混合会议怎么配？三种跟踪方案对比与声像追踪实现路径

三种主流路线，选错了会直接影响造价和稳定性。 ① 物理指令触发：会议系统或手拉手系统发出信号，触发摄像机切到预置位——最成熟、最便宜，但依赖系统联动，且要预先设置位置；② AI 视觉分析跟踪：用影像识别算法做自动取景与跟随，不依赖麦克风，但会议桌遮挡、多人同时说话时判定容易出错；③ 基于声源定位的跟踪：用天花板阵列麦或带麦克风的摄像机提供声源方位角（DOA），指挥多台 PTZ 自动聚焦当前发言者——精度与体验最好，但要求拾音系统支持位置信息输出。

两者不是替代关系，是可以叠加的两层保险。 纯音频定位的路径是：麦克风提供发言者方位 → 处理器指挥多台 PTZ 聚焦；加入视觉验证后，变成音频定位触发 + 视觉目标验证——先用声音判断“是谁在说”，再用画面确认“人确实在那里”。纯音频路径在多人同时说话、或声音反射复杂的房间容易切错；纯视觉路径在桌面遮挡时容易跟丢。 组合方案的准确率与稳定性都更好，代价是多一台辅助摄像机。

两者都是为了让系统适应“不规整”的房间。 区域模式按座位配置划分跟踪区域，系统在区域内自行判断发言者并给特写，不再受“麦克风只能设置角度追踪”的限制，对 U 形桌、阶梯教室、圆弧形会议区特别有用，搭建速度也更快。免预置位则靠广角辅助摄像机做人体侦测，直接追踪到发话者，完全不需要事先设置一堆预置位置——适合会频繁调整桌椅布置的灵活空间。两者可以组合：固定区域用区域模式，活动区域用免预置位。

解决多人讨论时的镜头眩晕问题。 普通逻辑是“谁发言就切给谁”，两个人来回说就会在两个画面之间硬切，观看者容易晕。对话模式让镜头在对话进行时保持在较宽的画面上，需要特写时才切过去。另外它通常支持设定“优先发言区”和“主席位”，重要发言不会被抢走画面——董事会、评审会这类场合很关键。

这是项目结构本身的改变，不是话术。 单品销售时代，客户自己买屏、买麦、买主机，自己拼——结果各设备互不兼容、调不通、功能发挥不出来。方案销售是把会议相机、麦克风、IP 交换机、桥接器、会议主机、录播主机，甚至环控与中央管理平台作为一个整体设计，由一方负责集成与调试。这也意味着：客户买的不是某个产品，而是“这个房间开会不会出问题”。

统一管理是 IP 化的直接收益之一。 基于 Dante + RTSP 的全网口化部署（取代 HDMI 铜缆与延长器）后，设备在多间会议室之间极易复制：同一套配置批量下发、远程查状态与改参数、批量升级固件。对管理多楼层的 IT 部门，这直接决定了运维成本。 具体网络侧的规划见《会议室音视频 IP 化的网络设计清单》。