视频会议里那句“能听到吗”，其实绕了半个互联网

周一早上九点零一分。我上身衬衫，下身睡裤，坐在南京家里，点开一个视频会议。主持人第一句永远是：能听到吗？然后一排头像开始点头。有人麦克风没开，有人忘了关，背景里还有豆浆机在转。

这场景太熟了。熟到我们都以为视频会议就是“把画面从A搬到B”。可真相挺离谱——它更像把一个人拆成几万个碎片，塞进不同的快递车，走不同的路，到对方屏幕前再拼回来。卡一下，拼歪了。再卡一下，嘴型对不上。

你看到的“面对面”，其实是一场分头行动

摄像头先干活。它把光变成电信号，一帧一帧地抓。麦克风也没闲着，尤其是笔记本上那种小孔，它听到的不只是你，还有键盘、空调、楼下电瓶车报警。然后呢？这些原始数据太大了，直接传会把网络噎死。

所以要编码。H.264、H.265、AV1，这些名字听着像密码，干的事其实很朴素：能省就省，能猜就猜。你人没动，背景没动，它就不重复传整张图，只传眼睛眨了一下、嘴巴张了一下。屏幕共享就惨了。PPT翻页，文字全变，编码器得重新算，像你妈突然把整间屋子家具挪了位置。

视频会议摄像头麦克风采集画面示意

编码完，还要打包。不是一个大包裹，是无数小包。每个包贴上序号、时间戳，然后出发。注意啊，这里有个很多人忽略的事：视频会议吃上行，比吃下行更狠。你能看清别人，不代表别人能看清你。家里宽带下载五百兆，上传可能只有三十兆。一开摄像头，再共享屏幕，再挂个虚拟背景，上行就开始喘。

所以别老问“我网不是挺好吗”。你那个“好”，可能只是刷视频不卡。刷视频是下载，视频会议是双向。两码事。

网络这东西，最怕三样：延迟、抖动、丢包。延迟就是你说完“我觉得”，对方三秒后才点头。抖动是数据包到得忽快忽慢。丢包更直接，包没了。

视频会议一般跑在UDP上，不是TCP。为什么？TCP太老实，丢一个包就停下来等重传。等到了，黄花菜都凉了。实时通话等不起。宁可丢一点，也要让画面继续走。于是你会看到马赛克、声音断字、人物突然变成油画。

这时候有个东西叫抖动缓冲。你可以把它想成小区快递驿站。包裹到得太早，先放一放；到得太晚，就来不及派。缓冲设长了，流畅但延迟高；设短了，延迟低但容易卡。工程师每天都在这个跷跷板上调。

还有回声。你说话，对方喇叭放出来，又被对方麦克风收进去，传回你耳朵。你听到自己声音晚了一点点，像在山谷里开会。解决它的叫回声消除。它得先判断：这是对方在说话，还是我的声音绕回来了？判断错了，就会把人声削掉半截。你开会时突然被“吞字”，有时候不是网络，是算法太用力。

静音键也不是真的让麦克风闭嘴。它更像是告诉软件：别上传了。但软件可能还在本地听，等你说“解除静音”时立刻打开。所以有人静音后骂老板，以为安全——嗯，看软件，也看版本。别赌。

两个人视频，可以点对点。三个人勉强。十个人呢？如果每个人都把自己的视频发给其他九个人，上行直接爆炸。所以云会议中间通常有服务器。MCU、SFU，这些缩写不重要，重要的是它们在干一件事：替大家转、替大家拼。

一种做法是混流。服务器把所有人的画面拼成一张大图，再发给你。你收到的是已经排好版的“九宫格”。好处是省带宽，坏处是灵活性差。另一种是转发。你只发一路，服务器按需把别人的流转给你。你放大谁，它就多给你一点谁的流。听起来简单，背后全是调度。

虚拟背景也是。它要先把人从画面里抠出来。头发丝、眼镜框、晃动的耳机线，都是灾难现场。抠不干净，边缘就会有一圈鬼影。美颜更微妙，磨皮磨过头，连你手里举的身份证都看不清。所以有些会议软件一开美颜，屏幕共享文字就糊。不是它故意，是它把整张图都当人脸处理了。

会议纪要呢？语音识别，把声音转文字，再分说话人。安静环境、标准普通话，它挺像样。一旦多人抢话、口音重、网络断字，它就胡写。我见过把“预算”转成“浴缸”的。也见过把“下周上线”转成“下周上香”。你看，AI也没那么神。

视频会议累，有生理原因。面对面聊天，你看对方眼睛，对方看你的眼睛，眼神是自然的。视频里，你盯着屏幕上的脸，摄像头在屏幕上方。你以为自己在对视，其实在往下看。对方也觉得你在看别处。几个人同时这样，大脑就一直在猜：他刚才是不是在看我？

还有自我视角。那个右下角的小窗口，像一面随身镜子。你总忍不住检查头发、表情、身后书架。注意力被切成好几块。再加上延迟，抢话变成合唱，沉默变成尴尬。有人一静音就不说话，一说话就忘了开麦。会议结束，耳朵疼，脑子空。

我的土办法：能语音别视频，能异步别实时开会。必须视频，就戴耳机，关掉自我视角，靠近路由器，能用网线用网线。共享屏幕前，把桌面清一清。别问“能听到吗”问三遍，直接说一句“听到请扣1”。省时间。

说到底，视频会议不是魔法。它是采集、编码、打包、排队、丢包、猜帧、混流、解码、渲染，一连串工程妥协叠出来的东西。你看到的那张脸，其实是一堆算法在拼命还原。

下次再卡成PPT，别只骂Wi-Fi。它可能正忙着在某个机房里，替你捡起一个丢掉的包。捡到了，你继续开会。捡不到，你就成了油画里的一颗像素。没办法。人类想隔着屏幕见面，就得接受这点狼狈。