方讲话，突然声音消失了两秒，然后又突然恢复，中间那两秒的内容永远消失了。或者画面定格在某个表情上，像被按下了暂停键，几秒后突然跳到了后面的画面。
卡顿是三个指标里最直接、最暴力的体验破坏者。
卡顿的触发机制很复杂。它可能是丢包率过高导致的（解码器等不到关键帧），可能是网络抖动导致的（数据包到达时间不规律），也可能是客户端性能问题（解码跟不上或渲染掉帧）。这也是为什么卡顿率往往是个综合性指标。
更要命的是，卡顿往往发生在最不该发生的时刻。用户不会记得那些流畅的部分，但会清楚记得关键信息传递时突然卡住的瞬间。面试官问重要问题时声音断了，老师讲解核心知识点时画面定格了，这些时刻的卡顿，对用户体验的杀伤力是平时的数倍。
三. 不同场景下，哪个指标最致命？
现在我们明白了三个指标各自的破坏方式，但问题还没解决：在你的具体场景下，应该优先优化哪个？
强交互场景：延迟是第一杀手
在视频会议、远程面试、在线协作这类强交互场景中，延迟是最不能容忍的。
这些场景的核心价值是”实时沟通”，而延迟直接破坏了”实时”。在多人会议中，延迟会放大”同时开口”的尴尬。面对面开会时，两个人同时说话会立刻察觉并停下；但在有延迟的视频会议里，你开口的瞬间看不到对方也在开口，等你意识到时已经说了好几个字，停下来又造成更长的沉默。
在这类场景中，用户甚至愿意牺牲一些画质来换取低延迟。模糊的画面不影响信息传递，但延迟会让讨论效率直线下降。
内容消费场景：卡顿不可接受
在线教育大班课、直播、点播这类单向内容消费场景中，卡顿是最致命的。
用户在这些场景中的预期是”流畅观看”。他们不需要和屏幕里的人实时对话，所以延迟可以容忍（直播延迟3-5秒很常见）；他们也能接受偶尔的画质下降（自适应码率会根据网络调整清晰度）。但卡顿不行。内容的连贯性一旦被打断，观看体验立刻崩溃。
这就是为什么直播平台宁愿增加延迟来缓冲数据，也要保证播放的流畅。用户可能注意不到3秒延迟和5秒延迟的区别，但一定能注意到每隔30秒就卡一次的”幻灯片式播放”。
音频质量敏感场景：丢包最危险
在音乐教学、语音社交、播客录制这类对音质有要求的场景中，丢包率是最需要控制的指标。
这些场景往往对音频的细节和完整性有很高要求。钢琴陪练需要听清每个音符，语音电台需要保证声音的质感，播客录制不能容忍任何噪音或失真。
在这些场景中，适当的延迟可以接受（音乐教学互动本身就有节奏间隔），偶尔的视频卡顿也不是大问题（很多语音场景根本不开视频）。但音频丢包会直接破坏内容质量。
四. 三个指标的连锁反应
现实情况比理论分析更复杂，因为这三个指标不是孤立存在的——它们会互相影响，互相转化。
丢包如何引发卡顿
当网络丢包率上升时，接收端会发现一些数据包没到。这时候系统有两个选择：
- 一是等待重传。发送端重新发送丢失的包，接收端等它到了再继续播放。这样能保证数据完整，但会引入额外的延迟。如果丢包持续发生，延迟会累积，最终导致播放缓冲区耗尽——表现为卡顿。
- 二是跳过丢失的数据。接收端不等重传，直接用后面到达的数据继续播放。这样不会增加延迟，但画面或声音会出现跳跃——这也是一种卡顿。
所以你会发现，高丢包率往往伴随着高卡顿率。当监控面板显示丢包率超过10%时，卡顿率通常也会同步上升。
延迟累积与卡顿的关系
延迟本身不会直接导致卡顿，但延迟的波动会。
如果网络延迟稳定在300ms，系统可以预留300ms的播放缓冲区，数据按时到达,按时播放，不会卡顿。但如果延迟在100ms到500ms之间剧烈波动（这叫网络抖动），系统就很难预判该预留多大缓冲区。
预留太小，延迟突然升高时缓冲区会耗尽，导致卡顿；预留太大，又会让整体延迟变得更高。
优化一个指标可能恶化另一个
这是最让人头疼的部分：优化某个指标时，可能会牺牲其他指标。
为了降低延迟，你可能会减少播放缓冲区的大小。但缓冲区变小后，网络稍有波动就会导致卡顿。
为了降低卡顿率，你可能会增大缓冲区，或者启用更激进的前向纠错（FEC）。但这都会增加延迟——FEC需要发送冗余数据，大缓冲区则直接推迟播放时间。
为了对抗丢包，你可能会降低码率，让每个数据包携带更少的信息。但低码率意味着画质下降，用户可能会觉得”看得很清楚，但画面很糊”。
没有完美的配置，只有权衡的艺术。你需要根据场景特点和用户预期，在三个指标之间找到平衡点。
五. 如何判断你的场景应该优先什么
既然没有通用答案，那怎么找到适合自己场景的答案？这里有一个判断框架。
第一步：明确场景的核心价值
问自己一个问题：用户使用这个功能，最在乎的是什么？
如果答案是”实时沟通”（视频会议、远程协作），那延迟是第一优先级。
如果答案是”流畅观看”（直播、点播、大班课），那卡顿率是第一优先级。
如果答案是”高质量内容”（音乐教学、专业录制），那丢包率和音视频质量是第一优先级。
第二步：看用户的容忍阈值
不同场景下，用户对同一个指标的容忍度完全不同。
社交语聊房里，适度的延迟完全可以接受，因为聊天本身就是松散的对话，不需要紧密配合。但在云游戏场景中，同样的延迟会让操作手感变得很奇怪，用户按下按键后需要等待才能看到反馈，这种滞后感会严重影响游戏体验。
大班课直播，几秒钟的延迟不是问题，因为老师不需要和每个学生实时互动。但1v1陪练课，明显的延迟会让教学难以进行。
娱乐性直播，偶尔卡顿用户可能笑笑就过去了。但远程医疗场景中，会诊时画面卡住可能会错过关键的诊断信息，这是不可接受的。
第三步：看你的技术资源和网络环境
理想很丰满，现实很骨感。优化策略还要考虑你的实际条件。
如果你的用户主要在弱网环境（农村、地铁、电梯），对抗丢包和卡顿是第一要务。延迟优化需要优质网络作为基础，在弱网场景中，保证”能通”比”通得快”更重要。
如果你的服务器资源有限，无法在全球部署大量边缘节点，那降低延迟会很困难。这时候不如把资源投入到提升抗丢包能力和卡顿恢复能力上，让用户在现有延迟下获得更稳定的体验。
如果你的客户端运行在低端设备上，那么复杂的音视频处理算法可能会导致性能问题，引发新的卡顿。这时候简单稳定比功能强大更重要。
六. 声网在不同场景下的优化策略
声网在服务不同行业客户时，会根据场景特点制定差异化的优化策略。这些实践经验或许能给你一些启发。
在线教育：分级优化策略
在线教育场景很特殊，因为它同时包含了多种子场景。
大班课采用”保流畅、可容忍延迟”的策略。老师端使用RTC低延迟推流，保证教学端到端延迟在400ms以内。但学生端使用CDN拉流，延迟可能达到3-5秒。这个延迟对听课没有影响，但换来了极低的卡顿率和更低的成本。
小班课采用全RTC方案，优先保证延迟。因为小班课强调互动，老师需要随时点名提问，学生需要举手回答。如果延迟太高，老师喊了学生名字，学生要等两秒才听到，课堂节奏会被完全打乱。
1v1陪练（如钢琴、英语口语）对音频质量要求极高。声网会使用48kHz高保真音频采样率，启用更低压缩率的编码，牺牲一些带宽来保证音质细节不丢失。同时延迟控制在200ms以内，保证老师能实时听到学生的演奏或发音，给出即时纠正。
社交泛娱乐：抗弱网能力优先
语音社交、直播连麦这类场景的用户网络环境差异很大。可能有人在家用Wi-Fi，有人在地铁上，有人在电梯里。
这时候稳定性比极致性能更重要。声网的策略是”宁可稍微增加延迟，也要保证不卡顿”。
具体做法包括：增大Jitter Buffer（抖动缓冲区），容忍更大的网络波动；启用FEC（前向纠错），用冗余数据对抗丢包；动态调整码率，检测到网络变差时主动降低清晰度，避免卡顿。
在千人语聊房场景中，主播音频的优先级最高——即使网络拥塞，也要保证主播的声音清晰流畅传递给所有听众。而听众的麦克风音频质量可以适当降低，因为他们发言的频率较低，短暂的音质下降影响不大。
视频会议：平衡延迟与稳定性
企业级视频会议是最考验综合能力的场景。客户对延迟、画质、稳定性都有要求，但网络环境又千差万别。
声网的做法是分层保障：
音频永远是第一优先级。即使网络差到视频完全无法传输，音频也要保持清晰。因为会议的核心是信息传递，听不清楚比看不清楚更致命。
视频采用大小流策略。发送端同时推送高清和标清两路流，接收端根据网络状况选择拉取哪一路。网络好时看高清，网络差时自动切换到标清，避免卡顿。
屏幕共享单独优化。共享PPT或文档时，帧率可以降低（5-10fps即可），但分辨率和清晰度不能妥协，否则文字会模糊不清。而共享视频播放时，帧率需要提升（25-30fps），但分辨率可以适当降低。
结论
回到文章开头的问题：卡顿率、丢包率、延迟，哪个最影响用户留存？答案是：取决于你的场景。
如果你做的是需要实时交互的应用，延迟是第一杀手；如果你做的是内容消费应用，卡顿是不可接受的；如果你对音视频质量有要求，丢包率必须严格控制。
所以优化的目标不是追求极致的平均值，而是减少糟糕体验的出现频率和严重程度。宁可整体延迟稍高一点，也不要让延迟剧烈波动；宁可画质适度降低，也不要让卡顿频繁发生。
技术优化是永无止境的，但资源永远是有限的。明确场景核心价值，找到关键指标，集中火力优化，才能用有限的资源获得最大的用户体验提升。
