为什么再做一个视频通话软件

先承认：这个赛道已经非常拥挤了。腾讯会议、Zoom、飞书……但每次我只是想让两台设备临时通个话——比如帮远程的父母看看电脑出了什么问题、和另一台机器联调个东西——我面对的永远是同一套流程：

1. 双方都去下载几百 MB 的安装包，注册登录；
2. 建会议、发链接、等对方进房；
3. 接受"本次通话内容将被收集处理"的隐私条款；
4. 一个会议软件常驻后台，占掉大几百 MB 内存。

而真正本质的需求只有一句话：两台设备之间，建一条加密的音视频通道。这件事在 WebRTC 时代本不该这么重。

于是有了 mini-vedio——一个 约 12MB 的单个 exe，双击即用，无安装、无注册、无服务器、媒体全程端到端加密 的点对点音视频通话应用。

三种连接方式，覆盖从局域网到完全离线

视频通话最难的部分从来不是媒体传输（WebRTC 已经解决了），而是信令——双方如何交换建连所需的 SDP/ICE 信息。mini-vedio 用三级模式覆盖了几乎所有网络场景，且三种模式共用同一套 SignalMessage JSON 格式：

这个分层设计的关键在于优雅降级：公共中继建连失败时自动切换到邀请码模式；路由器开了 AP 隔离导致局域网发现失败时，会明确提示改用房间码或邀请码，而不是让用户面对一个含糊的"连接失败"。

对隐私敏感的场景，同一个 exe 还能一键变身为自建信令服务器（mini-vedio.exe signal），配合 cloudflared 隧道即可获得自己的公网信令地址——房间码照用，但中继完全自主可控。

架构：核心决策只有一个——媒体引擎不在 Go 里实现

先看整体架构：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

┌────────────────── 单个 exe（Go + Wails v3）──────────────────┐
│   WebView2 窗口                     Go 内核                   │
│  ┌──────────────────────────┐      ┌──────────────────────┐  │
│  │ 前端（Vue3, 内嵌打包产物） │      │ LAN 发现(internal/lan)│  │
│  │  getUserMedia 采集/预览   │◄────►│ 信令中继 + 事件推送    │  │
│  │  RTCPeerConnection       │ 绑定 │ 设备身份 / SAS 码     │  │
│  │  房间码/邀请码/聊天/共享   │      │ serve/signal 子命令   │  │
│  └────────────┬─────────────┘      └──────────┬───────────┘  │
│               │                               │              │
│        媒体：DTLS-SRTP 端到端          信令：只搬运 SDP 文本    │
└───────────────┼───────────────────────────────┼──────────────┘
                ▼                               ▼
         对端 WebView2 ◄──── P2P 媒体直连 ────► 对端（信令通道）

技术栈：Go 1.26 + Wails v3 + Vue 3 + TypeScript + Vite + Tailwind CSS v4。前端构建产物 go:embed 内嵌进 exe，最终交付物就是那一个文件。

这个架构里最重要的一行字是：Go 不碰任何媒体数据。

摄像头/麦克风采集、H.264/VP8/Opus 编解码、回声消除（AEC3）、降噪、DTLS-SRTP 加密、ICE 穿透——全部直接使用 WebView2（Chromium）内置的 WebRTC 栈。Go 侧只承担窗口壳、局域网发现、信令转发和设置存储这些"控制面"工作。

这个决策带来一连串的收益：

• 不引入 Pion、不引入 FFmpeg、不引入任何编解码库，代码量和体积直接压到底；
• 白拿 Chromium 的回声消除与硬件编解码——自己用 Go 写媒体处理，很难追平 AEC3 的质量；
• 媒体加密由 WebRTC 规范强制保证（DTLS-SRTP 不可关闭），安全基线天生就在；
• 唯一的代价是依赖系统 WebView2 运行时——而 Win10/11 基本预装，启动时检测缺失会引导安装。

作为对照，一个常见的 Go WebRTC 思路是 Go + Pion 自管媒体，但 Pion 只管传输不管采集和编码，采集与编码需要 CGO/FFmpeg，体积与构建复杂度双双爆炸，还会丢掉系统级回声消除。这就是"不自己造媒体引擎"的论证过程。

目录结构

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

mini-vedio/
├── main.go              # Wails 入口：窗口、权限、serve 子命令分发
├── lanservice.go        # 绑定服务：Peers/SendOffer/AcceptCall + 事件转发
├── signal.go            # signal 子命令：WSS 房间码中继（自建信令）
├── serve.go             # serve 子命令：自签 HTTPS，手机浏览器入口
├── diagnostics.go       # 结构化诊断日志（JSONL，2MB 轮转）
├── device.go            # 设备标识持久化
├── internal/lan/        # UDP 广播发现 + 信令中继（纯标准库）
├── frontend/src/
│   ├── components/      # VideoRoom / ChatPanel / IncomingCall …
│   └── services/        # call.ts 状态机 / relay.ts / signal.ts / sas.ts
├── bindings/            # wails3 generate bindings 产物
└── scripts/build.ps1    # 一键构建 + 体积断言

前后端的边界非常干净：前端 call.ts 维护一个 idle → connecting → connected → failed 的通话状态机，所有 RTCPeerConnection 的生命周期都在这里；Go 通过 Wails bindings 暴露 Peers/SendOffer/AcceptCall 等方法，用事件把局域网发现结果推回前端。

解决的痛点

痛点一：安装与注册的摩擦

单文件 exe、双击即用、系统自带 WebView2 即可运行。跨网通话的默认路径（房间码）走免注册的公共 MQTT 中继，前端 relay.ts 手写了 MQTT 3.1.1 报文 over WSS——不引任何 WebSocket/MQTT 库，为一个功能省下一整个依赖树。房间的设计上还有个细节：6 位房间码的首字符编码了所选 broker（A=emqx、B=hivemq），保证双方确定性落到同一台中继上，不会出现"都输入了房间码却在等对方"的分叉。

痛点二：Electron 式的体积臃肿

桌面应用 + Web 前端的常规答案是 Electron，代价是 150–200MB 的产物和数 GB 的 node_modules。mini-vedio 给自己定下硬约束：exe ≤ 13MB，并在构建脚本里内置体积断言，超了直接构建失败。每次发布的体积都有记录可查，防止悄悄膨胀：

体积控制没有黑科技，靠的是几条纪律：纯 Go 零 CGO、-ldflags "-s -w" -trimpath、能用标准库就不引库、前端依赖保持最小集。

痛点三：隐私——“我的通话到底被谁听到”

这是设计里最值得展开的部分。mini-vedio 的信任模型分两层：

媒体层：DTLS-SRTP 端到端加密，WebRTC 规范强制，媒体数据从一台设备直达另一台设备，任何中继都接触不到内容。

信令层：信令即使经过第三方（公共 MQTT broker）转发，也只是搬运 SDP/ICE 文本，被窃听也不破坏媒体机密性。但信令通道理论上存在中间人风险——于是在此之上加了一道 SAS 核对码：

1

sha256(字典序拼接的双方 DTLS 证书指纹) → 前 3 字节 → 显示为 ABC-123

通话界面常显 6 位核对码，双方口头比对一致后点"已核实"。如果信令被中间人劫持、双方各自与攻击者建立了连接，两边的指纹拼接结果必然不同，核对码对不上，阴谋当场败露。这和 Signal 通话的安全号码（safety numbers）是同一原理，但做到了 6 位字符的极简形态。加密由机器保证，身份由人眼保证——这是无服务器架构下很优雅的信任闭环。

另外一些硬规矩：CSP 严格限制页面只能加载内嵌资源、远程脚本一律禁止；发布版禁用 devtools；零遥测零统计；诊断日志结构化 JSONL 存本地且轮转，永不记录 SDP 正文、邀请码、密码或令牌。

痛点四：偶尔需要手机参与

电脑运行 mini-vedio.exe serve，同一 WiFi 下手机浏览器打开打印出的地址，加载后切到蜂窝流量即可跨网通话。前端已 PWA 化，手机浏览器"添加到主屏幕"即可全屏使用，也可以用 PWABuilder 打包成 APK 安装——一份前端代码，桌面/网页/安卓三端通用。

使用中的样子

进入通话后，除了音视频，还有两个高频能力：屏幕共享（给别人演示或排障的利器）和文字聊天（经 DataChannel 点对点传输，同样不经过任何服务器）。

通话界面里常显 SAS 核对码；通话布局支持大小画面互换、双击全屏；右侧聊天面板可拖拽调宽；摄像头关闭时显示占位头像而不是一屏黑帧——这些细节都来自真实使用中的不适。

写在最后

mini-vedio 不打算替代会议软件。它瞄准的是另一件事：让"临时通个话"回归它本来的复杂度——双击、给码、连接，三个动作，然后是一条端到端加密的通道。

回顾整个项目，最想分享的其实是两个决策方法论：

1. 站在生态的肩膀上，别重复造轮子。Chromium 的 WebRTC 栈是地球上被锤炼得最狠的媒体引擎之一，白拿比自研划算得多。判断标准很简单：这个能力是否已经存在于系统/运行时里？在的话，别打包第二份。
2. 给约束建账本。体积预算、依赖白名单、被否决的方案（Electron/Tauri/Pion……连同否决理由）全部写在项目的 AGENTS.md 里，每次改动前对照自检。约束不写下来，就一定会被慢慢稀释——体积记录表和构建断言就是防回归的堤坝。

项目完全开源，推送 v* 标签即触发 CI 自动构建发布。如果你也偶尔需要在两台设备之间"就通个话"，欢迎试试。