当前位置：首页 > news >正文

音视频干了十一年，我的技术栈窄得像根针

news 2026/8/1 0:03:28

去年九月，公司开全员会，CEO 站在投影前讲了二十分钟，核心就一句：战略收缩，To B 音视频业务线整体裁撤。

会议室里坐着一百多号人，没人说话。我在那条线上待了六年，从三个人干到四十个人，又从四十个人看着它归零。

我叫老宋，36 岁，在杭州做音视频流媒体 C++，十一年。

FFmpeg 我改过源码，WebRTC 的信令协商我能背，弱网下的码率自适应、jitter buffer 调优、回声消除的参数，闭着眼都能干。说个真事，有一次客户直播卡顿投诉，客诉群里骂成一片，我抓包抓到凌晨两点，定位到是他们 CDN 节点的 GOP 配置跟我们编码端不匹配。改完，卡顿率从百分之八降到千分之三。

技术上有底气，市场上没底气。

裁员名单下来，我开始投简历，这才发现一个残酷的事实：音视频是个针尖大的池子。

整个杭州，招流媒体 C++ 的公司，我两只手数得过来。岗位少，要求还死高——五年以上、FFmpeg 源码级经验、扛过百万并发。我全都符合，但 HC 加起来可能就几十个，盯着的人几百个，其中不乏大厂裁员出来的。

有个猎头跟我说了句实话：“宋哥，你这技术栈太专了。专是优点，但池子小，风浪一来没地方躲。”

36 岁，第一次听到"你太专了"是个缺点。那晚我在小区楼下转了半小时，把十一年的技术栈在脑子里过了一遍，越想越窄：除了音视频，我好像什么都不会。

孩子明年上小学，房贷每月雷打不动。那两个月，我烟都多抽了一包。

池子小，但水是活的

投了两个月简历没动静，我开始逼自己研究新方向：实时语音 AI。

起因是刷到一条行业数据：去年国内智能客服和语音助手市场涨了三成多。我又去翻了做 RTC 那几家老牌厂商的财报电话会纪要，发现一个有意思的现象——它们全在讲"AI 语音通话"：传统音视频通话分钟数在跌，AI 通话分钟数在翻倍涨，是财报里少有的亮色。

身边也有信号：前东家的两个老客户，辗转找上门来问"能不能在我们的客服系统里加 AI 语音"。需求就在那儿，只是没人干得了。

再翻它们的 JD，一个新岗位反复出现：实时语音 AI 工程师。

看清技术要求那一刻，我笑出了声。

延迟压到几百毫秒以内，全双工，用户随时打断，弱网不能卡，声音要自然——这不就是我们音视频人干了十几年的事吗？

大模型出来之前，机器对话是"你说完它再想"，体验像对讲机。现在的玩法是 ASR 转写、大模型生成、TTS 播报三段流式拼接，用户说到一半可以插嘴。这里面最难的根本不是模型，是整条链路的延迟和稳定——而这恰恰是纯 AI 出身的人的短板。

他们懂模型，不懂管道。我懂管道，模型可以现学。

自救三步走

第一步，花三周补齐大模型链路。

说个让很多同行安心的话：不用去学训练模型，那是算法岗的事。我要学的是怎么把模型接进我的管道里。ASR 用流式接口，LLM 用流式输出，TTS 边生成边播，三段全用 WebSocket 串起来。LangChain 我只取了它的工具调用部分，让模型在对话里能查订单、查物流——Function Calling 这玩意儿，说白了就是远程调接口，跟我们当年写信令服务器一个思路。

三周里我把每段链路的官方文档啃了一遍，demo 代码一行行手敲，笔记记了两万字。音视频人有个职业病：不自己跑通一遍，睡不着觉。

第二步，把音视频的老本行变成护城河。

VAD 人声检测、回声消除、弱网下的丢包补偿，这些我全用上了。最关键的是延迟预算：整条链路几百毫秒，ASR 占多少、模型占多少、TTS 占多少，我像当年调 jitter buffer 一样一段一段抠，每段都写了压测脚本。纯软件背景的人想不到这些，因为他们没在深夜里抓过包，没被客诉电话吵醒过。

第三步，做个能演示的东西。

我用 Ollama 在本地起了开源模型，加上开源的 ASR 和 TTS，搭了一个"电话里的 AI 客服"Demo：打电话进来，它能听、能答、能查数据库、能被打断，端到端延迟控制在正常对话的范围内。还顺手加了会议纪要功能：通话一结束，摘要、工单、待办自动生成，直接推到飞书。

Demo 录成视频，写在简历第一行。