两种指标
弄清楚音视频实时通信的本质后，接下来的问题是我们如何才能达到面对面交流的效果。说到这里，就不得不提两个指标：一是实时通信中的延迟指标；二是音视频服务质量指标。
实时通信延迟指标
首先来看一下实时通信延迟指标，如表 3.1 所示。通过该表格中的数据，我们可以知道：如果端到端延迟在 200ms 以内，则双方通信的效果特别好，基本接近于面对面交流的效果；如果延迟在 300ms 以内，质量也很不错，一般人很难感觉到通信中的延迟；如果延迟达到 400ms，延迟效果就有些明显了，在测评中会有少部分人感受到通信中有迟滞现象，效果令他们不太满意；而当延迟超过 500ms 后，大部分人都可以明显地感觉出迟滞现象，影响互动的效果。当然在有些地区，由于网络质量特别差，用户心里会有一定预期。在这种情况下，达到 800ms 的延迟也能被人们接受，不过它已经是延迟的上限了。
在端到端之间，引起延迟的因素有很多，比如音视频采集时间、编解码时间、网络传输时间、音视频的渲染时间以及各种缓冲区所用的时间等。在众多延迟因素中，网络传输引起的延迟是动态的（时快时慢，飘忽不定），所以其最难以评估、难以控制且难以解决，而其他因素引起的延迟时间则基本是恒定不变的。
音视频服务质量指标
除了实时通信延迟指标外，音视频通信中还有业务服务质量指标，包括音频服务质量和视频服务质量。由于音频数据量比较小，对网络的影响不大，并且 3A 问题非常复杂，需要专门的一本书来讲解，所以这里就不介绍了。接下来重点介绍一下视频服务质量指标。
在讲解视频服务质量指标之前，我们先来了解几个视频的基本概念，即分辨率、帧率以及码率。这几个概念看似简单，但对于理解视频服务质量有着非常关键的作用。
-
分辨率，指图像占用屏幕上像素的多少。图像中的像素密度越高，图像的分辨率越高。对于实时通信而言，图像默认分辨率一般设置为 640×480 或 640×360，如果分辨率低于该值，则图像中包含的信息太少，基本只能看到一个头像，效果就会很差。另外，分辨率还指明了图像清晰度的最大上限。
-
帧率，指视频每秒播放帧（图像）的数量。播放的帧数越多，视频越流畅。一般动画片/电影的帧率在 24帧/秒以上，高清视频的帧率在 60帧/秒以上。对于实时通信的视频来说，15帧/秒是一个分水岭，当帧率小于 15帧/秒时，大部分人会觉得视频质量不佳，卡顿严重。
-
码率，指视频压缩后，每秒数据流的大小。原则上，分辨率越大，码率也越大。如果出现分辨率大而码率小的情况，说明在视频编码时丢弃了大量的图像信息，这将导致解码时无法将图像完整复原，从而造成失真。因此我们可以得到结论：在相同分辨率的情况下，码率越大还原度越好，图像越清晰。当然，这里的码率大小是有限制的，超过一定阈值（MOS=5）后，再大的码率也没有意义了。
除了上面这几个基本概念之外，还需要了解一下 MOS 值。MOS 值是用来评估业务服务质量好坏的，MOS 值越高，业务质量越好。它共分为 5 级，由高到低分别为：5——优秀；4——较好；3——还可以；2——差；1——很坏。
下面以 H264 编码为例，看看在不同 MOS 值下，码率与分辨率之间存在何种关系，如图 3.1 所示。从图中可以看到，如果视频的 MOS 值为 4，分辨率为 640×480 时，需要 1900kbps 的码率，分辨率为 1920×1080 时，需要 7Mbps 的码率；当 MOS 为 3 时，分辨率为 640×480 时，需要 500kbps 的码率，分辨率为 1920×1080 时，需要 2.5Mbps 的码率……由此可知，MOS 值越高，视频的质量越好，码率也就越大，需要的带宽也就越多。
了解了上述指标后，我们现在应该清楚，要想使在线实时通信可以逼近或达到面对面交流的效果，就必须尽可能地降低传输的延迟，同时增大音视频传输的码率。然而，降低延迟与增大码率是矛盾的，除非所有用户都有足够的带宽和足够好的网络质量，但这显然是不现实的。
