随着西班牙队以1比0战胜阿根廷队，本届美加墨世界杯画上了句号。与往届最大的不同是，本届世界杯已从赛事直播变成了一场社交事件，从小红书上边看边聊的社区氛围，到赛后话题在平台内持续发酵滚动，观赛方式正在从一个单一屏幕扩展到更大的社交范围中，全球范围内最高吸引了5000万人同时在线。
而绿茵场外，真正决定数十亿观众能否流畅观赛甚至增强体验的，是藏在世界杯屏幕背后的云厂商。
从信号采集、实时转码、超低延时分发到全球加速，云厂商几乎串联起了赛事直播的每一个技术环节。今年AI甚至第一次大规模走进世界杯直播生产，完成了单点能力以外的4K画质增强、智能导播、自动剪辑、竖屏短视频、质检溯源等视频处理过程。
腾讯云就是世界杯背后支撑的云厂商之一。近期在一场媒体沟通会上，腾讯云副总裁、腾讯云国际产品技术负责人李郁韬，腾讯云音视频总经理李志成接受了南方都市报等媒体的采访，揭开世界杯背后观众看不见的云端故事。
左为李郁韬，右为李志成。
世界杯背后的云厂商
南都记者了解到，本届美加墨世界杯，腾讯云为全球17个国家和地区的官方转播平台提供直播技术服务，承担了全网超70%的观赛流量。这些平台中，既有国家级电视台，也有当地头部社交媒体，而仅亚太地区就有三分之二的官方转播平台选择了腾讯云。据统计，这也是中国云厂商服务世界杯转播平台覆盖范围最大的一次。
达成这一成就并非一日之功。谈及腾讯云与世界杯的渊源，腾讯云音视频总经理李志成告诉南都记者，从2018年至今，腾讯云已经对世界杯做了三届支持。
2018年，行业对一家互联网公司能否承接世界杯级别的直播任务仍持有怀疑态度。李志成回忆，当时在开赛前约一周，客户要求他们迅速给到一个解决方案。从拉网线、部署服务器开始，团队一周内把所有环节逐一搭建起来，最终在开赛当晚顺利跑通了直播。“那天晚上跑出来之后，国内互联网上都在说：今天晚上这一届的画面怎么这么好！”李志成说。
在助力世界杯等大型赛事的过程中，李志成坦言真正的挑战其实在海外。他透露，中国互联网在音视频技术上的领先地位反而形成了一种“落差”：海外市场的技术栈迭代相对较慢，大量传统厂商仍在沿用老旧的设备和协议，要接入他们的直播方案，就必须把这些存量技术全部兼容。
为此，腾讯云在过去七八年的出海过程中，做了一件关键的事，即与海外厂商在媒体协议上做到对齐。“今天来看，这也是腾讯云在海外音视频领域一个比较大的差异化能力。其他厂商要全部支持这些协议，就得把我们前面六七年走的路全部走一遍。所以对客户来说迁移就很简单了。”
他举了一个最近的例子：孟加拉国一款名为Rockstreamer的应用，原本使用其他方案，上线后用户投诉体验极差，开播后卡顿严重。客户找到腾讯云后，大概只花了五天时间就做到了全程切换。
为什么做多模态背后的“搭桥人”
除了保证观赛稳定，作为提供支持的云厂商，腾讯云今年也为全球转播平台拿出了全新升级的AI音视频能力——WAND，并搭载6大媒体场景模型，打磨出60多个媒体处理AI功能，包括4K画质、超低延时直播（快直播）、毫秒延迟、秒级切片、多语种解说及同传、溯源水印、智能横转竖、智能导播台、个性化广告等。
世界杯39天赛事运行结束后，腾讯云也依托此前的积累和洞察，将自己定位为“多模态领域的Harness（驾驭工具）”。今年4月，随着一批“龙虾”产品的爆火，业内开始意识到在智能体运行的过程中，重要的除了模型，还需要一整套类似Harness这样的调度框架在其中“搭桥”。
据悉，腾讯云将自己定位为多模态领域的Harness，即卡位“生成”到“稳定交付给用户”之间的产业链，用Harness的思想把所有模型串起来，并将预处理、质检、拼接、转码、分发、格式适配等环节打包成可交付的商品。
谈及腾讯为何要做多模态领域的Harness，李郁韬表示，在今天的生成式人工智能发展形势下，多媒体领域的应用面临诸多挑战。很多产品和应用难以用单一大模型解决所有问题，也需要一套由AI大模型赋能的生产流程和用户交互流程在其中发挥作用，尤其是在直播、点播、媒体创作、多媒体互动等领域。
腾讯云为何选择“从生成到稳定交付”这一生态位？李郁韬告诉南都记者，当多模态大模型兴起后，许多客户的第一反应是“全部对接一遍”。今天接这家，明天出了新的再接那家。但对接之后，每家都会遇到相似的问题。一个客户的共性诉求也逐渐浮现：“我们应该帮他们把底下这些东西全部做好，让他们更专注于业务创新和上层应用。”
而随着模型泛化能力提升，生成到交互之间的链路被压缩，这一生态位是否会被绕过？李郁韬的回答是“不会”，甚至认为Harness的重要性还会进一步加强。
他的逻辑是：如果把大模型视为后端生产力，生产力的提升会显著刺激前端应用需求的增长，而需求的增长会始终快于模型本身的提升。在这个过程中，大模型永远无法满足用户的极致需求，这中间始终会存在“如何把模型能力最大化地呈现给最终用户”的问题，这也正是Harness的机会。“所以我们认为Harness在多模态领域的空间一直存在，而且会放大。”
他同时观察到，多数客户追求的并非最极致的效果，而是最高性价比。“在这个场景我不需要顶级效果，可能中间水平的效果就够，但成本是最优的”。
谈到云厂商在多模态领域的竞争，李郁韬建议重点关注三个方向。一是多模态的训练与算力。他指出，这与语言模型的训练有显著差异，当前多模态领域的投入很大比例集中在多模态的理解和生成上。但在可预见的未来，端到端的语音交互、端到端的视频生成都将进一步发展，对算力和云厂商底层基建的投入提出更高要求。
二是存储与数据积累。李郁韬表示，多媒体数据相对于文字，存储量要求更高，对存储稳定性、数据清洗和获取的要求也不在同一层面。三是应用生产端。李郁韬认为，云服务商能否提供更多面向最终客户的推理服务和综合处理能力，将直接影响客户的选择。他表示，未来腾讯云会在视频后处理、多模态推理等环节进一步加强能力建设，持续构建竞争壁垒。
采写：南都N视频记者 林文琪
热门跟贴