Pitch: BlaTube: de “em que segundo você está?” ao lançador de tomates
Criei o BlaTube para assistir a vídeos com amigos e dar umas risadas. Queria fazer isso sem muita complicação.
Durante muito tempo, usei o projeto para experimentar. Agora resolvi levá-lo mais a sério. Vou falar de três problemas que precisei resolver: sincronização de vídeo, teclado no iPhone e um lançador de tomates.
“Em que segundo você está?”
Na primeira versão, o anfitrião, que controla a reprodução, dava play, pausava ou avançava o vídeo. O comando passava pelo servidor e chegava aos outros participantes. Eu ainda não levava em conta o tempo de entrega.
Depois as pessoas começaram a perguntar umas às outras: “Em que segundo você está?” Coloquei a posição de cada participante na interface. Ficou mais fácil enxergar a diferença sem ficar trocando mensagens, e fui investigar os atrasos.
Quando a posição chega ao espectador, ela já está desatualizada. Se o anfitrião enviou a posição de 120 segundos e a mensagem levou 300 ms para chegar, o vídeo dele já está perto de 120,3 segundos. Aplicar a posição recebida sem compensação faz o espectador começar atrasado.
Agora o cliente mede periodicamente o RTT (Round-Trip Time). É o tempo entre enviar uma requisição ao servidor e receber a resposta. Entre algumas amostras, escolhemos a de menor RTT e estimamos a diferença entre o relógio do cliente e o do servidor. Combinamos a nova estimativa com a anterior para evitar mudanças bruscas na correção.
Quando recebe a posição do anfitrião, o servidor estima quando ela foi medida, subtraindo metade do RTT do anfitrião. O espectador recebe a posição junto com essa marca de tempo, converte sua marca de tempo local para a mesma referência e calcula quanto tempo passou desde a medição.
Também medi o processamento da atualização no servidor: foram poucos milissegundos. Esse tempo já está incluído no intervalo calculado a partir das marcas de tempo. Não precisamos somá-lo de novo.
Se o vídeo está em reprodução, a conta fica assim:
posição atual ≈ posição recebida
+ tempo desde a medição × velocidade de reprodução
Se está pausado, não somamos esse avanço.
Por exemplo, com RTT de 200 ms para o anfitrião e 400 ms para o espectador, estimamos cerca de 100 ms até o servidor e mais 200 ms até o espectador. A isso se soma o processamento da atualização no servidor.

Dividir o RTT por dois é uma aproximação: o caminho de ida pode ser diferente do de volta. Além disso, cada player leva um tempo para carregar o vídeo e executar um seek. A compensação de rede ajuda, mas ainda precisamos lidar com o comportamento de cada player.
Usamos servidores regionais para encurtar o caminho de rede. O anfitrião continua sendo a referência da reprodução; o servidor valida e repassa as atualizações.
Ainda penso em uma versão em que o próprio servidor defina o estado de referência da reprodução. Isso poderia simplificar o controle da sala e das permissões. Por enquanto mantive o anfitrião como fonte desse estado.
Você abre o teclado e o vídeo some
No celular, quero manter vídeo, chat e chamada em uma tela só, sem precisar rolar a página para alternar entre o que você assiste e o que escreve.
Encaixar tudo em uma tela pequena deu mais trabalho do que eu esperava. Ao abrir o teclado no iPhone, o Safari também pode deslocar a página até o campo de mensagem. O vídeo sai pelo topo da tela, mesmo que ainda sobre um espaço vazio no meio.

À esquerda, quase todo o vídeo saiu pelo topo. À direita, ele continua visível.
Para posicionar o campo acima do teclado, usamos VisualViewport, que fornece a altura e o deslocamento da área visível. Quando o aparelho muda de orientação, descartamos a geometria anterior e calculamos tudo novamente.
Reposicionamos o campo existente. Recriar o textarea com foco ou movê-lo para outro nó pode fazer o campo perder o foco e fechar o teclado.
Um truque com a opacidade ajudou a impedir a rolagem automática: deixamos o campo invisível por um instante, no momento em que ele recebe foco. Na nossa implementação, esse intervalo é de 350 ms:
input.classList.add('ios-focus-guard');
input.focus({ preventScroll: true });
setTimeout(() => {
input.classList.remove('ios-focus-guard');
}, 350);
.ios-focus-guard {
opacity: 0;
}
A técnica está descrita neste exemplo. Ela ajuda a conter a rolagem ao focar o campo. A posição acima do teclado continua sendo calculada com VisualViewport.
Outro problema apareceu com o IME, usado para compor texto em idiomas como o japonês. Enter pode confirmar a opção escolhida antes de a pessoa terminar de escrever. Se o chat interpretar isso como um envio, a mensagem sai antes da hora.
No tratamento do envio, verificamos isComposing e acompanhamos os eventos compositionstart e compositionend. No Safari, a tecla que encerra a composição pode chegar com isComposing já desativado, mas ainda com o código 229. Também tratamos esse caso.
Também precisei sincronizar os tomates
Depois das super-reações, fiz um lançador de tomates. Dava para mirar no vídeo e cobrir a tela de tomates. Os impactos precisavam aparecer para todos os participantes.
Adicionei eventos de analytics e vi que as pessoas usavam o lançador de tomates. Também comentavam sobre ele no Telegram. Depois disso, fiquei com vontade de experimentar outros lançadores, como um de pipoca.

Dois participantes atiram ao mesmo tempo. O vídeo quase desaparece, e o chat continua ao lado.
Várias pessoas podem atirar ao mesmo tempo. Uma usa um monitor grande, outra está no celular. O tamanho do vídeo e a taxa de renderização são diferentes, mas os impactos precisam corresponder.
Não é preciso enviar pela rede a posição de cada tomate. Enviamos a ativação, a direção e os eventos de apertar e soltar o gatilho. Os clientes criam os projéteis localmente com parâmetros compartilhados: seed, cadência e índice da rajada. O servidor controla a munição e o tempo de vida da sessão.
A mira é definida em relação ao retângulo do vídeo. Cada cliente converte esse ponto para suas coordenadas de tela. Assim, o impacto deve atingir a mesma região do quadro no computador e no celular.
Todos os lançadores ativos usam um renderizador compartilhado no cliente. Não precisamos criar um ciclo de renderização separado para cada pessoa que está atirando.
Projeto: BlaTube.
Se vocês tiverem interesse, posso contar em outro post como aceleramos a conexão nas chamadas WebRTC e o que precisei ajustar para celulares mais simples e mais potentes.