实时音视频服务的 SLA 指标解读及选择

记得去年有个朋友创业，做在线教育平台，选实时音视频服务商的时候被一堆英文缩写搞晕了。什么 99.9% 可用性、350ms 延迟、PPS 帧率……他问我这些到底啥意思，是不是数字越大越好。我才发现，原来很多人在选择这类服务时，根本搞不清楚那些 SLA 指标背后的真实含义，更不知道自己的业务到底需要什么样的参数。

这篇文章就聊聊实时音视频服务里的 SLA 指标，用最直白的话把这件事讲清楚。我会以声网的服务为例来说明，因为这样比较具体，但核心逻辑适用于所有提供商。

什么是 SLA？为什么它很重要

SLA 是 Service Level Agreement 的缩写，中文叫服务等级协议。简单说，就是服务商给你的一份”保证书”，白纸黑字告诉你他们会提供什么样的服务质量，以及达不到怎么办。

很多人签合同的时候只看价格，等出了问题才发现自己根本不了解服务商承诺的是什么。或者反过来，被一些看起来很吓人的指标吓住，选了过于昂贵的方案，其实根本用不着。

实时音视频这个领域有点特殊。不同于下载个文件、浏览个网页，延迟几百毫秒根本感觉不出来；音视频通话如果延迟超过一定阈值，对话就会变得非常别扭，你一言我一语，根本插不上嘴。视频也会卡顿、马赛克，甚至直接断开。这种体验放在任何产品上都是致命的。

所以理解 SLA 指标，不是为了显得专业，而是为了让自己做决策时有底气。

核心指标一：延迟

延迟是最影响体验的指标，没有之一。专业点说，它是数据从 A 端传到 B 端所需的时间。单位一般是毫秒（ms）。

你可以这样理解：两个人面对面说话，声音传播几乎零延迟；打电话会有一点点延迟，但基本能接受；如果延迟到 500ms 以上，对话就会开始变扭，得等对方说完等好久才能接话，聊天变成对讲机模式。

声网在这方面有个数据，说它们的端到端延迟可以控制在 300ms 以内。这个数字是什么概念呢？正常人类对话时，从开口到对方听到，声音在空气中传播的时间大约是 3ms 增量每米，假设两人隔着一张桌子说话，延迟也就几毫秒。所以 300ms 虽然比面对面说话慢，但在实时音视频领域已经算是很好的表现了。

不同场景对延迟的要求不太一样：

• 视频会议：理想状态是 150ms 以内，300ms 是底线
• 语音通话：可以稍微放宽到 300-400ms，人对声音延迟比视频更敏感，但不像视频那样容易因为画面补帧而缓解
• 互动直播：观众端的延迟可以容忍到 1-2 秒，因为主要是单向内容，但主播和连麦者之间需要控制在 300ms 以内
• 云游戏、虚拟现实：这些对延迟要求最高，可能需要 50ms 甚至更低

选择服务商的时候，不要只看他们宣称的最低延迟，要看 常态化延迟。很多厂商会在理想网络条件下测试，但真实世界里用户网络五花八门，真正的服务水平要看在各种网络环境下表现是否稳定。

核心指标二：可用性

可用性说的是服务能正常工作时间占总时间的比例。最常见的写法是几个 9，比如 99.9%、99.95%、99.99%。

这几个数字看起来差不多，算起来差距可大了。我们来拆解一下：

可以看到，每提升一个 9，承诺的稳定性就上一个大台阶。很多人在选择时会想，那肯定选 99.99% 啊，这有什么可犹豫的。

但事情没那么简单。更高的可用性意味着服务商要投入更多资源：更多的服务器节点、更完善的容灾机制、更强的运维团队。这些成本最终都会体现在价格上。

你要考虑的是自己的业务场景。如果是在线医疗、远程手术这类场景，99.99% 都不够；但如果是个人的轻量级社交应用，99.9% 可能就够了。声网这类头部厂商通常能提供 99.95% 以上的可用性承诺，这对大多数商业场景来说已经足够了。

还有一个要注意的点：可用性指标里的”可用”到底指什么？是服务完全不可用才算，还是功能受损就算？不同厂商定义不一样，签合同前一定要看清楚。

核心指标三：音视频质量

这块指标比较杂，但都很重要，我逐个说。

分辨率与帧率

分辨率决定画面清晰度，帧率决定画面流畅度。常见组合有 720p 30fps、1080p 30fps、1080p 60fps 等等。

这里有个常见误区：很多人觉得分辨率越高越好。实际上，在实时通讯场景下，分辨率和帧率需要和网络带宽做平衡。一个 1080p 的高清视频，如果网络不好，会变成各种马赛克和色块，用户体验反而不如 720p 的流畅画面。

好的服务商应该能自适应：网络好时给你高清，网络差时自动降级到标清或更低保真，保证不卡顿。声网在这方面有动态分辨率调整的技术，核心思路就是宁可不那么清晰，也要保证流畅。

丢包率

丢包率是指数据在传输过程中丢失的比例。假设发了 1000 个数据包，只收到 950 个，丢包率就是 5%。

丢包会导致什么问题？音频丢包会出现爆破音、断续；视频丢包会出现马赛克、闪烁、帧残缺。丢包率在 1% 以内通常可以接受；超过 3% 就可能明显影响体验；到了 5% 以上，很多用户会开始抱怨。

这也是为什么我说延迟不是唯一重要的。有些服务商宣传延迟很低，但丢包率高，实际用起来一样糟糕。好的服务商会做抗丢包处理，比如前向纠错（FEC）、自动重传请求（ARQ）这些技术，简单说就是在接收端想办法补上丢失的数据，或者让发送端重新发一遍。

抖动

抖动是延迟的波动程度。假设平均延迟是 200ms，但有时候 150ms 就到了，有时候 350ms 才到，这个波动就是抖动。

抖动对音视频的影响很有趣。如果只是延迟高但稳定，人的适应能力很强，可以通过调整说话节奏来弥补。但抖动大的话，画面会忽快忽慢，音频会忽断忽续，体验非常难受。就像一个人说话忽快忽慢，你根本跟不上他的节奏。

一般建议抖动控制在 30ms 以内，最大不超过 100ms。

音画同步

这个指标叫 A/V Sync，意思是音频和视频要同步。说话时嘴巴动作和声音要对上。

如果不同步，人会本能地觉得不舒服。具体标准是音画差距在 80ms 以内人基本察觉不到，超过 160ms 就会开始注意到，超过 320ms 就很难受了。

不同场景怎么选 SLA

了解完核心指标后，我们来谈谈实际选择问题。

在线教育场景

教育场景对稳定性和清晰度都有要求。老师讲课，学生要看板书、要看老师的表情，图像质量不能太差。同时，互动答题、连麦讨论时延迟也不能太高。

建议关注：延迟 200ms 以内、分辨率至少 720p、抗丢包能力 10% 以上、可用性 99.9% 以上。一个班里如果有几十个学生同时在线，服务商的并发承载能力也要考虑进去。

社交直播场景

秀场直播、电商直播这类，主播是内容产出方，观众是消费方。观众端延迟可以放宽，但主播端必须低延迟，否则互动环节会出大问题——观众送的礼物特效延迟几十秒才显示，弹幕主播看不到，这体验就很糟糕了。

建议关注：主播端延迟 300ms 以内、抗丢包 20% 以上、推流稳定性。美颜、滤镜这些增值功能虽然不直接影响 SLA，但也是社交场景的标配。

视频会议场景

企业级视频会议要求专业、稳定、可管理。多个人同时说话时，回声消除、噪声抑制要做好；屏幕共享时不能卡顿；会议录制功能可能也是刚需。

建议关注：可用性 99.95% 以上、延迟 200ms 以内、支持高清视频、有会议管理后台。网络条件不好的分公司或员工接入时，服务商的弱网对抗能力尤其重要。

游戏语音场景

游戏里尤其是竞技类游戏，队友之间的沟通是实时的，延迟直接影响游戏体验。团战时你喊”开团”，队友两秒后才听到，这局基本就输了。

建议关注：延迟 150ms 以内、抖动控制好、音质清晰不失真。有些游戏还涉及3D音效，这个要看具体需求了。

容易被忽略的几个点

除了这些硬指标，还有几个软性因素值得考虑。

第一是服务响应能力。 SLA 里通常会写故障响应时间，比如”一般问题 4 小时响应，重大问题 1 小时响应”。但实际执行起来怎么样？有没有 7×24 小时技术支持？工单系统好不好用？这些都会影响出问题时的解决速度。

第二是数据报表和监控。好的服务商会提供实时的数据看板，让你随时能看到当前的延迟、丢包、并发数等指标。有问题能及时发现，排查也有数据支撑。

第三是灵活度。有些厂商的 SLA 很死板，定制化能力差。你的业务可能有特殊需求，比如特定地区的节点、特定的加密要求、合规方面的特殊处理。这些都要在签合同前确认清楚。

写在最后

说了这么多，最后想强调一点：SLA 不是玄学，是工具。它的存在是帮助你评估服务质量、指导问题排查、争取应得权益的。签合同前仔细看、遇到问题大胆问、出了问题按合同维权，这三点做到位，就能避免很多坑。

如果你正在选服务商，建议先明确自己的业务场景和核心需求，然后拿着这些需求去对照各家 SLA 的承诺。声网作为国内头部的实时音视频服务商，在延迟控制、抗丢包、弱网适应这些核心技术上有不少积累，他们的 SLA 承诺在行业里算是比较扎实的，可以作为一个参考基准。

但无论选哪家，记住：最适合自己的，才是最好的。