網(wǎng)絡語音通話運用了哪些技術？

當我們使用像Skype、QQ這樣的工具和朋友流暢地進行語音視頻聊天時，我們可曾想過其背后有哪些強大的技術在支撐？本文將對網(wǎng)絡語音通話所使用到的技術做一些簡單的介紹，算是管中窺豹吧。

一、概念模型

網(wǎng)絡語音通話通常是雙向的，就模型層面來說，這個雙向是對稱的。為了簡單起見，我們討論一個方向的通道就可以了。一方說話，另一方則聽到聲音。看似簡單而迅捷，但是其背后的流程卻是相當復雜的。我們將其經(jīng)過的各個主要環(huán)節(jié)簡化成下圖所示的概念模型：

這是一個最基礎的模型，由五個重要的環(huán)節(jié)構成：采集、編碼、傳送、解碼、播放。

1. 語音采集

語音采集指的是從麥克風采集音頻數(shù)據(jù)，即聲音樣本轉換成數(shù)字信號。其涉及到幾個重要的參數(shù)：采樣頻率、采樣位數(shù)、聲道數(shù)。

簡單的來說：采樣頻率，就是在1秒內(nèi)進行采集動作的次數(shù)；采樣位數(shù)，就是每次采集動作得到的數(shù)據(jù)長度。

而一個音頻幀的大小就等于：（采樣頻率×采樣位數(shù)×聲道數(shù)×時間）/8。

通常一個采樣幀的時長為10ms，即每10ms的數(shù)據(jù)構成一個音頻幀。假設：采樣率16k、采樣位數(shù)16bit、聲道數(shù)1，那么一個10ms的音頻幀的大小為：（16000*16*1*0.01）/8 = 320 字節(jié)。計算式中的0.01為秒，即10ms。

附：可以參考了解語音視頻采集組件MCapture相關介紹及Demo源碼與SDK下載。

2. 編碼

假設我們將采集到的音頻幀不經(jīng)過編碼，而直接發(fā)送，那么我們可以計算其所需要的帶寬要求，仍以上例：320*100 =32KBytes/s，如果換算為bits/s，則為256kb/s。這是個很大的帶寬占用。而通過網(wǎng)絡流量監(jiān)控工具，我們可以發(fā)現(xiàn)采用類似QQ等IM軟件進行語音通話時，流量為3-5KB/s，這比原始流量小了一個數(shù)量級。而這主要得益于音頻編碼技術。

所以，在實際的語音通話應用中，編碼這個環(huán)節(jié)是不可缺少的。目前有很多常用的語音編碼技術，像G.729、iLBC、AAC、SPEEX等等。

3. 網(wǎng)絡傳送

當一個音頻幀完成編碼后，即可通過網(wǎng)絡發(fā)送給通話的對方。對于語音對話這樣Realtime應用，低延遲和平穩(wěn)是非常重要的，這就要求我們的網(wǎng)絡傳送非常順暢。

4. 解碼

當對方接收到編碼幀后，會對其進行解碼，以恢復成為可供聲卡直接播放的數(shù)據(jù)。

5. 語音播放

完成解碼后，即可將得到的音頻幀提交給聲卡進行播放。

附：可以參考了解語音播放組件MPlayer相關介紹與Demo源碼與SDK下載

二、實際應用中的難點及解決方案

如果僅僅依靠上述的技術就能實現(xiàn)一個效果良好的應用于廣域網(wǎng)上的語音對話系統(tǒng)，那就沒什么太大的必要來撰寫此文了。正是有很多現(xiàn)實的因素為上述的概念模型引入了眾多挑戰(zhàn)，使得網(wǎng)絡語音系統(tǒng)的實現(xiàn)不是那么簡單，其涉及到很多專業(yè)技術。當然，這些挑戰(zhàn)大多已經(jīng)有了成熟的解決方案。首先，我們要為“效果良好”的語音對話系統(tǒng)下個定義，我覺得應該達到如下幾點：

低延遲。只有低延遲，才能讓通話的雙方有很強的Realtime的感覺。當然，這個主要取決于網(wǎng)絡的速度和通話雙方的物理位置的距離，就單純軟件的角度，優(yōu)化的可能性很小。

背景噪音小。

聲音流暢、沒有卡、停頓的感覺。

沒有回音。

下面我們就逐個說說實際網(wǎng)絡語音對話系統(tǒng)中額外用到的技術。

1. 回音消除 AEC

現(xiàn)在大家?guī)缀醵家呀?jīng)都習慣了在語音聊天時，直接用PC或筆記本的聲音外放功能。殊不知，這個小小的習慣曾為語音技術提出了多大的挑戰(zhàn)。當使用外放功能時，揚聲器播放的聲音會被麥克風再次采集，傳回給對方，這樣對方就聽到了自己的回音。所以，實際應用中，回音消除的功能是必需的。

在得到采集的音頻幀后，在編碼之前的這個間隙，是回音消除模塊工作的時機。

其原理簡單地來說就是，回音消除模塊依據(jù)剛播放的音頻幀，在采集的音頻幀中做一些類似抵消的運算，從而將回聲從采集幀中清除掉。這個過程是相當復雜的，而且其還與你聊天時所處的房間的大小、以及你在房間中的位置有關，因為這些信息決定了聲波反射的時長。 智能的回音消除模塊，能動態(tài)調(diào)整內(nèi)部參數(shù)，以最佳適應當前的環(huán)境。

2. 噪聲抑制 DENOISE

噪聲抑制又稱為降噪處理，是根據(jù)語音數(shù)據(jù)的特點，將屬于背景噪音的部分識別出來，并從音頻幀中過濾掉。有很多編碼器都內(nèi)置了該功能。

3. 抖動緩沖區(qū) JitterBuffer

抖動緩沖區(qū)用于解決網(wǎng)絡抖動的問題。所謂網(wǎng)絡抖動，就是網(wǎng)絡延遲一會大一會小，在這種情況下，即使發(fā)送方是定時發(fā)送數(shù)據(jù)包的（比如每100ms發(fā)送一個包），而接收方的接收就無法同樣定時了，有時一個周期內(nèi)一個包都接收不到，有時一個周期內(nèi)接收到好幾個包。如此，導致接收方聽到的聲音就是一卡一卡的。

JitterBuffer工作于解碼器之后，語音播放之前的環(huán)節(jié)。即語音解碼完成后，將解碼幀放入JitterBuffer，聲卡的播放回調(diào)到來時，從JitterBuffer中取出最老的一幀進行播放。

JitterBuffer的緩沖深度取決于網(wǎng)絡抖動的程度，網(wǎng)絡抖動越大，緩沖深度越大，播放音頻的延遲就越大。所以，JitterBuffer是利用了較高的延遲來換取聲音的流暢播放的，因為相比聲音一卡一卡來說，稍大一點的延遲但更流暢的效果，其主觀體驗要更好。

當然，JitterBuffer的緩沖深度不是一直不變的，而是根據(jù)網(wǎng)絡抖動程度的變化而動態(tài)調(diào)整的。當網(wǎng)絡恢復到非常平穩(wěn)通暢時，緩沖深度會非常小，這樣因為JitterBuffer而增加的播放延遲就可以忽略不計了。

4. 靜音檢測 VAD

在語音對話中，要是當一方?jīng)]有說話時，就不會產(chǎn)生流量就好了。靜音檢測就是用于這個目的的。靜音檢測通常也集成在編碼模塊中。靜音檢測算法結合前面的噪聲抑制算法，可以識別出當前是否有語音輸入，如果沒有語音輸入，就可以編碼輸出一個特殊的的編碼幀（比如長度為0）。

特別是在多人視頻會議中，通常只有一個人在發(fā)言，這種情況下，利用靜音檢測技術而節(jié)省帶寬還是非?？捎^的。

5. 混音算法

在多人語音聊天時，我們需要同時播放來自于多個人的語音數(shù)據(jù)，而聲卡播放的緩沖區(qū)只有一個，所以，需要將多路語音混合成一路，這就是混音算法要做的事情。即使，你可以想辦法繞開混音而讓多路聲音同時播放，那么對于回音消除的目的而言，也必需混音成一路播放，否則，回音消除最多就只能消除多路聲音中的某一路。

混音可以在客戶端進行，也可以在服務端進行（可節(jié)省下行的帶寬）。如果使用了P2P通道，那么混音就只能在客戶端進行了。如果是在客戶端混音，通常，混音是播放之前的最后一個環(huán)節(jié)。

綜合上面的概念模型以及現(xiàn)實中用到的網(wǎng)絡語音技術，下面我們給出一個完整的模型圖：

本文是我們在實現(xiàn)OMCS語音部分功能的一個粗略的經(jīng)驗總結。在這里，我們只是對圖中各個環(huán)節(jié)做了一個最簡單的說明，而任何一塊深入下去，都可以寫成一篇長篇論文甚至是一本書。所以，本文就算是為那些剛剛接觸網(wǎng)絡語音系統(tǒng)開發(fā)的人提供一個入門的地圖，給出一些線索。