多人会议中如何突出某个发言人的声音：ZEGO 混流焦点语音方案详解

摘要：多人实时会议中，重要发言人的声音常被其他参会者淹没。本文介绍了ZEGO 实时音视频 SDK (ZEGO Express SDK) 的混流焦点语音（Focus Voice）方案，通过服务端混流的 mixMode = focused 与 isAudioFocus 参数，在混流输出中突出特定发言人的声音，所有拉流端统一生效。文章从问题背景、方案选型、核心原理、关键 API 参数、iOS/Android/服务端代码示例，到动态切换焦点和成本优化，覆盖了完整的实现链路。适合需要”主持人模式”或”汇报人模式”的视频会议、线上答辩等场景的开发者。

一、背景

做过多人在线会议或语聊房的开发者，大概率遇到过这些场景：

• “主持人说话，背景里七嘴八舌，底下人听不清。”
• “老师讲课，学生那边环境嘈杂，课堂体验很差。”
• “线上答辩，当前汇报人的声音被其他参会者盖住了。”

这些场景的共同痛点是：房间内多人同时说话时，重要发言人的声音被淹没。解决这个问题的传统方式无非两种：让其他人手动闭麦（依赖自觉，体验割裂），或者在客户端调高某个人的音量（各端各自为政，无法统一控制）。前者依赖用户行为，后者只影响本地，都不算优雅的工程方案。

ZEGO Express SDK 早在 2021 年的 v2.6.0 版本起就提供了一个专门解决这个问题的能力：焦点语音（Focus Voice）。它不是客户端层面的音量调节，而是在服务端混流阶段对音频流做优先级处理，让所有拉流端统一听到以焦点发言人为主的声音。

二、方案选型：两条路径

在 ZEGO 体系内，突出某个发言人声音可以走两条路：

路径 A：客户端独立调节

每个观众端调用远端音频流的音量调节 API，自行降低其他人的音量或提高目标人的音量。

• 优点：实现简单，不需要服务端参与。
• 缺点：各端独立控制，无法统一；主持人切换焦点时需要各端分别响应信令；本质上是”谁听谁自己调”，不是”发言人的声音被突出”。

适合”我觉得谁太吵、我调低谁”的个人偏好场景。

路径 B：服务端混流焦点语音

所有流在服务端混成一路输出，混流引擎对标记为焦点（isAudioFocus = true）的流做优先级处理，输出流中焦点发言人的声音在音量或清晰度上明显突出。

• 优点：所有拉流端统一生效；焦点切换只需服务端更新混流参数；适合”主讲人模式””会议主持人模式”。
• 缺点：依赖混流服务，需要额外开通和付费；混流会引入少量延迟。

本文聚焦路径 B，即服务端混流焦点语音方案。

三、核心原理：混流焦点语音

什么是混流

混流（Stream Mixing）是指将房间内多路音视频流在 ZEGO 服务端合并为一路流输出。客户端可以拉到这路混流，也可以推到 CDN 供更大量观众播放。

焦点语音的工作原理

常规混流模式下（mixMode 为默认值），所有输入流的音频按相同权重叠加。如果三人同时说话，输出里就是三人的声音混在一起——谁嗓门大谁突出，没有优先级概念。

焦点语音模式下（mixMode = focused），混流引擎会识别被标记为焦点的流（isAudioFocus = true），对其音频信号做增强处理。其他未标记的流保持正常或适当压低，从而实现”焦点发言人声音突出”的效果。

架构示意

房间 1001 内:
  用户 A 推流 (stream_a) ──┐
  用户 B 推流 (stream_b) ──┤  isAudioFocus = true ← 焦点发言人
  用户 C 推流 (stream_c) ──┘

              ↓
      ZEGO 混流引擎
      mixMode = focused
              ↓
      输出混流 (mix_output)
      B 的声音被突出，A/C 正常或压低
              ↓
      所有拉流端听到一致的输出

关键点：焦点语音影响的是混流输出流，原始各用户的独立流不受影响。如果你同时拉混流和各用户的独立流，独立流的声音不会有变化。

四、关键 API 与参数

焦点语音涉及客户端 SDK 的混流 API 和服务端 REST API，核心参数结构一致。

4.1 ZegoMixerAudioConfig — 混流音频配置

参数	类型	说明
mixMode	枚举	混流音频模式。设为 focused 启用焦点语音；默认值为常规模式

4.2 ZegoMixerInput — 单路输入流配置

每路参与混流的流都需要一个 ZegoMixerInput，关键字段：

参数	类型	说明
streamID	String	输入流的 ID
contentType	枚举	流类型：音频流 / 视频流 / 音视频流
isAudioFocus	Boolean	是否将该流标记为焦点语音流。 仅在 mixMode = focused 时生效
layout	Object	该流在混流画面中的布局（纯音频混流可忽略）

4.3 服务端 REST API StartMix 等价参数

服务端 REST API 对应参数名和客户端 SDK 基本一致，差异仅在 JSON 字段命名风格（camelCase vs PascalCase），逻辑完全相同。

调用服务端混流 API 需要签名鉴权，具体可参考 ZEGO 服务端 API 签名文档。

五、实现步骤

以下以 iOS Objective-C 为例，其余平台 API 结构一致。

5.1 前提准备

1. 在 ZEGO 控制台 创建项目，获取 AppID 和 ServerSecret
2. 在控制台开通混流服务
3. 完成 SDK 初始化和登录房间（略，参考官方快速开始）

5.2 构造混流音频配置（启用焦点模式）

ZegoMixerAudioConfig *audioConfig = [[ZegoMixerAudioConfig alloc] init];
audioConfig.mixMode = ZegoMixModeFocused;  // 焦点语音模式

5.3 构造输入流列表（标记焦点流）

// 参会者 A 的流 — 普通流
ZegoMixerInput *inputA = [[ZegoMixerInput alloc] init];
inputA.streamID = @"stream_a";
inputA.contentType = ZegoMixerInputContentTypeAudio;

// 参会者 B 的流 — 焦点流（主讲人）
ZegoMixerInput *inputB = [[ZegoMixerInput alloc] init];
inputB.streamID = @"stream_b";
inputB.contentType = ZegoMixerInputContentTypeAudio;
inputB.isAudioFocus = YES;  // 标记为焦点

// 参会者 C 的流 — 普通流
ZegoMixerInput *inputC = [[ZegoMixerInput alloc] init];
inputC.streamID = @"stream_c";
inputC.contentType = ZegoMixerInputContentTypeAudio;

NSArray<ZegoMixerInput *> *inputList = @[inputA, inputB, inputC];

5.4 构造混流任务并发起

ZegoMixerTask *task = [[ZegoMixerTask alloc] init];
task.taskID = @"mix_task_1001";
task.audioConfig = audioConfig;
task.inputList = inputList;
task.outputList = @[output];  // 混流输出目标

[[ZegoExpressEngine sharedInstance] startMixerTask:task callback:^(int errorCode, NSDictionary *extendedData) {
    if (errorCode == 0) {
        NSLog(@"混流任务开启成功，焦点发言人：B");
    } else {
        NSLog(@"混流失败，错误码：%d", errorCode);
    }
}];

5.5 动态切换焦点发言人

需要更换焦点发言人时（比如从 B 切换到 C），重新调用 startMixerTask：

// 将 inputB 的 isAudioFocus 改为 NO
inputB.isAudioFocus = NO;
// 将 inputC 的 isAudioFocus 改为 YES
inputC.isAudioFocus = YES;

// 重新发起，混流引擎会更新焦点
[[ZegoExpressEngine sharedInstance] startMixerTask:task callback:^(int errorCode, NSDictionary *extendedData) {
    // ...
}];

混流过程中可以动态更新 isAudioFocus，无需先停止混流再重新发起。

七、适用场景

场景	焦点发言人	说明
视频会议	主持人 / 当前汇报人	保障会议秩序，重要发言不被打断
在线课堂	老师	老师声音始终清晰，学生讨论时切换焦点到学生
语聊房	当前麦位上的用户	上麦者自动设为焦点，其他人为背景
K 歌房	当前演唱者	演唱者的声音被突出，伴奏+他人作为背景
线上答辩 / 汇报	当前答辩者 / 汇报人	观众和评委能清晰听到汇报内容
远程医疗会诊	当前讲解病情的医生	确保关键诊断信息不遗漏

八、注意事项与常见问题

8.1 混流成本

混流是付费服务，每路混流输出按分钟计费。纯音频混流和音视频混流价格不同。开启焦点语音不会产生额外费用（是混流功能的一部分），但混流本身需要付费。建议评估并发混流任务数量再上线。

8.2 动态更新

混流过程中可以动态更新 isAudioFocus 和 mixMode，只需重新调用 startMixerTask 接口传入新参数即可，无需先停止混流再重启。但部分参数（如音频编码格式 AudioCodec）不支持动态更新，需要在首次创建时确定。

8.3 仅音频混流的特殊处理

如果只混音频不混视频，客户端 SDK 中混流任务的 Width 和 Height 填 1 即可。服务端 REST API 同理。不要把 Width/Height 设为 0，会导致参数校验失败。

8.4 焦点语音对原流无影响

isAudioFocus 只在混流输出中生效。房间内其他用户如果拉的是独立流（非混流输出流），不会受到焦点语音的任何影响。

8.5 与其它音频能力的组合

焦点语音可以和以下 ZEGO 音频能力组合使用：

• 3A 处理（AEC/AGC/ANS）：建议开启，确保输入流本身质量
• AI 降噪：在嘈杂环境下进一步过滤背景噪声
• 空间音效 / 范围音频：在焦点语音基础上增加方位感

九、总结

在 ZEGO 体系内实现”突出某个发言人声音”，核心公式只有三个参数：

混流 + mixMode = focused + isAudioFocus = true

整个方案依赖服务端混流能力，所有拉流端统一生效，不需要各客户端自行协调音量。焦点发言人切换只需要在服务端更新一次混流参数，比其他方案更可控、更统一。

对于需要”主讲人模式”的多人会议、在线课堂、语聊房等场景，这个方案是目前最直接、最可靠的实现路径。