基于Speex语音引擎的VoIP系统设计与实现VOIP related 2010-04-02 17:06:07 阅读330 评论2 字号：大中小 订阅 摘要：论述了一套基于Speex语音引擎和RTP的VoIP系统设计和开发，介绍了该系统服务器端和客户机端的软件实现。该系统具有点对点通信、算法延时小、丢包补偿和延时补偿性能好等特点，并具有多方通话功能。性能对比实验表明，该系统的通话质量优于几套流行的开源VoIP软件，能满足实际应用的要求。
关键词：基于IP网络的语音传输； Speex； 实时传输协议； 多方通话 中图分类号：TP393文献标志码：A 文章编号：1001-3695(2007)12-0320-04 网络电话VoIP[1]是基于IP网络的语音传输技术，它将语音的模拟信号转换成数字信号并在Internet上进行传输。简单地说，它是首先通过一连串的A/D转换、编码、压缩、打包等程序来处理语音信号，并将语音数据在 IP网络上传输到目的端，然后再经由相反的一连串程序，将语音数据还原成原来的语音信号播放给接听者。VoIP目前已被广泛地应用于全球IP互联的 Internet环境中。它与模拟语音通信系统相比具有抗干扰性强、保密性好、易于集成、成本低廉等特点，并可开发出更多的增值业务。然而，IP网络的语音传输质量成为制约VoIP发展的瓶颈。基于分组交换的IP网络使得VoIP系统存在分组延迟、延迟抖动、丟包等问题，使得用户听到的话音会出现不连贯甚至中断的现象。现有的VoIP系统还难以实现高质量的实时语音通信。如何提高语音通信质量是近年来VoIP技术研究的一个重要课题。 Speex[2，3]是近年来开发出的一套功能强大的语音引擎，能够实现高质量和低比特率的编码。它不仅提供了基于码激励线性预测（CELP）算法的编/解码模块，而且在其最新发布的版本中还提供了声音预处理和声学回声消除模块，为保障IP网络中的语音通信质量提供了技术手段。此外，Speex 还具有压缩后的比特率低（2~44 kbps）的特点，并支持多种比特率。这些特点使得Speex特别适合VoIP的系统。 伴随着VoIP应用的热潮，目前国内外出现了很多关于VoIP的系统实现，但是大多数系统设计均是基于直接使用IP地址进行呼叫。这就存在一些弊端，如呼叫方必须事先知道对方的IP地址，而这无形中降低了系统的可用性。本文在Speex和RTP（实时传输协议）[4]的基础上，论述了一套基于客户机/服务器模式的VoIP系统的设计与开发。该系统克服了上述弊端，提高了VoIP系统的友好性和可推广性。经过实验测试，本系统即使在网络条件较差的情况下，也能达到较好的语音通信效果，而且支持3~5人的多方通话。 1Speex概述 Speex是近年来开发出的一种基于码激励线性预测算法的开源软件语音引擎。它主要面向Internet上的语音通信。其主要设计目标是为了提供高质量和低比特率的语音编码。Speex编码支持多种比特率，如8 kHz采样的低比特率（窄带2．15~24．6 kbps）、16 kHz采样的中比特率（宽带3．95~42．2 kbps）以及32 kHz采样的高比特率（ultra－wideband）。Speex提供了大多数别的编/解码器所不具备的技术性能，主要包括：可以在同一个比特流中对语音信号实现窄带（8 kHz）、宽带（16 kHz）和超宽带（32 kHz）的压缩；支持声音强度的立体声编码；具有丢包补偿能力；具有可变比特率（variable bitrate，VBR）特性，编/解码器可以在任意时刻动态地改变语音的比特率；能实现语音活动检测（voice activity detection，VAD）；能实现声音的DTX（discontinuous transmission，不连续传输），当背景噪声稳定时，可以完全停止声音数据包的传送；具有语音处理的定点数计算功能（正在开发中）；具有声学回声消除功能。 Speex除了编/解码模块外，还包括噪声消除、静音抑制和自动增益控制等预处理模块以及回声消除模块。正是由于其完备的功能和优良的性能，Speex受到了许多VoIP开发者的关注。2006年9月发布的最新版本Speex 1．2 beta1在声音处理性能上得到了进一步的改善。语音编码和解码的质量有了明显的提高。软件运行时的内存使用有了大幅度的降低，定点计算情况下窄带编/解码的内存开销下降为不到原来的一半，只需占用不到6 KB的RAM空间，而且CPU的占用率也有了下降，使Speex在诸如PDA等便携式语音通信设备中的应用成为可能。 Speex提供了一系列调用其各个功能模块的API，使得开发者可以很方便地使用这些功能模块来进行VoIP系统的编程开发。各模块的 API在文献[3]中有详细描述。在新版本的Speex中，回声消除模块的API有了改进，开发者能更方便地调用这个模块。此外，抖动缓冲区（jitter buffer）模块不再专门针对Speex编码，从而可以应用于其他编码格式的系统。这些特点都为Speex在VoIP系统中的应用奠定了基础。 2系统的功能模块结构 本文所述的VoIP系统采用Speex编码。整个系统由服务器端和客户端两部分构成。系统总体框架如图1所示。 数据库服务器上保存了所有已注册用户的资料。每个用户首先要通过客户端登录到服务器上，并获取在线好友的列表，然后才能对在线的好友进行语音呼叫。客户端之间的通话采用点对点的方式进行。这就避免了由于语音包经过服务器中转所造成的过大延迟。 2．1服务器端的设计与实现 服务器端除了需要维护一个数据库以保存用户信息外，还要对各个客户端进行指挥和管理。 服务器一旦启动服务，则开始侦听用户请求。服务器收到客户端发来的消息时，首先，发回确认信息；然后，建立一个独立线程来处理接收到的数据。在此线程中，按照接收到数据的类别进行相应的处理。如有需要，服务器会向用户发送处理的结果，成功或失败的消息。处理完毕，此线程结束。这样，可以实时接收每个用户的请求，不会因为处理某一个用户的请求，而忽略了其他用户。服务器端的工作流程如图2所示。 2．2客户端的设计与实现 客户端的功能可以分为两部分：一部分是与服务器端进行交互，从服务器上获取相关信息；另一部分是完成不同客户端之间的点对点通话。其中第二部分是VoIP系统的核心。 客户端程序启动后，若有本地用户信息，则加载本地用户信息，并显示登录窗口；若没有，则显示用户注册窗口（在登录窗口中，也可以选择用户注册）。登录时，可选择是否隐身，并发送账号和密码到服务器进行验证，如正确则成功登录；否则失败。当成功登录进入系统后，服务器将发送用户的全部好友信息以及在线好友信息（包含好友的IP和端口号）。在好友列表中，在线者将以高亮度显示，并处在列表的顶部；不在线者将以灰色显示。如果有好友上线，系统会立即通知用户；好友下线，用户也可以在好友列表中看到。用户可以接收到好友发来的语音通话的请求，同时根据用户的操作，客户端可以向好友给出回应，接听或拒绝。系统还具有查看好友信息、查看在线用户、查找用户和修改个人信息等功能。若用户选择注册，在填写注册信息后，信息被发送到服务器；服务器登记用户注册信息后则会发送回由系统自动分配的账号；然后用户就可以成功登录系统。客户端的工作流程如图3所示。 本文原文 3点对点通话模型 最基本的VoIP系统应该包含录音模块、放音模块、编码模块、解码模块、接收模块和发送模块。本系统除了这些基本模块之外，还在编码之前增加了Speex的回声消除和预处理模块。 本系统的运行期结构（run－time architecture）由六个线程组成，如图4所示。其中录音线程负责从声卡采集声音数据并将其放到编码缓冲区中等待编码模块使用。编码线程每次从编码缓冲区中取出一帧数据进行Speex的回声消除、预处理以及编码，并将编码后的数据放入发送缓冲区。发送线程每次从发送缓冲区中取出编码后的数据进行打包（RTP包），并且发送给通话的另一方。接收线程负责从网络上接收对方发来的RTP语音包。由于每个RTP包头中有包的序号信息，接收线程依据包的序号把声音数据依次放入抖动缓冲区中，以达到正确排序和消除抖动的目的。解码线程负责从抖动缓冲区中取出接收到的语音数据进行Speex的解码运算，并将解码后的语音数据存入播放缓冲区。播放线程从播放缓冲区中取出语音数据，送至放音设备播放。 上述六线程的运行期结构能够使系统各模块具有高度的并行性。这对于VoIP这种实时性要求很高的应用来说十分重要。例如，当接收线程收到一个包后，它把解码的任务交给解码线程，然后又可以去等待或处理接收其他的数据包。因此对数据包的接收响应较快。 上述通话模型的实现采用了RTP和多方通话机制[5，6]。RTP是由IETF的AVT(Audio Video Transmission)小组开发的，1996年成为RFC正式文档，为IP网上语音、图像、传真等数据等多种需实施传输的媒体数据提供点到点和点到多点的端到端的传输功能。RTP实际上包含两个相关的协议——RTP和RTCP。前者用于传送实时数据；后者实现实时传输控制。RTP本身不提供任何保证实时传送数据和服务质量的能力，而只是提供负荷类型指示、序列号、时戳、数据源标志等信息，接收端根据这些信息重新恢复正确的数据。RTCP是用来提供 RTP数据传输质量反馈的，同时可以在会议业务中传送与会者的信息。 本系统采用了点对点的多方通话模型，即为每一个通话者都建立一个RTP会话，在语音通话前，要通过一条主RTP线路建立连接，它的端口被记录到服务器上。用户上线后，客户端可从服务器上获得各在线好友的RTP端口号。建立连接的过程主要是协调好双方将要在哪个端口上创建RTP会话进行通话。断开时，通过各自RTP的BYEPacket结束会话。建立连接的过程如图5所示；多方通话模型如图6所示。 图5中，主叫方先做好通话准备，并创建一个将用来与对方通话的RTP会话。把这个端口号加到呼叫包中周期性地发送出去，直到对方应答。被叫方收到呼叫包后，如果接收呼叫，就创建一个用来通话的RTP会话。同时从接收到的呼叫包中得到对方用来通话的RTP端口；然后把对方IP和这个端口所表示的RTP地址添加到组播地址（在单方通话时实际上是进行单播），并开始通话。主叫方用来通话的RTP会话第一次收到对方发来的RTP包时，也把对方的用来通话的RTP 地址加到组播地址，开始通话。当用户要结束通话时，客户端只要发送RTP提供的BYEPacket包即可结束通话。 在图6所示的多方通话模型中，录音线程每录完一帧后，就把这帧发给编码线程。在编码线程中，对语音帧进行Speex回声消除以及噪声消除、自动增益、静音抑制等预处理，并进行编码；然后将编码后的数据传送给发送线程。在发送线程中，有多个RTP会话；线程调用每个会话的 SendPacket()函数，向每个RTP会话方发送语音包。在接收线程中，每个RTP会话从各自的对话方接收语音包放入抖动缓冲区，经过Speex解码运算后，计时器周期性地从每个RTP会话的抖动缓冲区中取出一帧进行混音，然后播放。 RTP的接收反馈RTCP包内包含了近期内发送的数据包的丢失率。接收方在收到RTCP包后，通过丢包率就可以知道对方的接收情况，据此可以采取相应的丢包补偿措施。本系统能够根据丢包率适当地发送一些语音冗余包，保证了语音质量。 4系统测试 目前已有不少VoIP系统在Internet上获得了应用。Skype[7]最具代表性，并且是目前公认最好的商用VoIP系统。IHU[8]和NetTalk[9]则是具有代表性的开源VoIP系统。本系统在PC上进行了性能测试，并与上述几套系统进行了通话话音质量的对比实验。测试机器配置是Intel P4 1．8 GHz CPU，512 MB内存，操作系统为Windows XP。网络环境有两种：一种是在CERNET内进行通信；另一种是在CERNET与CHINANET间进行通信。测试结果如表1所示。 从表1中可以看出，在网络互联性能较好的情况下（在CERNET内通信），上述四种VoIP系统都能达到较好的通话效果。本系统的通话质量与Skype相比差距不大，只是音质上略逊于Skype。主要原因在于Skype采用了iLBC[10]编码方式，而iLBC的编码后比特率是13．3~15．2 kbps，明显高于Speex在8 kHz采样下的比特率。因此，Skype音质略优于本系统是以占用更多的带宽为代价的。本系统与IHU和NetTalk相比，优势相当明显，主要表现在本系统增加了回声消除和多方通话功能；另外，声音抖动的去除也做得相当好。在网络条件相对较差的情况下（在CERNET与CHINANET间进行通信），四种VoIP系统的通话质量均出现不同程度的下降。但是本系统与IHU和NetTalk相比，在声音质量上要好得多，而与Skype相比主要的不足表现在回声消除方面。本系统采用的是Speex语音引擎提供的回声消除模块，在网络延迟较小的情况下，具有比较明显的回声消除效果。但是实验表明，一旦网络延迟较大，Speex的回音消除效果往往不能令人满意。提高回声消除模块的性能是本系统需要进一步改进的地方。 5结束语 目前，基于IP网络的多媒体通信得到了迅猛的发展，特别是VoIP系统已日益成为Internet用户进行语音通信的主要手段。资费便宜以及 IP网络的广泛性和可伸缩性，使得VoIP成为一种可以替代传统的PSTN电话的通信方式。Speex是近年来出现的功能强大的开源语音引擎；RTP是协议是网络多媒体的核心协议之一。本文论述了一个基于Speex语音引擎和RTP的、客户机/服务器结构模式的VoIP系统的设计与开发。该系统采用客户机 /服务器模式克服了现有的多数VoIP系统只能直接用IP地址进行呼叫的缺陷，提高了VoIP系统的友好性和可推广性。另外，Speex提供的高质量、低比特率的编码算法以及声音预处理和回声消除功能使得本系统的通话质量优于其他的一些开源VoIP系统。在不同网络互联环境中对系统进行的测试表明，在网络延迟较小时，本系统回声消除效果明显，但是当网络延迟较大时，声学回声消除的效果还不能令人满意。进一步改善回声消除功能是本系统后续开发的主要任务。 |
|
|
