本文探讨在规避 webrtc p2p 架构隐私风险（如公网 ip 暴露）的前提下，如何通过服务端中继方式实现低延迟、高可靠性的音视频流传输，并系统对比 kurento、mediasoup、janus 等主流 sfu/mcu 服务框架的适用场景与集成要点。
本文探讨在规避 webrtc p2p 架构隐私风险（如公网 ip 暴露）的前提下，如何通过服务端中继方式实现低延迟、高可靠性的音视频流传输，并系统对比 kurento、mediasoup、janus 等主流 sfu/mcu 服务框架的适用场景与集成要点。
在现代实时音视频应用中，直接使用 WebRTC 的 P2P 模式虽简单高效，但存在显著隐私与网络限制问题：客户端间需交换 ICE 候选地址（含公网 IP），不仅违背最小权限原则，还常因 NAT/防火墙导致连接失败。而单纯依赖 MediaRecorder + WebSocket 的纯前端方案又面临本质缺陷——其分块输出（ondataavailable）天然依赖无损传输，TCP 层重传会引入不可控延迟，且音频切片拼接易产生爆音或静音间隙，无法满足准实时通信需求。
正确的技术路径是：保留 WebRTC 的媒体采集与编码能力（利用浏览器原生 getUserMedia + RTCPeerConnection），但将信令与媒体转发交由具备中继能力的服务端处理。此时 WebSocket 仅用于信令交互（如 SDP 协商、ICE 候选交换），而实际音视频流仍走 SRTP over UDP（经 TURN 或 SFU 转发），既保障低延迟，又隐藏终端真实 IP。
以下为三种成熟服务端方案的核心对比与接入建议：
| 方案 | 架构类型 | 关键优势 | 典型适用场景 | 注意事项 |
|---|---|---|---|---|
| Mediasoup | SFU | 高性能（C++ 内核）、轻量、WebRTC 1.0 兼容、优秀 TypeScript SDK | 中大型实时互动（如在线教育、远程协作） | 需自行实现信令服务器；不内置录制/转码功能 |
| Janus Gateway | SFU/MCU | 插件化设计、支持 RTSP/RTMP 推拉流、丰富 REST API | 多协议混合场景（如监控视频接入 Web） | 配置较复杂；部分高级功能需编译启用 |
| Kurento | MCU/SFU | 提供高级媒体处理（混流、合屏、AI 分析） | 需要服务端媒体合成的应用（如虚拟会议室） | 已停止维护（2022 年起），生产环境不推荐新项目采用 |
✅ 推荐入门实践（Mediasoup 示例）：
前端采集并创建发送轨道，服务端通过 Mediasoup 的 Router 和 Transport 中继媒体流：
// 前端：创建 producer（无需手动管理 track）
const stream = await navigator.mediaDevices.getUserMedia({ video: true, audio: true });
const videoTrack = stream.getVideoTracks()[0];
const audioTrack = stream.getAudioTracks()[0];
// 通过信令通道获取服务端 transport 的参数（如 dtlsParameters、iceParameters）
const transport = await device.createSendTransport({
id: transportId,
iceParameters,
dtlsParameters,
sctpParameters,
});
// 将轨道发布至服务端
await transport.produce({ track: videoTrack });
await transport.produce({ track: audioTrack });服务端（Node.js）仅需协调传输与路由，不参与解码/重编码，确保毫秒级延迟。
⚠️ 关键注意事项：
- 绝不通过 WebSocket 直接传输原始音视频帧：WebSocket 基于 TCP，会放大丢包重传延迟，破坏实时性；应始终让媒体流走 UDP（SRTP），WebSocket 仅承载信令；
- TURN 服务器必不可少：当客户端位于对称 NAT 后时，SFU 仍需 TURN 中继媒体流，建议部署 Coturn；
- 信令安全须前置：WebSocket 连接必须启用 WSS（TLS），信令消息需鉴权（如 JWT），防止未授权接入；
- 带宽自适应需开启：在 RTCPeerConnection 中启用 setParameters({ bandwidth: { video: 1500 } }) 或依赖服务端 REMB/TLI 反馈动态调整。
综上，真正的“WebSocket 音视频流”本质是「WebSocket 信令 + WebRTC 媒体流 + 服务端中继」三位一体架构。选择 Mediasoup 作为起点，可兼顾性能、可维护性与社区活跃度，快速构建符合隐私合规与实时性双重要求的音视频系统。
