Qu'est-ce que la communication audio-vidéo ? Technologies, types et facteurs de qualité
La communication audio-vidéo (CAV) est la transmission en temps réel ou quasi temps réel de flux audio et vidéo synchronisés entre deux points de terminaison ou plus. Elle alimente tout, des appels FaceTime aux contributions de diffusion mondiales. Voici le paysage technique et pratique.
Pile technologique de base
| Couche | Standards / Protocoles clés | Fonction |
|---|---|---|
| Capture | V4L2, AVFoundation, MediaFoundation, ALSA, PulseAudio, PipeWire | Caméra/micro → tampons numériques |
| Encodage | H.264/AVC, H.265/HEVC, VP8, VP9, AV1 (vidéo) ; Opus, AAC, G.711, G.722 (audio) | Compresser le média brut |
| Empaquetage | RTP (Real-time Transport Protocol) | Paquetiser, horodater, séquencer |
| Transport | UDP (préféré), TCP, QUIC, SRT, RIST | Distribution réseau |
| Sécurité | SRTP (AES-GCM), DTLS-SRTP, ZRTP, E2EE (Signal, MLS) | Chiffrer + authentifier |
| Signalisation | SIP, WebRTC (SDP), XMPP/Jingle, H.323 (hérité), propriétaires | Établissement d'appel, négociation |
| Traversée NAT | ICE, STUN, TURN, TURN-TLS | Traversée NAT/pare-feu |
| QoS/Adaptation | SIMULCAST, SVC, NACK, PLI, FIR, REMB, GCC/BWE | Adaptation bande passante |
| Lecture | Tampon gigue, dissimulation, sync (NTP/RTCP), rendu | Sortie fluide |
Catégories majeures de CAV
1. Visioconférence (Multi-points, symétrique)
- Plateformes : Zoom, Microsoft Teams, Google Meet, Cisco Webex, GoToMeeting.
- Architecture : MCU (Multipoint Control Unit) ou SFU (Selective Forwarding Unit).
- Échelle : 2 → 1000+ participants.
- Fonctionnalités : Partage d'écran, enregistrement, salles de sous-commission, arrière-plans virtuels, traduction.
2. Appel vidéo (Point-à-point, symétrique)
- Apps : FaceTime, WhatsApp, Signal, Duo/Meet (grand public), Facebook Messenger.
- Architecture : P2P (mesh) ou relayé via TURN.
- Focus : Simplicité, mobile-first, E2EE (Signal, FaceTime, WhatsApp).
3. Streaming vidéo (Un-à-plusieurs, asymétrique)
- Live : YouTube Live, Twitch, Facebook Live, Instagram Live, TikTok Live.
- VOD : Netflix, Disney+, Prime Video, YouTube (DASH/HLS).
- Contribution : SRT, RIST, Zixi — backhaul broadcast.
- Latence : HLS/DASH : 6-30 s. Low-Latency HLS/CMAF : 2-5 s. WebRTC/SRT : <500 ms.
4. Vidéosurveillance (Unidirectionnelle, continue)
- Protocoles : RTSP/RTP, ONVIF, GB/T 28181 (Chine).
- Codecs : H.264/H.265 dominants. Codecs intelligents (H.265+, Zipstream).
- Stockage : NVR, VMS, Cloud (VSaaS).
- Analytique : Détection mouvement, IA (personne/véhicule/visage), calcul en périphérie.
5. Télémédecine (Réglementée, haute fiabilité)
- Plateformes : Amwell, Teladoc, Doxy.me, Epic/Cerner intégrés.
- Exigences : HIPAA/RGPD, BAA, 99,9 %+ disponibilité, logs d'audit, intégration DPI.
- Périphériques : Stéthoscope numérique, otoscope, dermascope, passerelle signes vitaux.
Déterminants de la qualité
| Facteur | Impact | Cible (bon) |
|---|---|---|
| Bande passante (montée/descente) | Bitrate max, résolution, fréquence d'images | >2 Mbps mont/desc par 720p30 ; >5 Mbps pour 1080p |
| Latence (RTT) | Naturalité conversationnelle | <150 ms (excellent), <300 ms (acceptable) |
| Gigue | Variation arrivée paquets → tampon/perte | <30 ms |
| Perte de paquets | Artefacts, gels, coupures audio | <1 % (avec dissimulation), <0,1 % (impeccable) |
| Efficacité codec | Qualité par bitrate | AV1 > HEVC > VP9 > H.264 > VP8 |
| Qualité caméra/micro | Plafond fidélité source | Webcam 1080p30+ ; micro USB casque/condensateur |
| Puissance de calcul | Capacité encodage/décodage | Encodage matériel (NVENC, QuickSync, VCN, MediaTek, Apple VDE) |
Tendances émergentes
- AV1 / H.266 (VVC) : 30-50 % économie bitrate — déploiement Chrome/Edge/Firefox, TV, téléphones.
- WebRTC Insertable Streams / WebCodecs : Traitement perso (flou arrière ML, codecs custom) dans navigateur.
- MLS (Messaging Layer Security) : E2EE scalable pour grands groupes (standard IETF).
- Audio spatial / Ambisonics : Conférence immersive (Teams, FaceTime Spatial Audio).
- IA générative : Traduction temps réel, avatar, correction contact visuel, synthèse bande passante.
- 5G NR-U / Wi-Fi 7 (802.11be) : Sans fil déterministe faible latence pour CAV.
Choisir sa pile technique
| Cas d'usage | Approche recommandée |
|---|---|
| Grand public 1:1 / petit groupe | FaceTime / WhatsApp / Signal (E2EE, zéro config) |
| Réunions d'entreprise | Teams / Zoom / Meet (intégration écosystème) |
| Développeur créant une app | WebRTC (Daily, LiveKit, Agora, Vonage, Twilio) — ne partez pas de zéro |
| Contribution broadcast | SRT / RIST (Haivision, Teradek, OBS + plugin SRT) |
| Vidéosurveillance | ONVIF Profile G/T/M + VMS (Milestone, Genetec, Blue Iris, Frigate) |
| Télémédecine | Plateforme HIPAA-compliant (Doxy.me, Zoom for Healthcare, WebRTC custom + BAA) |
En résumé : CAV = capture → encodage → empaquetage → sécurisation → traversée → adaptation → décodage → rendu. La magie réside dans la **couche d'adaptation** (gérer les réseaux réels) et la **signalisation** (rendre ça simple). Pour utilisateurs : choisissez l'app. Pour développeurs : utilisez bibliothèques WebRTC/SRT. Pour réseaux : provisionnez bande passante + QoS.
No