浅谈 WebRTC 的 Audio 在进入 Encoder 之前的处理流程

在 WebRTC 中，Audio 数据在被送入编码器之前，有 2 大部分需要特别关注，一是数据采集，二是 Audio Processing。

作者：方来，技术专家，从事 voip 应用开发。

数据采集

数据采集主要由 Audio Device 模块进行处理，而且是平台和配置相关。例如：

1. Mac 电脑，使用的是 CoreAudio API，一般情况下使用默认内置的声卡参数 fs=48kHz，stero。
2. Windows 电脑，WebRTC 中用的是 WASAPI。根据声卡参数不同，采样率等参数可选的比较多，例如有的电脑 builtInAEC 打开后，fs=16kHz，Mono，如果把声卡的 Audio Enhancement 关闭，则输出 fs=48kHz，stero。
3. Android 一般使用 java 层的 AudioRecord 框架。
4. iOS 一般使用 AudioUnit 框架。

另外，数据采集部分，还涉及到 USB 耳机，3.5mm 耳机，蓝牙耳机等外设，这些设备对音频链路上后续的 Audio Processing 也是有影响的，比如增加了 Audio 采集的delay，有 Speech Enhancement 处理的耳机会修改音频频谱，有的耳机外设使用不当可能会导致音频链路没有声音。

Audio Processing

Audio Processing 主要包括 AEC，AGC，NS 等等：

• AEC----Acoustic Echo Cancellation，即回音消除。
• AGC----Automatic Gain Control，即自动增益，用来调整输入信号的音量大小。
• NS----Noise Suppression，即噪音抑制。

从 Audio Devices 输出的数据依次经过 AEC，NS，AGC 等音频处理模块。

1.AEC

AEC 算法选择

在 WebRTC 中，AEC 有 4 个可选的算法：

1. builtInAEC，一般情况下 Windows，Android 系统，builtInAEC 默认会开启。
2. AECM，移动端的回音消除算法，适用于 Android和 iOS。
3. AEC 算法，适用于 Windows/Mac Desktop 的回音消除算法。当然 AEC 也可以用在移动端，某些情况下，回声泄露的性能比 AECM 好。不过最新的 WebRTC 已经把老的 AEC 的 code 移除了。
4. AEC3 算法，Google 对老的 AEC 算法的改版，目前 AEC3 已经全面替代老的 AEC 算法。

一般情况下这 4 种 AEC 算法只能选择一种，否则会做多次 AEC，对声音的损伤也会增加。在不得已的情况下，可能会用到 2 个 AEC，例如 Windows 电脑，buildInAEC 关不掉且效果差的情况下，就必须打开 AEC3，这时是用到 2 个 AEC。

aec_dump

在一次通话中，使用 StartAecDump 开启 aec_dump 功能，aec_dump 将录制 3 个文件，一个是未进入 Audio Processing 模块的 input.wav，一个是 Speaker Render 的输出文件 reverse.wav，一个是经过 Audio Processing 处理过的 ref_out.wav。

正常情况下，input.wav - reverse.wav = ref_out.wav。

通过这 3 个文件可以分析回音消除算法是否有问题。

2.AGC

WebRTC 的 AGC 有 2 种算法：

1. Legacy AGC
2. AGC2

下面简单展示一下 Legacy AGC 的性能。

原始语音

AGC 后的语音，Legacy AGC 本身没有降噪功能，噪音和语音同时放大的。

3.NS

目前 WebRTC 的 Noise Suppression 模块，能够过滤掉比较平稳的背景噪音，例如 white nosise，空调声等。但是 NS 模块对音量非常大的背景噪音，还有 babble noise 都是失效的，这也是我们客户端在 Microphone 功放的情况下的“嘈杂不清”的因素之一（当然导致嘈杂还有其他的原因，例如 AEC 的性能等等)。

夹杂 white noise 的录音

white noise 被过滤掉

4.其他增强算法

1. High Pass Filter，用来过滤低频噪音，比如我们可以把 100Hz 甚至 200Hz 以下的低频噪音过滤掉。
2. Typing Detector，可以过滤掉键盘打字的声音。
3. Residual Echo Detector，残留回音探测。

优化点

1. 采集（当然也包括播放）容易出现没有声音问题，所以必须对采集（声卡驱动）端进行声卡适配优化。

2. AEC 区分平台：
   A. Windows 平台，一般 Windows 的声卡面板里面有一个“Audio Enhancement”，这个里面有的含有 builtInAEC，默认是打开的，通过 Windows API 关闭这个 Audio Enhancement 的几乎不可行。有的 builtInAEC 效果比较差，这时 AEC3 必须打开。通常情况下，builtInAEC 和 AEC3 同时打开，以便最大程度减少回声。
   B. Mac 电脑，默认没有 buildInAEC，通常就直接使用 AEC3。

3. 在 AEC 算法中增加“near talk”，“far talk”，“double talk”， “no talk”状态，结合这几种状态，采取不同的操作，例如在只有 far talk 的时候，不做 AGC，能够起到减少近端噪音的作用。

「视频云技术」你最值得关注的音视频技术公众号，每周推送来自阿里云一线的实践技术文章，在这里与音视频领域一流工程师交流切磋。