使用DirectX技術實現(xiàn)視頻會議中的音頻通信(圖)

前 言
　　視頻會議以其方便、快捷、“面對面”交流的優(yōu)點逐漸得到了人們的認可，許多企事業(yè)單位、教育單位，醫(yī)療單位都希望使用視頻會議來代替?zhèn)鹘y(tǒng)的會議形式。在視頻會議中，與會者之間主要傳輸?shù)氖且纛l數(shù)據(jù)和視頻數(shù)據(jù)，其中的音頻數(shù)據(jù)顯得更為重要。因為會議中的大部分有用信息都包含在與會者的言語交流上，所以視頻會議系統(tǒng)必須保證音頻通信的流暢性和全雙工，才能使視頻會議更接近于真實的會議環(huán)境。

　　directx是microsoft開發(fā)的專門用于開發(fā)游戲和多媒體軟件的應用程序接口(api)，包括了對二維和三維圖像、聲音、音樂和針對網(wǎng)絡多人游戲的網(wǎng)絡通信的強大支持。directx是一種標準的軟件接口，所有主要的硬件供應商都提供支持directx的驅動設備，應用directx的軟件可以在不同的硬件環(huán)境下正常運行。另一方面，directx能根據(jù)所使用的不同硬件，來選擇適當?shù)姆绞绞褂糜布铀倌芰?，便于開發(fā)高質量的多媒體和游戲軟件。在directx所提供的眾多組件中，用于音頻處理的是direct sound組件。為保證視頻會議系統(tǒng)中語音的流暢性，需要采用direct sound中提供的streaming buffer(流式緩沖)機制來實現(xiàn)。而為了保證視頻會議系統(tǒng)中的全雙工音頻通信，主要利用的則是direct sound中的混音機制來實現(xiàn)。

利用streaming buffer實現(xiàn)流暢的語音交流
　　direct sound中提供了兩種緩沖機制，分別是static buffer(靜態(tài)緩沖)和streaming buffer(流式緩沖)。static buffer指一次將一段完整的聲音存入緩沖中；streaming buffer指的是并不將全部的數(shù)據(jù)一次讀入緩沖，而是在播放聲音時動態(tài)地讀入，占用空間較小。一般來說，如果聲音需要反復播放而且容量有限(如游戲音效)，使用static buffer更有助于提高程序的效率；相反，如果是容量很大、實時性要求較高的音頻數(shù)據(jù)流，則使用streaming buffer為佳。在視頻會議系統(tǒng)中，如使用static buffer，則在向緩沖區(qū)寫入新的音頻數(shù)據(jù)時，聲音的回放必然出現(xiàn)短暫停頓，使與會者的完整話語不能夠連續(xù)播放，影響通話的流暢性，而streaming buffer可克服語音不連續(xù)的缺點。

　　streaming buffer提供了兩個指針：play cursor(回放游標)和write cursor(寫入游標)，它們的值只是相對于緩沖區(qū)開頭的偏移量而非絕對的內存地址。其中play cursor總是指向下一個被輸出的數(shù)據(jù)字節(jié)，而write cursor指向的地址則指明從哪個地方開始可以安全地寫入新的音頻數(shù)據(jù)而不影響回放。按回放音頻數(shù)據(jù)的順序來看，write cursor總是在play cursor之前，并且它們間保持著一定的間距，而這個間距會根據(jù)不同的系統(tǒng)狀況而有所不同，實驗表明這個間距大概是100～200字節(jié)左右。當開始對緩沖區(qū)中的音頻數(shù)據(jù)進行循環(huán)模式回放時，總是在play cursor所指的地方開始?；胤藕髉lay cursor和write cursor會保持它們的間距等速度前移，并且play cursor總是指向下一個被輸出的數(shù)據(jù)字節(jié)。當回放到達緩沖區(qū)的結尾處時，play cursor將重新指向緩沖區(qū)的開頭，如此循環(huán)下去。而當程序停止對streaming buffer中的音頻數(shù)據(jù)進行回放時，play cursor則不再移動，并停留在下一個被輸出的數(shù)據(jù)字節(jié)處，直到重新回放才會繼續(xù)前移。另外，在play cursor和write cursor之間的區(qū)域被認為是即將要進行回放的數(shù)據(jù)，所以不能夠對其做更新。在理解了streaming buffer的基本工作方式后，接下來詳細闡述如何用visual c＋＋作具體實現(xiàn)，其中會涉及到一些visual c＋＋的函數(shù)，具體可參考microsoft msdn。

　　在程序中，設置一個大小為一幀音頻數(shù)據(jù)的大小(一般相當于0.25秒的語音)的2倍的streaming buffer。并且在streaming buffer的正中間和結尾處分別設置標志一個觸發(fā)事件。程序開始時，通過調用play函數(shù)對streaming buffer中的數(shù)據(jù)進行循環(huán)回放。當play cursor到達正中間和結尾時，事件就會產(chǎn)生，就可以通過程序向緩沖區(qū)寫入新一幀的音頻數(shù)據(jù)。在寫入新一幀音頻數(shù)據(jù)的過程中，首先調用lock函數(shù)鎖定緩沖區(qū)中的部分，此時的write cursor被鎖定不再前移，而play cursor將跟隨著聲音的回放繼續(xù)前進；利用回放play cursor和write cursor間的音頻數(shù)據(jù)的一段時間內，根據(jù)鎖定時獲得的lplpvaudioptr1(此時的lplpvaudioptr1指向的地方就是鎖定時write cursor的所指的地方)，lpdwaudiobytes1(可安全寫入的音頻數(shù)據(jù)大小)等與streaming buffer相關的參數(shù)lplpvaudioptr2、lpdwaudiobytes2等信息，把數(shù)據(jù)在指定的地方寫入緩沖區(qū)，然后調用unlock函數(shù)解除對write cursor的鎖定。這樣，write cursor重新調整回與play cursor保持100～200字節(jié)間距的地方，繼續(xù)對新的音頻數(shù)據(jù)進行回放。上述這個過程在整個程序的運行過程中，不斷地循環(huán)進行，如圖1所示，實現(xiàn)了在對streaming buffer中舊一幀音頻數(shù)據(jù)進行回放的同時寫入新一幀的音頻數(shù)據(jù)。

　　從理論上講，這已經(jīng)保證了音頻回放的流暢性。但在實現(xiàn)過程中，由于操作的對象是一幀的音頻數(shù)據(jù)，其回放的時間僅是0.25秒，所以必須考慮的一個問題是程序的反應速度問題。如果忽略由事件觸發(fā)到真正用lock函數(shù)鎖定緩沖區(qū)的部分以進行新數(shù)據(jù)寫入之間的時間，則這種實現(xiàn)方法沒有任何問題。除了最開始的兩幀數(shù)據(jù)外，新的一幀數(shù)據(jù)會緊跟在前一幀數(shù)據(jù)之后，彼此之間沒有重疊部分，也沒有空隙存在，能很好地達到音頻回放的流暢效果。但事實上，由事件觸發(fā)到真正用lock函數(shù)鎖定緩沖區(qū)的部分以進行新數(shù)據(jù)的寫入之間還必須經(jīng)過線程監(jiān)聽到事件，分析事件對應的緩沖區(qū)，然后再觸發(fā)相應的回調函數(shù)來進行
上面所述的新一幀音頻數(shù)據(jù)的寫入過程。而這一系列分析工作所占用的時間是會隨系統(tǒng)當時的狀況而變化的，是一個隨機的時間長度，所以每次對緩沖區(qū)用lock函數(shù)鎖定緩沖區(qū)的部分時，write cursor所在的位置都會不同，這樣就造成新的一幀數(shù)據(jù)并不一定會嚴格地緊跟在前一幀數(shù)據(jù)之后，它們之間可能會出現(xiàn)重疊部分，也可能會有空隙出現(xiàn)，不利于音頻數(shù)據(jù)的連續(xù)播放。如果出現(xiàn)重疊部分，那么回放造成有部分的音頻數(shù)據(jù)丟失；如果有空隙的出現(xiàn)，會造成語音的不連續(xù)或混亂。但經(jīng)過調試，仔細分析了由事件觸發(fā)到真正用lock函數(shù)鎖定緩沖區(qū)的部分以進行新數(shù)據(jù)寫入之間的時間后，發(fā)現(xiàn)它對鎖定時write cursor所在位置的偏差產(chǎn)生的波動不大，一般由此產(chǎn)生的重疊部分或空隙部分都在50字節(jié)左右，也就是說平均每幀數(shù)據(jù)中會有50字節(jié)的錯誤。在程序中，指定的一幀音頻數(shù)據(jù)為2000字節(jié)(與0.25秒相對應)，所以會有大概2.5%的音頻數(shù)據(jù)會出錯。如果以所采用的音頻格式來計算，8ksps(采樣率)*8bit(每個采樣用8位表示)=64kbit/s=8kb/s，那么這2.5%的錯誤在每秒鐘內對應的會是0.025s的音頻數(shù)據(jù)，基本上人的聽力是難以分辨的。所以在采用streaming buffer依然能很好地達到了音頻的流暢性要求。

　　上面只闡述了音頻回放的實現(xiàn)方法，但作為整個視頻會議系統(tǒng)中的音頻功能來說，還必須有音頻采集部分跟它相配合。音頻采集部分的實現(xiàn)方法與回放模塊的基本原理是一樣，都是利用streaming buffer來實現(xiàn)，故此處不再詳述。

利用混音機制實現(xiàn)全雙工音頻通信
　　direct sound中有primary buffer(主緩沖區(qū))和secondary buffer(輔助緩沖區(qū))兩個緩沖區(qū)。前面所述的streaming buffer屬于secondary buffer。在初始化directsound時，它會自動創(chuàng)建一個primary buffer，這個主緩沖的作用就是進行混音并把混音結果送到輸出設備。除了primary buffer外，程序至少還應該創(chuàng)建一個secondary buffer，輔助緩沖的作用是儲存將要使用的聲音，在不使用的時候可以釋放掉，但primary buffer是不可釋放的。用directsound實現(xiàn)同時播放多個聲音，前提是硬件允許。其工作過程如下，當程序同時對多個secondary buffer中的音頻數(shù)據(jù)進行回放時，direct sound會把這些來自于不同secondary buffer的聲音在主緩沖區(qū)進行自動混音，然后通過輸出設備輸出，如圖2所示。所以通常情況下，用戶并不需要和主緩沖打交道，directsound會自行管理。視頻會議系統(tǒng)的全雙工音頻通信功能，就是利用directsound的這一混音機制達到的。

　　視頻會議中要實現(xiàn)的全雙工音頻通信功能并不僅限于兩個與會者之間的全雙工通信，而應該擴展為會議的每個者都能根據(jù)需要，同時聽到其他與會者的講話，以達到很好的討論交流效果。為此，在程序中為每個與會者分配一個緩沖數(shù)組，數(shù)組的大小與一幀音頻數(shù)據(jù)大小相同。系統(tǒng)開始運行后，程序一方面把各個與會成員的音頻數(shù)據(jù)幀接收下來，然后根據(jù)用戶標識把它們分別保存在相應的緩沖數(shù)組中，并按照時間順序排列好，而且會為每個用戶創(chuàng)建一個streaming buffer用于音頻回放。另一方面，開始對各個用戶對應的streaming buffer里的內容進行循環(huán)播放回放和更新，而更新的音頻數(shù)據(jù)由各個用戶的緩沖數(shù)組順序提供。這樣，不同用戶的音頻信息會自動被direct sound進行混音，并把混音的結果放到primary buffer中，再從輸出設備輸出，從而達到所需的效果。

結束語
　　directx技術大大方便了各種多媒體軟件的開發(fā)，已經(jīng)獲得廣泛采用。通過聯(lián)合使用directx中提供的streaming buffer機制和混音機制，在視頻會議系統(tǒng)中實現(xiàn)了流暢的全雙工音頻通信，使用效果令人滿意。