IP通信中音频编解码技术与抗丢包技术概要

此文较长，建议收藏起来看。

一、一个典型的IP通信模型

二、Server2Server技术分类

Server2Server这块也是一个专门的领域，这里只简单分个类。

1、同一国家相同运营商之间：

同一运营商之间也有丢包，在铁通，鹏博士等运营商中尤甚。并且在晚高峰的时候表现更加突出。

2、同一国家不同运营商之间：

在很多时候，由于运营商之间的结算和有限带宽的问题。运营商之间的网络不稳定。

3、不同国家之间：

同一个国家都这么多问题，不同国家的问题回更复杂，在不同的国家要选择好的机房，实时选择实时监控。比如以下地方。以下地区，我们端到端延时平均为157ms。

• 中美，中欧
• 东亚：中，日本，韩国，台湾
• 其他地区：拉丁美洲，印度，菲律宾，泰国，南非，中东

三、Server2Device——Lastmile技术简介

我们在公网做实时音视频服务，丢包对抗是少不了的。

首先我们定义下什么是丢包：没按时到的包就是丢包。一个包应该在某个时间点到，但它晚到了，即使来了但是晚了，也叫丢包。因为播放的这段时间已经过去了，即使放了，体验也不好。从整个网络上看，丢包一定有时限，否则，都通过反复重传方法，一定能送达一个包。

Server到达device这块还可以分以下两种通路。

1、Server经过基站到Device

可以分为以下几种情况：

• 不同类型的基站：3G/4G,TD和WDCDMA就不一样。
• 相同类型的基站不同的地点：北京联通推出流量包月下行最高150kbps的服务
• 相同基站相同地点不同时间：球赛，运动会，热点聚集区附近的基站
• 不同国家的基站:中国的WCDMA和印度的WCDMA和美国的WCDMA

2、Server经过家用路由器到Device

2.4G路由和5G路由，2.4G路由覆盖面积广，但是2.4G频段很脏，容易干扰和丢包。5G路由相对好些，但是覆盖面积小。并且在公司内部，会有多个路由，很多人连一个路由。竞争严重，有时网络丢包会很高。并且有些路由器是有bug的，比如小米路由的梳状抖动模型。

四、Device技术简介

AVDM，AVPM，AVCM，AVNM

1、AVDM(Audio Video Device Module)：

AVDM是主要针对device的播放，录音录像端做处理的模块。不同的平台会有不同的驱动和录音录像需求，比如XP、Vista、win7、win8。我们不能一概而论的统一选择dshow甚至是waveout来播放还是录音。在移动端、iOS、安卓，安卓本身也有java和opensles两种录音方法，并且还有一系列的配置参数。比如用什么样的参数能录立体声，关闭手机自带处理，录高音质声音，延时低等等。和device相关的还有就是硬件能力：GPU、CPU的能力，对于视频而言，不同的CPU能支持怎么样的视频编解码能力输出。

2、AVPM(Audio Video Processing Module)

AVPM在视频上指美颜、降噪。音频的一般前后后处理包括3A引擎、AEC、ANS、AGC、混音、加混响（音乐直播）、去混响（会议模式）。是否应该用GPU，什么情况下应该用GPU。用GPU是为了省电还是运算快？

3、AVCM(Audio Video Coding Module)

编解码器的选择和处理，视频包括是选择VP8、VP9，还是选择264、265，是用硬件还是用软件，是否涉及专利问题。选择硬件会遇到什么问题，选择软件会遇到什么问题，为什么用硬件会遇到很多参数不能配置的问题。是否需要和硬件厂商配合。安卓碎片化导致的硬件支持问题。高通的硬件支持有什么问题，mtk的硬件支持有什么特点。硬件支持是否还要交专利费。

4、AVNM

音视频的JitterBuffer，FEC，PLC，BWE。
Jitterbuffer主要是为了对抗网络抖动，对不熟悉Jitterbuffer的人，早期我们经会听到一种理解，jitter为什么不拉大啊？另外jitterbuffer的设计也是要结合更多的输入才能更好发挥作用。

BWE：带宽估计，用于估计网络的带宽，以便实时调整。但是这里会有两种估计模型，基于RTT和基于丢包，如何选择？

以上每个点都能讲或者写很多内容，本文只做简单梳理、点到为止，以后再做专题分析。

五、IP通信的几种结构

1. 1v1的双工通信结构（交互）：最简单的一对一通信，要做好也不容易。
2. MxM的全双工通信结构（交互）: 小型会议。（这块要注意，在移动设备上首先要移动设备的尺寸问题，展示方法和技术要求也有不同，比如多人会议时会有多种layout可能，一大N小，平均分屏）。
3. 1xN的单工通信结构（直播）
4. MxMxN的单双工混合结构（交互直播）
5. N的短延时方案，随时交互
6. N的长延时方案，永不交互（9158实际在比较早的时候就实现了这种技术）。

六、音频编解码器选择与丢包对抗方法介绍

前面概述了基本网络模型和一些技术需求点，下面我针对本次重点做个分享：编解码器的选择和抗丢包技术。这两项技术对整个通信网络都有影响，在不同的网络条件下选择方法也不同。但一般来说，正确的选择编解码器和对应的抗丢包技术对Lastmile和端到端的音频质量影响最大。VOIP通信很早就有了，在不同的时代，我们选择了不同的编解码器实现对音频的传输，我们通常会做下面的分类。

1、VOIP通信中Codec选择的几个时代。

1）ITU Gxxx时代：G711，G722，G723.1，G729ab等等

G711主要用在移动通信基站和基站之间的包交换网络中，并且在有些提供VOIP服务的监控摄像头上使用。64kbps，8khz压缩。

G722系列包括G722,G722.1,G722.2。是针对WB，16khz和SWB 32khz的压缩算法。比较著名的是G722.1 也就是Polycom的Siren Codec，他的特点语音编解码为数不多的频域编码框架，不仅对语音支持比较好，对音乐支持也还可以。在Polycom的VOIP设备中通常支持该编解码器。

G722.2就是AMR-WB+，是32khz语音编解码器，同时支持音乐编码，是AMR-WB的超宽带版本，但是由于他前向兼容AMR系列的框架，内核选择了CELP编解内核，对音乐编码有先天的问题

2）AMRNB/WB，Speex，ILBC/ISAC，SILK时代

AMR系列：作为8kbps~12kbps的语音编解码器，在一段时间内，质量是不错的，毕竟他是WCDMA和TDCDMA标准选择的语音编解码器。也通过3GPP标准开源。在有一段时间Yy语音和QTalk，微信语音留言都使用了AMR编解码器。但是他的问题是，有专利费，固定比特率。抗丢包性能一般。

• Speex：Speex是由Jean Marc Valin（也是CELT的主要发明人）开发的编解码器，特点是免专利费，开源。支持宽带超宽带。缺点是这个编解码器可能是为了避开专利，并且受限于很多因素，编码质量并不好。无论是窄带宽带超宽带，对抗丢包，质量都很一般。但是这也是站在今天的角度看当时的技术，并且在当时能够提供免专利费的全频带，低速率（16kbps左右）语音编解码器确实没有，可以说，Speex填补了空白。并且Speex有一个显著特点是，Speex实际上不是一个编解码器，是一个音频处理集。包括AGC，AEC，ANS。可以完整的应用在一个VOIP通信系统中，并且他的AEC的自适应滤波部分做的相当不错，在PC上可以拿来使用。
• ILBC和ISAC：ILBC编解码器是GIPS（WebRTC前身）第一个开源出来的编解码器。8khz，13.3kbps。窄带编解码器。他的特点是，抗丢包性好。信源编码的基础是去冗余，信道编码的基础是加冗余。去冗余的弊端就是抗丢包差，所以ILBC反其道行之，减少帧间冗余的压缩，增加每个帧独立性，使得当发生丢包的时候，丢包对抗效果好。ILBC在部分呼叫中心公司有广泛应用。ISAC是在GIPS被收购之后伴随WebRTC开源的编解码器，他的特点是支持16khz，24khz，32khz。支持带宽估计（这是很多语音编解码器不具备的）。并且他不是基于CELP框架，使用了频域编码框架+格型编码+算数编码的框架。具有一定特殊性。ISAC继承了ILBC的抗丢包优点，但是缺点也相当突出，由于用了频域编码器，高频语音编码效果不好，听起来有金属音，PESQ-WB MOS分低。
• SILK：SILK面世时代比较晚，是以上编解码器中最晚开发一个编解码器。他的发明人是Ken Vos，也是ILBC，ISAC的主要开发者。Ken VOS在离开GIPS之后去了高通，为高通开发了一个宽带编解码器。然后到Skype为Skype开发SILK。Skpye有一段时间也是使用GIPS的方案，用ILBC和ISAC。后面自己开发Codec，他们第一个自己的Codec是VSOPC(好像，这里缺一个wiki的链接)。但是质量很差，用户抱怨。故请来了Vos开发SILK。Vos又在Skpye尝试新框架，Vos的SILK使用了预测加噪声整形的混合框架（第一使用类似框架的是Broadcom的BV16，BV32编解码器）。使用STP+LTP+STNS+LTNS两层后反馈嵌套（BV16和BV32是一个前馈+一个后馈，这里差图和wiki链接）。并且引入Delay Decision量化搜索方法，使得标量量化具有矢量量化的性能指标。可以说SILK的质量是非常好的一个编解码器。（这里差一个表），无论主观还是客观。虽然他充分挖掘相关性，但由于做到极致和非常完美，使得在丢包对抗上有一定帮助。并且他开发了RED辅助编码算法，提高他的抗丢包能力。

我个人，是非常推荐初级和中级算法工程师仔细阅读SILK编解码器，代码质量好（EE工程师中少见），并且用了很多基础算法，很多小技巧，甚至包括自动控制理论。对提升自己的能力很有帮助。

3）Opus/EVS时代

Opus在2012年横空出世，按照官网的说法，opus比HEAAC好，并给了一些demo。但事实真的是这样吗，Opus是由SILK+CELT混合的编码器，学术上的叫法叫做USAC，Unify Speech and Audio Coding。这点，EVS也是。意思是不区分音乐语音的编解码器。这个编解码器内有个一Music detector去判断当前帧是语音还是音乐，语音选择语言框架编码，音乐选择音乐框架编码（注意目前还没有统一框架，原因是框架一般是人体生理模拟，因为人有两个声学器官，嘴和耳朵，所以语音是针对声带，口腔，鼻腔见面，音乐是根据人耳朵结构的时间掩蔽，频域掩蔽，双耳暗示效益编码）。所以，Opus适合电台这种音乐语音混合编码器。但是由于Opus的音乐编码CELT的质量并不突出，所以Opus在双声道低速率（24kbps~32kbps左右）效果并不突出。在网站上的demo缺少钢琴，爵士，摇滚的demo。更多是流行音乐和民谣。高频分量相对弱些。但如果使用Opus有以下要注意事情，音频码率高些，不要限制编码器的模式。另外高通宣称有OPUS专利，来自大神Ken VOS。
EVS 主要是VoiceAge公司，Dolby公司，Fraunhofer，华为（北京苗磊兄弟，羡慕你们）联合开发的USAC编码器（这里面也有故事，和技术无关，我就不八卦了），低速率音乐编码器质量很好，源自dolby和Fraunhofer的HEAACv2技术。但是问题是，目前没有高效的嵌入式系统可用的编码器，不支持双声道，专利费不便宜哦。主要计划用在未来的VoLTE中（华为又要收苹果钱了哦）。

2、直播中Codec选择

1）AAC系列与Opus
没什么好说的，音乐电台可以选择Opus，主流的还是AAC，注意，建议立体声使用HE-AACv2，单声道选择HE-AACv1。而不是一般的AAC。HE-AACv1 = AAC + SBR,HE-AACv2 = HE-AACv1+ PS.
AAC的合理编解码质量是在双声道64kbps~128kbps（商用编解码器和标准参考代码是不一样质量的，请区分）。HE-AACv1的合理编解码器区间是双声道40kbps~64kbps。HE-AACv2的合理编解码器区间是双声道24kbps到48kbps。

3、丢包对抗的几种办法

1）重传：

传统物理信道传输中，无论是802.11还是3g/4g标准，本身就包含物理层重传机制，在IP信道中，重传也是非常有效的方法。
优点：节省带宽，按需重传。
约束条件，RTT时间短

2）FEC：

FEC有很多种，主要特点是主动抗丢包，通过增加冗余数据实现抗丢包效果。缺点是浪费带宽。一般的说，只有在丢包大于10%的时候才使用FEC。FEC技术有以下分类方法。

• 不分级的FEC
• 信源FEC
• Inband FEC
• Outband FEC
• 信道FEC
• Read SolomonCode
• DigitalFountain Code
• 分级的FEC
• PLC

PLC的意义在于当FEC和重传之后还无法恢复的时候，通过信号处理的方法对丢失的数据进行补偿。

分类：

• 插0法：所谓插0法就是在丢包的位置全添0.
• 预测法，插值法，快慢放（注意，快慢放有副作用，大家不愿意接受这种做法）

• 基于编解码模型的PLC方法

  • 特点：被动抗丢包。
  • 优点：灵活不占带宽
  • 缺点：根据编解码器的类型，对抗能力有限

对低压缩比的编解码器，可以做到比较高的抗丢包效果。对高压缩比的编解码器，一般看丢包能力在5%以下。

• 高级PLC算法，盲宽带带宽扩展(BWE)，就是把8Khz拓展到16Khz。

七、WebRTC

Webrtc的缘来：WebRTC的前身是GIPS，在GIPS被Google收购之后，google选择将GIPS的源代码开源。但是其实不是全部。只能说绝大部分已经开源。
##1、Webrtc适用于什么条件
包装开发，满足1对1，P2P，Iphone 通信，对质量没有啥要求
二次开发，抽取webrtc的好的部分，自己开发，但是工作量很大
##2、Webrtc的问题

1）P2P的问题

WebRTC使用的是P2P的方法进行网络传输，并宣称保密性好。P2P在通信中Skype使用的比较早，有人曾经在网上分析过Skype全球有21个节点。其余都用P2P传输。但是这个前提是当时Skype大部分是基于PC+LAN/WIFI网络。适用于一对一通信，容易穿透，用户流量没限制，CPU稳定。而在Skype向手机普及，在无线网上提供VOIP服务的时候，增加了大量服务器路由。
缺点：占用别人流量，不适合在多人通信中，要求网络稳定。
优点：适用于demo。

2）Lastmile的问题

在lastmile对抗上，webrtc的对抗过于死板，缺少对现网的监控与反馈，虽然在webrtc内部有大量的不错的算法，但是缺少有机适用，比如，有些参数还是针对有线网设计的参数。

3）Device 的回声消除

安卓的碎片化，和回声消除的固有特点使得WebRTC在移动端无法满足让所有机型都处理的很好。

4）如果你想用webrtc开发你要做什么

架设服务器，监控，运维，客服。

Lastmile网络对抗，自己做策略AVNM，前面描述了很多种网络状态，要靠单一的方法是无法满足全面做好，需要复杂的数据挖掘，分析，整理再反馈网络策略参数调整才可以完成。
端的AV-D/C/P/-M算法，自己要做AV的硬件机型配置，选择和改进。需要在安卓机型做大量的回声消除算法改进。

【本文作者】
高泽华，11年音乐语音编解码学习经验。理解几十种音频编解码标准。先后在中磊电子、士兰微电子、虹软科技主导音频项目。任职YY期间负责语音音频技术工作。对音频算法在芯片设计、嵌入式系统、桌面软件。在互联网应用和专利分析方面有多年研发经验和积累。目前负责声网Agora.io的音频开发工作。