直播场景中如何突出主播的声音：ZEGO 混流焦点语音实战

摘要：直播场景中，主播声音被连麦观众或背景噪声盖住是常见的体验问题。本文聚焦直播特有的工程约束（流动态增减、CDN 推流、PK 连麦频繁切换）提出基于 ZEGO 自动混流（Auto Mix）的焦点语音方案。相比手动混流，自动混流在直播中维护成本更低，主播流标记 IsAudioFocus 后即可锁定焦点，连麦观众加入/离开均无需手动更新混流任务。包含服务端 REST API（curl/Node.js）调用示例，以及 PK、秀场、电商直播等子场景的焦点策略对照。适合语聊房、秀场、电商直播等场景的开发者。

一、背景

做直播的开发者可能会遇到以下场景：

• “主播正在讲解商品，连麦观众那边小孩在哭，直播间瞬间炸了。”
• “PK 连麦时，对方主播声音太大，自己主播说话完全听不清。”
• “语聊房里，当前麦位上的用户在唱歌，背景里其他人聊天的声音混进去了。”

直播场景和普通多人会议有一个关键区别：有明确的”主次”关系。主播是内容的核心输出者，其他声音（连麦观众、背景音乐、音效）应该围绕主播存在，而不是和主播抢注意力。

但现实情况是，当直播间同时存在多路音频流（主播放流、连麦观众流、BGM），如果只是简单混音叠加，谁嗓门大谁占上风，主播声音一旦被盖住，整个直播间的体验就塌了。

ZEGO 实时音视频 SDK (ZEGO Express SDK) 的混流焦点语音专门解决”多路音频中的主次关系”问题。这篇文章聚焦直播场景的具体落地。

二、直播场景的特殊性

直播和会议的混流需求有几个本质差异：

第一，输出目标不同。 会议的混流输出主要给房间内用户消费；直播的混流需要推到 CDN，供成千上万观众观看。这意味着混流的稳定性、延迟和成本都需要重新考量。

第二，混流方式不同。 会议通常需要手动指定哪些流参与混流（精确控制）；直播更倾向于自动混流：房间内所有音频流自动聚合，主播流为焦点，动态加入/退出不需要手动管理。

第三，焦点切换模式不同。 会议的焦点切换是低频、可预期的（轮流汇报）；直播的焦点切换可能是高频、事件驱动的，比如连麦观众说完了、PK 结束了、新观众上麦每次都要快速切换。

第四，有”单人模式”。 很多直播在大部分时间里，房间里只有一个主播在说话。这种场景不需要混流焦点语音，单流推 CDN 即可。真正需要的是”主播 + 连麦”的混合场景。

三、方案架构：自动混流 + 焦点语音

直播场景推荐使用 ZEGO 的自动混流（Auto Mix），而不是手动混流。两者区别：

架构示意

直播间 room_live_001:
  主播推流 (stream_anchor) ──────┐  isAudioFocus = true
  连麦观众 D 推流 (stream_guest) ─┤  isAudioFocus = false
  BGM 流 (stream_bgm) ───────────┘  isAudioFocus = false

              ↓
      ZEGO 自动混流引擎
      mixMode = focused
              ↓
      输出混流 → 推到 CDN (RTMP/HLS/FLV)
              ↓
      数万观众看到同一路流：主播声音突出

关键点：主播流永远是焦点，无论有多少连麦观众加入或离开，主播声音始终在最前面。

四、关键 API 与参数

自动混流在服务端通过 StartAutoMix 接口发起。焦点语音相关的核心参数：

4.1 Audio 配置

{
  "Audio": {
    "MixMode": "focused"
  }
}

4.2 标记焦点流（通过 ExtraMixInput）

和手动混流不同，自动混流不需要列出所有房间内流，ZEGO 会自动聚合。但你仍可以指定哪些流需要特殊处理：

{
  "ExtraMixInput": [
    {
      "StreamId": "stream_anchor",
      "ContentType": "audio",
      "IsAudioFocus": true
    }
  ]
}

ExtraMixInput 的作用：在不影响自动聚合逻辑的前提下，对特定流附加配置。

4.3 排除某条流

连麦场景中，可能有一路流你不想让它参与混流（比如调试流、监控流）：

{
  "RemoveMixInput": [
    {
      "StreamId": "stream_monitor",
      "ContentType": "audio"
    }
  ]
}

五、实现步骤

5.1 前提准备

1. ZEGO 控制台开通混流服务和自动混流权限
2. 获取 AppID、ServerSecret
3. 实现服务端 API 签名（参考 ZEGO 签名文档）

5.2 发起自动混流（焦点模式，主播为主）

curl -X POST "https://rtc-api.zego.im/?Action=StartAutoMix" \
  -H "Content-Type: application/json" \
  -H "Signature: ..." \
  -d '{
    "AppId": 1234567890,
    "RoomId": "live_room_001",
    "TaskId": "auto_mix_task_001",
    "Audio": {
      "MixMode": "focused"
    },
    "ExtraMixInput": [
      {
        "StreamId": "stream_anchor",
        "ContentType": "audio",
        "IsAudioFocus": true
      }
    ],
    "Output": [
      {
        "StreamId": "mix_output_live",
        "ContentType": "audio"
      }
    ]
  }'

5.3 连麦场景：观众上麦

当有观众申请上麦并被主播同意后，不需要修改混流任务，自动混流会自动将新流聚合进去。由于主播流已经被标记为焦点，新加入的连麦观众流默认 isAudioFocus = false，音量不会压过主播。

观众上麦流程：
1. 观众推流到房间
2. 自动混流自动检测到新流，聚合到混流输出
3. 主播声音仍然突出（isAudioFocus = true 保持不变）
4. 连麦结束，观众断流，自动混流自动移除该流

这就是自动混流的核心优势：主播始终是焦点，流增减不需要手动维护。

5.4 PK 场景：焦点切换

PK 是直播中最常见的焦点切换场景。两个主播连麦 PK，焦点需要从自己主播切换到对方主播（或双方同时为焦点）：

# PK 开始：将对方主播也设为焦点（双焦点模式）
curl -X POST "https://rtc-api.zego.im/?Action=UpdateAutoMix" \
  -H "Content-Type: application/json" \
  -d '{
    "AppId": 1234567890,
    "RoomId": "live_room_001",
    "TaskId": "auto_mix_task_001",
    "ExtraMixInput": [
      {
        "StreamId": "stream_anchor",
        "ContentType": "audio",
        "IsAudioFocus": true
      },
      {
        "StreamId": "stream_pk_opponent",
        "ContentType": "audio",
        "IsAudioFocus": true
      }
    ]
  }'

PK 结束后，再将对方主播的 IsAudioFocus 改为 false 或从 ExtraMixInput 中移除。

六、完整调用示例（Node.js）

const crypto = require('crypto');

// 签名函数（参考 ZEGO 服务端签名文档）
function generateSignature(appId, serverSecret, params) {
  // 签名逻辑见 ZEGO 文档
}

// 发起自动混流
async function startAutoMixWithFocus(roomId, anchorStreamId) {
  const params = {
    AppId: 1234567890,
    RoomId: roomId,
    TaskId: `auto_mix_${roomId}`,
    Audio: {
      MixMode: 'focused',
    },
    ExtraMixInput: [
      {
        StreamId: anchorStreamId,
        ContentType: 'audio',
        IsAudioFocus: true,
      },
    ],
    Output: [
      {
        StreamId: `mix_output_${roomId}`,
        ContentType: 'audio',
      },
    ],
  };

  // 生成签名、发起请求...
  return params;
}

// PK 切换：临时将对方主播设为焦点
async function switchFocusForPK(roomId, pkOpponentStreamId) {
  // 动态更新自动混流，追加焦点流
  const updateParams = {
    AppId: 1234567890,
    RoomId: roomId,
    TaskId: `auto_mix_${roomId}`,
    ExtraMixInput: [
      { StreamId: `stream_anchor_${roomId}`, ContentType: 'audio', IsAudioFocus: true },
      { StreamId: pkOpponentStreamId, ContentType: 'audio', IsAudioFocus: true },
    ],
  };
  // 调用 UpdateAutoMix...
}

七、适用子场景

八、注意事项

8.1 自动混流 vs 手动混流的选择

直播场景优先选自动混流，除非：

• 需要精确的视频布局控制（如电商直播的画中画）
• 需要排除某些特定流不参与混流
• 混流输出需要推到多个 CDN 地址

8.2 CDN 推流的延迟

自动混流输出推到 CDN 后，观众端有 2~5 秒的播放延迟。如果连麦互动需要极低延迟（< 400ms），观众应直接加入 RTC 房间拉流，而不是通过 CDN 拉混流。

8.3 成本控制

自动混流按分钟计费。如果主播大部分时间在单人直播，建议在连麦开始时才创建混流任务，连麦结束后立即停止，避免空转计费。

开播 → 单人直播（不混流）
检测到连麦 → 创建自动混流任务
连麦结束 → 停止混流任务
下播

8.4 焦点数量

focused 模式没有限制焦点流的数量，但从听觉效果考虑，焦点数量控制在 1~2 路为佳。焦点太多等于没有焦点。

九、总结

直播场景突出主播声音的核心方案：

自动混流 + MixMode = focused + 主播流 IsAudioFocus = true

和会议场景相比，直播更推荐自动混流：

• 流增减自动管理，降低维护成本
• 主播永远锁定焦点，连麦变化零维护
• PK 场景通过 UpdateAutoMix 动态切换焦点

一句话：把主播流挂上 IsAudioFocus，剩下的交给自动混流。