年初因?yàn)楣ぷ餍枰�，開始學(xué)習(xí)WebRTC，被其復(fù)雜的編譯環(huán)境和巨大的代碼量所折服，注定是一塊難啃的骨頭。俗話說萬(wàn)事開頭難，堅(jiān)持一個(gè)恒心，終究能學(xué)習(xí)到WebRTC的設(shè)計(jì)精髓。
今天和大家聊聊WebRTC中音頻的那些事。WebRTC由語(yǔ)音引擎，視頻引擎和網(wǎng)絡(luò)傳輸三大模塊組成，其中語(yǔ)音引擎是WebRTC中最具價(jià)值的技術(shù)之一，實(shí)現(xiàn)了音頻數(shù)據(jù)的采集、前處理、編碼、發(fā)送、接受、解碼、混音、后處理、播放等一系列處理流程。
音頻引擎主要包含：音頻設(shè)備模塊ADM、音頻編碼器工廠、音頻解碼器工廠、混音器Mixer、音頻前處理APM。
音頻工作機(jī)制
想要系統(tǒng)的了解音頻引擎，首先需要了解核心的實(shí)現(xiàn)類和音頻數(shù)據(jù)流向，接下來(lái)我們將簡(jiǎn)單的分析一下。
音頻引擎核心類圖
音頻引擎WebrtcVoiceEngine主要包含音頻設(shè)備模塊AudioDeviceModule、音頻混音器AudioMixer、音頻3A處理器AudioProcessing、音頻管理類AudioState、音頻編碼器工廠AudioEncodeFactory、音頻解碼器工廠AudioDecodeFactory、語(yǔ)音媒體通道包含發(fā)送和接受等。
- 音頻設(shè)備模塊AudioDeviceModule主要負(fù)責(zé)硬件設(shè)備層，包括音頻數(shù)據(jù)的采集和播放，以及硬件設(shè)備的相關(guān)操作。
- 音頻混音器AudioMixer主要負(fù)責(zé)音頻發(fā)送數(shù)據(jù)的混音（設(shè)備采集和伴音的混音）、音頻播放數(shù)據(jù)的混音（多路接受音頻和伴音的混音）。
- 音頻3A處理器AudioProcessing主要負(fù)責(zé)音頻采集數(shù)據(jù)的前處理，包含回聲消除AEC、自動(dòng)增益控制AGC、噪聲抑制NS。APM分為兩個(gè)流，一個(gè)近端流，一個(gè)遠(yuǎn)端流。近端（Near-end）流是指從麥克風(fēng)進(jìn)入的數(shù)據(jù)；遠(yuǎn)端（Far-end）流是指接收到的數(shù)據(jù)。
- 音頻管理類AudioState包含音頻設(shè)備模塊ADM、音頻前處理模塊APM、音頻混音器Mixer以及數(shù)據(jù)流轉(zhuǎn)中心AudioTransportImpl。
- 音頻編碼器工廠AudioEncodeFactory包含了Opus、iSAC、G711、G722、iLBC、L16等codec。
- 音頻解碼器工廠AudioDecodeFactory包含了Opus、iSAC、G711、G722、iLBC、L16等codec。
音頻的工作流程圖
- 發(fā)起端通過麥克風(fēng)進(jìn)行聲音采集
- 發(fā)起端將采集到的聲音信號(hào)輸送給APM模塊，進(jìn)行回聲消除AEC，噪音抑制NS，自動(dòng)增益控制處理AGC
- 發(fā)起端將處理之后的數(shù)據(jù)輸送給編碼器進(jìn)行語(yǔ)音壓縮編碼
- 發(fā)起端將編碼后的數(shù)據(jù)通過RtpRtcp傳輸模塊發(fā)送，通過Internet網(wǎng)路傳輸?shù)浇邮斩?/li>
- 接收端接受網(wǎng)絡(luò)傳輸過來(lái)的音頻數(shù)據(jù)，先輸送給NetEQ模塊進(jìn)行抖動(dòng)消除，丟包隱藏解碼等操作
- 接收端將處理過后的音頻數(shù)據(jù)送入聲卡設(shè)備進(jìn)行播放
NetEQ模塊是Webrtc語(yǔ)音引擎中的核心模塊
在 NetEQ 模塊中，又被大致分為 MCU模塊和 DSP 模塊。
MCU 主要負(fù)責(zé)做延時(shí)及抖動(dòng)的計(jì)算統(tǒng)計(jì)，并生成對(duì)應(yīng)的控制命令。
而 DSP 模塊負(fù)責(zé)接收并根據(jù) MCU 的控制命令進(jìn)行對(duì)應(yīng)的數(shù)據(jù)包處理，并傳輸給下一個(gè)環(huán)節(jié)。
音頻數(shù)據(jù)流向
根據(jù)上面介紹的音頻工作流程圖，我們將繼續(xù)細(xì)化一下音頻的數(shù)據(jù)流向。將會(huì)重點(diǎn)介紹一下數(shù)據(jù)流轉(zhuǎn)中心AudioTransportImpl在整個(gè)環(huán)節(jié)中扮演的重要角色。
數(shù)據(jù)流轉(zhuǎn)中心AudioTransportImpl實(shí)現(xiàn)了采集數(shù)據(jù)處理接口RecordDataIsAvailbale和播放數(shù)據(jù)處理接口NeedMorePlayData。
RecordDataIsAvailbale負(fù)責(zé)采集音頻數(shù)據(jù)的處理和將其分發(fā)到所有的發(fā)送Streams。
NeedMorePlayData負(fù)責(zé)混音所有接收到的Streams，然后輸送給APM作為一路參考信號(hào)處理，最后將其重采樣到請(qǐng)求輸出的采樣率。
RecordDataIsAvailbale內(nèi)部主要流程：
- 由硬件采集過來(lái)的音頻數(shù)據(jù)，直接重采樣到發(fā)送采樣率
- 由音頻前處理針對(duì)重采樣之后的音頻數(shù)據(jù)進(jìn)行3A處理
- VAD處理
- 數(shù)字增益調(diào)整采集音量
- 音頻數(shù)據(jù)回調(diào)外部進(jìn)行外部前處理
- 混音發(fā)送端所有需要發(fā)送的音頻數(shù)據(jù)，包括采集的數(shù)據(jù)和伴音的數(shù)據(jù)
- 計(jì)算音頻數(shù)據(jù)的能量值
- 將其分發(fā)到所有的發(fā)送Streams
NeedMorePlayData內(nèi)部主要流程：
1.混音所有接收到的Streams的音頻數(shù)據(jù)
1.1 計(jì)算輸出采樣率CalculateOutputFrequency（）
1.2 從Source收集音頻數(shù)據(jù)GetAudioFromSources（）,選取沒有mute，且能量最大的三路進(jìn)行混音
1.3 執(zhí)行混音操作FrameCombiner::Combine（）
2.特定條件下，進(jìn)行噪聲注入，用于采集側(cè)作為參考信號(hào)
3.對(duì)本地伴音進(jìn)行混音操作
4.數(shù)字增益調(diào)整播放音量
5.音頻數(shù)據(jù)回調(diào)外部進(jìn)行外部前處理
6.計(jì)算音頻數(shù)據(jù)的能量值
7.將音頻重采樣到請(qǐng)求輸出的采樣率
8.將音頻數(shù)據(jù)輸送給APM作為一路參考信號(hào)處理
由上圖的數(shù)據(jù)流向發(fā)現(xiàn)，為什么需要FineAudioBuffer和AudioDeviceBuffer？
因?yàn)閃ebRTC 的音頻流水線只支持處理 10 ms 的數(shù)據(jù)，不同的操作系統(tǒng)平臺(tái)提供了不同的采集和播放時(shí)長(zhǎng)的音頻數(shù)據(jù)，不同的采樣率也會(huì)提供不同時(shí)長(zhǎng)的數(shù)據(jù)。
例如iOS上，16K采樣率會(huì)提供8ms的音頻數(shù)據(jù)128幀；8K采樣率會(huì)提供16ms的音頻數(shù)據(jù)128幀；48K采樣率會(huì)提供10.67ms的音頻數(shù)據(jù)512幀。
AudioDeviceModule 播放和采集的數(shù)據(jù)，總會(huì)通過 AudioDeviceBuffer 拿進(jìn)來(lái)或者送出去 10 ms 的音頻數(shù)據(jù)。
對(duì)于不支持采集和播放 10 ms 音頻數(shù)據(jù)的平臺(tái)，在平臺(tái)的 AudioDeviceModule 和 AudioDeviceBuffer 還會(huì)插入一個(gè) FineAudioBuffer，用于將平臺(tái)的音頻數(shù)據(jù)格式轉(zhuǎn)換為 10 ms 的 WebRTC 能處理的音頻幀。
在AudioDeviceBuffer 中，還會(huì)10s定時(shí)統(tǒng)計(jì)一下當(dāng)前硬件設(shè)備過來(lái)的音頻數(shù)據(jù)對(duì)應(yīng)的采樣點(diǎn)個(gè)數(shù)和采樣率，可以用于檢測(cè)當(dāng)前硬件的一個(gè)工作狀態(tài)。
音頻相關(guān)改動(dòng)
- 音頻Profile的實(shí)現(xiàn)，支持Voip和Music 2種場(chǎng)景，實(shí)現(xiàn)了采樣率、編碼碼率、編碼模式、聲道數(shù)的綜合性技術(shù)策略。iOS實(shí)現(xiàn)了采集和播放線程的分離，支持雙聲道的播放。
- 音頻3A參數(shù)的兼容性下發(fā)適配方案。
- 耳機(jī)場(chǎng)景的適配，藍(lán)牙耳機(jī)和普通耳機(jī)的適配，動(dòng)態(tài)3A切換適配。
- Noise_Injection噪聲注入算法，作為一路參考信號(hào)，在耳機(jī)場(chǎng)景的回聲消除中的作用特別明顯。
- 支持本地伴音文件file和網(wǎng)絡(luò)伴音文件http&https。
- Audio Nack的實(shí)現(xiàn)，提高音頻的抗丟包能力，目前正在進(jìn)行In-band FEC。
- 音頻處理在單講和雙講方面的優(yōu)化。
- iOS在Built-In AGC方面的研究：
�。�1）Built-In AGC對(duì)于Speech和Music有效，對(duì)于noise和環(huán)境底噪不會(huì)產(chǎn)生作用。
（2）不同機(jī)型的麥克風(fēng)硬件的增益不同，iPhone 7 Plus > iPhone 8 > iPhone X;因此會(huì)在軟件AGC和硬件AGC都關(guān)閉的情況下，遠(yuǎn)端聽到的聲音大小表現(xiàn)不一樣。
�。�3）iOS除了提供的可開關(guān)的AGC以外，還有一個(gè)AGC會(huì)一直工作，對(duì)信號(hào)的level進(jìn)行微調(diào)；猜想這個(gè)一直工作的AGC是iOS自帶的analog AGC，可能和硬件有關(guān)，且沒有API可以開關(guān)，而可開關(guān)的AGC是一個(gè)digital AGC。
�。�4）在大部分iOS機(jī)型上，外放模式“耳機(jī)再次插入后”，input的音量會(huì)變小。當(dāng)前的解決方案是在耳機(jī)再次插入后，增加一個(gè)preGain來(lái)把輸入的音量拉回正常值。
音頻問題排查
和大家分享一下音頻最常見的一些現(xiàn)象以及原因：
以上就是我關(guān)于語(yǔ)音引擎的一些分享，歡迎大家留言與我探討。
