音视频会议系统是让位于不同地点的与会者通过网络与多媒体设备，实时传输语音、图像与数据的远程会议系统，通常可实现近似面对面的沟通效果。它依托音频与视频编解码、多点控制、实时传输等协议把多方终端接入同一会议，可减少差旅时间与费用，缩短决策周期。随着云计算与移动互联网发展，这类系统已被广泛用于政府、教育、医疗、金融等行业，并衍生出协同办公、远程招聘、远程会诊等应用形态。
定义
音视频会议系统是支持至少两个地点之间的与会者通过网络和多媒体设备进行实时语音、图像与数据交互的通信系统，参与者可分别位于会议室、个人电脑、平板或手机等不同终端上。[1] 与仅传送声音的电话会议相比，它同时承载视频，因而能提供接近面对面沟通的信息量。[1]
系统通常由终端、网关、网守以及多点控制单元等实体构成，其中终端是通信的端点，网关负责与电话网等异构网络互通，网守管理呼叫与带宽，多点控制单元则负责三方以上会议的媒体处理。[2] 按照承载网络与协议的不同，系统可划分为基于分组交换网的 H.323 体系与基于 SIP 的体系两大主流。[3]
原理
系统的基本流程是：终端先完成注册与呼叫建立，随后与会各方通过能力交换确定共同使用的音频、视频编解码方式，再为每路媒体建立单向逻辑通道，用实时传输协议传送数据，用实时传输控制协议反馈丢包与抖动情况以调整发送速率。[4] 当网络带宽不足、丢包率超过设定门限时，发送端会主动降低帧率或码率，以维持会话的连续性。[4]
在多方会议中，多点控制单元把各终端的语音采样值加权混合后回传，混合时会抑制本地声音以避免回声；视频部分则按发言响度选择当前发言者的画面下发给所有终端，或把多路画面缩小拼接成一帧复合图像，从而让每个终端只接收一路视频流。[4] 采用画面复合方式时，多点控制单元需要先解码再重新编码，因此各终端可以使用不同的编解码器；若只做画面切换而不再编解码，则全场终端必须约定同一种编解码器。[4]
为适应不同终端与线路的带宽差异，会议服务器还需进行速率匹配，例如按接收端可用带宽从图像组中抽掉部分视频帧以降低码率，这类匹配通常在每一条媒体通道上分别进行。[5] 现代系统普遍支持空间、信噪比与时间三种可分级编码方式，用基础层加增强层的码流结构适配不同接收条件。[6]
发展历程
视频通信的构想早于其技术实现。1927 年，美国电话电报公司的贝尔实验室完成了一次电视通信演示，时任美国商务部长赫伯特·胡佛的影像从华盛顿传送到纽约，但图像只能单向传送。[7] 1930 年前后，双向可视通信在实验室环境中实现。[7] 1964 年，美国电话电报公司在纽约世界博览会上展出 Picturephone Mod I，观众可进行约 10 分钟的通话；该公司随后在匹兹堡、芝加哥等地推出商用业务，但因设备与通话费用偏高、需求不足而未能推广。[7]
20 世纪 80 年代起，集成电路、数字交换与视频压缩技术的成熟使会议系统转向商用。1982 年，Compression Labs 推出名为 CLI T1 的商用群组视频会议系统，其硬件占据整个房间，前期投入约 25 万美元，每次通话另需约每小时 1000 美元。 1991 年，IBM 与 PictureTel 合作推出基于个人电脑的视频会议方案。
标准化是这一阶段的关键推动力。国际电信联盟电信标准化部门于 1996 年批准 H.323 的首个版本，用于在不能保证服务质量的分组网络上承载实时多媒体通信，此后又多次修订。[3] 互联网工程任务组则在 1999 年发布 SIP 的首个正式文档，并于 2002 年以 RFC 3261 重新发布，SIP 后来成为 IP 电话与统一通信的主流信令标准。[8] 进入 21 世纪后，云架构让用户无需专用硬件即可参会，移动智能终端与前置摄像头的普及进一步降低了使用门槛。 2020 年前后，居家办公与在线教学的普遍化使这类系统的使用规模迅速扩大。
应用
会议是最基础的用途，同一系统通常还集成屏幕共享、电子白板、文字聊天、会议录制与会议控制等功能，用于演示汇报与协作讨论。[1] 在行政会议等场景中，系统需要支持会场点名、多画面布局、字幕叠加与权限分级等会控能力。[9]
行业应用中，教育机构用其开展远程教学与跨校区培训，医疗机构用其进行远程会诊与跨院区交流，政府与企业则用于跨区域、跨国沟通以及远程招聘、呼叫中心等业务。[1] 金融、制造等行业也将其用于信息快速传达、产品远程演示与销售人员培训。[10] 高清画面还被用于需要准确还原样品质感的场景，例如服装设计与样品评审。[10]
局限
系统对网络条件较为敏感。视频流占用带宽较大，在带宽不足时只能降低帧率或画质，帧率过低会使画面传递的情感信息失真，因此需要在清晰度与流畅度之间取舍。[4] 在采用画面切换而非复合的会议中，全场终端必须使用同一种编解码器，这限制了设备搭配的自由度。[4]
会议可接入的终端数量同时受网络带宽与服务器处理能力限制，早期局域网环境下带宽往往是更紧的瓶颈，即使服务器处理器仍有余量，终端数也无法继续增加。[4] 此外，画面轮播只显示当前发言者时，若有多个与会者同时讲话或发言者频繁切换，远端用户仍可能难以确认声音与画面的对应关系。[6]
不同厂商的实现之间也存在互通障碍。SIP 标准虽然灵活开放，但各厂商可对协议进行各自扩展，因而仍需逐一测试互操作性；其信令在报头中携带通信双方的地址信息，跨越网络地址转换边界时建立会话也会遇到困难。[11] 从需求侧看，可视通信长期面临与电话时代相似的普及障碍：用户是否愿意在通话中被持续看到，始终是影响采用意愿的因素之一。[7]
参见
参考资料
- 百家云 [引用日期2026-10-14]
- 走进百年视频电话“革命”发展史 - 9CaKrnJFEGY tech [引用日期2026-10-14]
- Understanding VoIP - VoIP Protocols [引用日期2026-10-14]
- 文章编号：1007- 5321(2003)02- 0077- 05 [引用日期2026-10-14]
- US20080043644A1(PDF) [引用日期2026-10-14]
- WO 03/065720 PCT/EP02/14337 [引用日期2026-10-14]
- ieeeusa.org 上的网页 [引用日期2026-10-14]
- ieee.org 上的网页 [引用日期2026-10-14]
- 华为一体化视讯系统CloudLink Edge 1000彩页 [引用日期2026-10-14]
- 华为云会议Meeting_视频会议解决方案_远程_线上智能会议室-华为云 [引用日期2026-10-14]
- H.323 versus SIP: Was ist der Unterschied? | Computer Weekly [引用日期2026-10-14]