详解低延时高音质：丢包、抖动与 last mile 优化那些事儿

作者：声网Agora

2021 年 11 月 16 日
本文字数：3958 字
阅读完需：约 13 分钟

本篇是「详解低延时高音质系列」的第三篇技术分享。我们这次要将视角放大，从整个音频引擎链路的角度，来讲讲在时变的网络下，针对不同的应用场景，如何权衡音质和互动的实时性。

当我们在讨论实时互动场景下的低延时、高音质的时候，我们其实要面对的是从端到端整个音频引擎链路上的音质问题。我们在第一篇文章中，简单的描绘过一条音频传输的过程，如果在该基础上再进一步细化，音频引擎的整个链路包含以下各步骤：

1.采集设备对声学信号进行采样，形成计算机可操作的离散音频信号；

2.由于音频信号的短时相关性，将音频信号进行分帧处理，经过 3A 解决方案处理声学、环境噪音、回声、自动增益等问题；

3.编码器对音频信号进行实时压缩，形成音频码流；

4.根据 IP+UDP+RTP+Audio Payload 的格式组包后发送端将音频数据包发向网络，重组经过网络到达接收端的数据包；

5.经过抗抖缓存和解码器重建连续的音频流，播放设备将连续的音频流播放出来。

在以上不同的音频处理环节中，都会不可避免地对音频信号产生一些损伤。我们将上述因采集、播放而对音频信号引入的损伤称为「设备损伤」，在环节 2 引入的损伤称为「信号处理损伤」，在编码与解码过程中引入的称为「编码损伤」，环节 4 中的称为「网络损伤」。

如果要为用户提供全频带的高质量音频互动体验，就需要在上述的音频引擎链路支持全频带的处理，并在一些约束条件下（比如来自设备、网络带宽、声学环境等），将各个环节引入的损伤尽可能降低到最小。

当音频数据进入网络，它会遇到……

如果将网络视作信息的公路，那么音频数据包就像是一辆辆跑在公路上的车。这辆车从北京开到上海，途径的高速公路就是主干网络，崎岖山路就是弱网环境。假设每分钟都有一辆车从北京出发上路，那么他们会遇到三个实时传输中的常见问题：丢包、延时、抖动。

丢包

“丢包”指的是有的车无法在有效时间内无法达到终点，甚至可能永远也到不了终点。有的车可能永远堵在北京的三环上了，有的车可能中途出了车祸。假如我们的一百辆车里有五辆车因为各种原因没能按时到达上海，我们这次车队传输的“丢包率”就是 5%。是的，互联网传输也一样，它并不是百分百可靠的，总有数据无法按时传输到目的地。

延时

“延时”指的是每辆车从北京鸟巢开到上海的平均时间。显然，车队走高速公路肯定要比走各种小公路快很多，而且从鸟巢出发沿着怎样的路线开上高速公路也有很大影响，万一堵在了三环可就要多花好几个小时了。所以这个值和车队选择的行驶路线有关。互联网传输也是一样的道理，需要传输数据的两点之间经常是有很多可选路径的，而这些路径的延时往往相差很大。

抖动

“抖动”指的是车子到达的顺序、间隔和出发时的差异。虽然我们的一百辆车在北京是等间隔的一分钟一辆出发的，但是它们到达上海时却并不是按顺序一分钟一辆到达的，甚至可能有晚出发的车比早出发的车先到的情况。互联网传输也一样，如果简单地按照收到的音视频数据顺序直接播放出来，就会出现失真的现象。

总结来讲：

1.在网络上进行实时的音频交互，编码后的音频码流根据实时传输协议组装成数据包。其中数据包从发送端按照各自的路线经过网络前往接收端。

2.全球范围内，不同区域或者不同时间段，用户网络连接的服务质量有时非常差，且不可靠。

基于上述原因，数据包往往不是按准确的顺序到达接收端，而是在错误的时间以错误的顺序到达接收端，或数据包丢失等，这就会出现实时传输领域通常提到的问题：网络抖动（jitter），丢包（packet loss），延时（latency）。

丢包、延时、抖动，是基于互联网进行实时传输不可避免的三个问题，不论是在局域网、单一国家地区内传输，还是是跨国、跨地区传输，都会遇到。

这些网络问题，在不同区域的分布不同，以声网 Agora 监控的网络实况来看，在网络相对较好的中国地区，99% 的音频互动需要处理丢包、抖动和网络延时等。这些音频会话中，20%由于网络问题会有超过 3% 的丢包，10%的会话有超过 8%的丢包。而在印度的表现差异较大，80%的音频互动中，大约有 40% 的会话丢失。在印度地区优化 2G/3G 网络下的服务质量，仍是提供音频服务的重点。

抖动、延迟、带宽的限制也是很多的，这些网络问题导致音频质量急剧下降，更甚者，影响音频信号的可懂度，即不能满足交换信息量的本质通信需求。因此，不论对于使用 WebRTC 的自研团队，还是提供实时服务的 SDK 服务，尝试修复这个过程中对音频信号引入的损伤，都是必修的课题。

丢包控制

为保证可靠的实时互动，处理丢包是必须的。如果没有提供连续的音频数据，用户会听到卡顿（glitches、gaps），降低了通话质量和用户体验。

丢包问题可以抽象为，如何在不可靠传输的网络上，完成可靠传输。通常使用前向纠错 FEC（Forward Error Correction）和自动重传请求 ARQ（Automatic Repeat-reQuest）两个纠错算法，根据准确的信道状态估计制定相应策略来解决丢包问题。

FEC 是发送端通过信道编码和发送冗余信息，接收端检测丢包，且在不需要重传的前提下根据冗余信息恢复丢失的大部分数据包。即以更高的信道带宽作为恢复丢包的开销。相比 ARQ 的丢包恢复，FEC 体验上的延时更小，但由于发送了冗余的数据包，所以信道带宽消耗较多。

ARQ 使用确认信息 ack（acknowledgements signal，即接收端发回的确认信息表征已正确接收数据包）和 timeouts，即如果发送方在超时前没有收到确认信息 ack，则通过滑动窗口协议帮助发送端决策是否重传数据包，直到发送方收到确认信息 ack 或直到超过预先定义的重传次数。相比 FEC 的丢包恢复，ARQ 延时较大（因为要等待 ack 或不断重传），带宽利用率不高。

简单讲，丢包控制中使用的 FEC、ARQ 方法是通过额外的信道带宽，以及延时对丢失的数据包进行恢复。这就是传统抗丢包方法的现状，那么有什么可行的方法能解决呢？

我们就以之前开源的 Agora SOLO 为例。通常，编解码器做的事情是压缩、去冗余，而抗丢包从一定程度上讲是信道处理的扩大化。抗丢包是一种纠错算法的扩展，通过加冗余实现抗丢包。而 Agora SOLO 的策略，是把去冗余和加冗余进行结合，对重点信息加冗余，对非重点信息则更多的去冗余，以达到在信道和信源的联合编码的效果。

延时、抖动控制

数据包在网络传输、排队时本身就会产生延迟、抖动。同时，我们通过丢包控制恢复的数据包也会引入延时和抖动，通常使用自适应的 de-jitter buffer 机制进行对抗，确保音频等媒体流连续播放。

正如我们上文比喻的，数据包延迟的变化，我们称之为抖动（jitter），是一条音频流或其他媒体流数据包之间端到端单向延时的差异。自适应的逻辑是基于数据包到达间隔（IAT，inter-arrival times）的延时估计进行决策。当出现丢包控制未恢复的数据包、过度的抖动、延时、突发丢包，即超出自适应缓存可对抗的延时时，就会出现卡顿。此时接收端一般使用 PLC（Packet Loss Concealment）模块预测新的音频数据，以填充音频数据缺失（由于丢包、过度的抖动和延时引入的丢包、突发丢包）等产生的不连续的音频信号。

综上所述，处理网络损伤，是在不可靠的通信信道上面，通过丢包、延时、抖动控制方法确保数据包尽可能的顺序输出，结合 PLC 预测填充音频数据的缺失。

要尽可能减小网络损伤，需要结合以下五点增强弱网边界：

1.准确的网络信道状态的估计，动态的对丢包控制的策略进行调整和应用；

2.以及相配套的 de-jitter buffer，以更快、更准的学习速度适应网络的非稳态（好网络转差，差网络转好，突发的梳状网络）的变化，调整抗抖缓存至大于且更接近于稳态时等价延时的大小，才能确保收听者在该瞬时网络环境下的音质好，延时低，逐渐趋于理论最优；

3.超出弱网可恢复边界时，通过降低码率（也常用来解决信道拥塞），提升信道带宽中冗余数据或重传次数的开销；

4.并结合 PLC 对输入信号的适应能力，确保不同说话者，时变的背景噪声下尽可能的减小可察觉的噪声；

5.在较小带宽下，通过编码器编码低码率且高质量的语音，结合 3 在网络服务质量差的情况下，增加弱网对抗的鲁棒性。

基于以上在丢包、延时、抖动的对抗策略，我们就可以基于互联网传输，提供更好的音频实时互动体验。就像我们之前说的，不同地区、不同时间段、不同网络下，网络的延时、抖动、丢包情况都不同。而声网 Agora SDK 是面向全球提供高质量的音频交互服务，让全球各区域的用户在线上进行实时互动，通过音频引擎尽可能将线下的声学体验带给用户。因此我们也做了多次实地的测试，并观察 SDK 的 MoS 分（ITU-T P.863）和延时数据表现。

以下是我们在上海中环环线，使用相同设备，在相同运营商网络下，同时测试的 Agora RTC SDK 与友商产品的 MOS 分和延时数据。从统计来看，声网 Agora SDK 提供的实时音频交互服务，在提供较高音质的同时，延时更低。

图：MoS 分对比

图：延时数据对比

可以从 MoS 分对比图看出，Agora SDK 的 MOS 主要分布在高分值[4.5, 4.7]区间段，友商主要分布在[3.4, 3.8]。再说一个数据大家可能会有更直观的概念。我们使用的微信，尽管与 RTC SDK 不属于同一类型的产品，但也提供语音通话服务。微信在无弱网环境下测量的最高 MoS 分是 4.19。

用户体验的实际音频质量，可由以下音频质量地图中圆点的颜色显示，绿色表示 MOS 分大于 4.0；黄色表示 MOS 分处于[3.0, 4.0]，红色表示[1, 3.0]。