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

一.概念模型

      網(wǎng)絡(luò)語音通話通常是雙向的，就模型層面來說，這個(gè)雙向是對稱的。為了簡單起見，我們討論一個(gè)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(dāng)復(fù)雜的。我們將其經(jīng)過的各個(gè)主要環(huán)節(jié)簡化成下圖所示的概念模型：

      這是一個(gè)最基礎(chǔ)的模型，由五個(gè)重要的環(huán)節(jié)構(gòu)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(fēng)采集音頻數(shù)據(jù)，即聲音樣本轉(zhuǎn)換成數(shù)字信號。其涉及到幾個(gè)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(jìn)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(gè)音頻幀的大小就等于：（采樣頻率×采樣位數(shù)×聲道數(shù)×時(shí)間）/8。     

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

2.編碼

      假設(shè)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(jì)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(gè)很大的帶寬占用。而通過網(wǎng)絡(luò)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(jìn)行語音通話時(shí)，流量為3-5KB/s，這比原始流量小了一個(gè)數(shù)量級。而這主要得益于音頻編碼技術(shù)。

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

3.網(wǎng)絡(luò)傳送

      當(dāng)一個(gè)音頻幀完成編碼后，即可通過網(wǎng)絡(luò)發(fā)送給通話的對方。對于語音對話這樣Realtime應(yīng)用，低延遲和平穩(wěn)是非常重要的，這就要求我們的網(wǎng)絡(luò)傳送非常順暢。

4.解碼

      當(dāng)對方接收到編碼幀后，會對其進(jìn)行解碼，以恢復(fù)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(jìn)行播放。

二.實(shí)際應(yīng)用中的難點(diǎn)及解決方案

      如果僅僅依靠上述的技術(shù)就能實(shí)現(xiàn)一個(gè)效果良好的應(yīng)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(shí)的因素為上述的概念模型引入了眾多挑戰(zhàn)，使得網(wǎng)絡(luò)語音系統(tǒng)的實(shí)現(xiàn)不是那么簡單，其涉及到很多專業(yè)技術(shù)。當(dāng)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(gè)定義，我覺得應(yīng)該達(dá)到如下幾點(diǎn)：

（1）低延遲。只有低延遲，才能讓通話的雙方有很強(qiáng)的Realtime的感覺。當(dāng)然，這個(gè)主要取決于網(wǎng)絡(luò)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。

（2）背景噪音小。

（3）聲音流暢、沒有卡、停頓的感覺。

（4）沒有回音。

      下面我們就逐個(gè)說說實(shí)際網(wǎng)絡(luò)語音對話系統(tǒng)中額外用到的技術(shù)。

 1.回音消除 AEC

      現(xiàn)在大家?guī)缀醵家呀?jīng)都習(xí)慣了在語音聊天時(shí)，直接用PC或筆記本的聲音外放功能。殊不知，這個(gè)小小的習(xí)慣曾為語音技術(shù)提出了多大的挑戰(zhàn)。當(dāng)使用外放功能時(shí)，揚(yáng)聲器播放的聲音會被麥克風(fēng)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(shí)際應(yīng)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(gè)間隙，是回音消除模塊工作的時(shí)機(jī)。     

      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(yùn)算，從而將回聲從采集幀中清除掉。這個(gè)過程是相當(dāng)復(fù)雜的，而且其還與你聊天時(shí)所處的房間的大小、以及你在房間中的位置有關(guān)，因?yàn)檫@些信息決定了聲波反射的時(shí)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(yīng)當(dāng)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(diǎn)，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(luò)抖動的問題。所謂網(wǎng)絡(luò)抖動，就是網(wǎng)絡(luò)延遲一會大一會小，在這種情況下，即使發(fā)送方是定時(shí)發(fā)送數(shù)據(jù)包的（比如每100ms發(fā)送一個(gè)包），而接收方的接收就無法同樣定時(shí)了，有時(shí)一個(gè)周期內(nèi)一個(gè)包都接收不到，有時(shí)一個(gè)周期內(nèi)接收到好幾個(gè)包。如此，導(dǎo)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(shí)，從JitterBuffer中取出最老的一幀進(jìn)行播放。     

      JitterBuffer的緩沖深度取決于網(wǎng)絡(luò)抖動的程度，網(wǎng)絡(luò)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?yàn)橄啾嚷曇粢豢ㄒ豢▉碚f，稍大一點(diǎn)的延遲但更流暢的效果，其主觀體驗(yàn)要更好。

      當(dāng)然，JitterBuffer的緩沖深度不是一直不變的，而是根據(jù)網(wǎng)絡(luò)抖動程度的變化而動態(tài)調(diào)整的。當(dāng)網(wǎng)絡(luò)恢復(fù)到非常平穩(wěn)通暢時(shí)，緩沖深度會非常小，這樣因?yàn)镴itterBuffer而增加的播放延遲就可以忽略不計(jì)了。

4.靜音檢測 VAD

      在語音對話中，要是當(dāng)一方?jīng)]有說話時(shí)，就不會產(chǎn)生流量就好了。靜音檢測就是用于這個(gè)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(jié)合前面的噪聲抑制算法，可以識別出當(dāng)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(gè)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(gè)人在發(fā)言，這種情況下，利用靜音檢測技術(shù)而節(jié)省帶寬還是非常可觀的。

5.混音算法

      在多人語音聊天時(shí)，我們需要同時(shí)播放來自于多個(gè)人的語音數(shù)據(jù)，而聲卡播放的緩沖區(qū)只有一個(gè)，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(shí)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(jìn)行，也可以在服務(wù)端進(jìn)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(jìn)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(gè)環(huán)節(jié)。

      綜合上面的概念模型以及現(xiàn)實(shí)中用到的網(wǎng)絡(luò)語音技術(shù)，下面我們給出一個(gè)完整的模型圖：

        本文是我們在實(shí)現(xiàn)OMCS語音部分功能的一個(gè)粗略的經(jīng)驗(yàn)總結(jié)。在這里，我們只是對圖中各個(gè)環(huán)節(jié)做了一個(gè)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(luò)語音系統(tǒng)開發(fā)的人提供一個(gè)入門的地圖，給出一些線索。