IP電話網(wǎng)關的語音數(shù)據(jù)處理

摘要：提出了一種集成式IP電話網(wǎng)關的實現(xiàn)方法，分析了語音信號在該網(wǎng)關中的處理過程，詳細介紹了語音采樣、播放、壓縮與解壓縮、RTP包的封裝與解包以及IP包的接受和發(fā)送的實現(xiàn)方法。

關鍵詞：IP電話網(wǎng)關 語音壓縮 RTP協(xié)議

隨著IP電話技術的飛速發(fā)展，IP電話的實現(xiàn)方式正在由PC To PC過渡到Phone to Phone，在Phone to Phone的實現(xiàn)方式中，需要所謂的IP電話網(wǎng)關來連接PSTN和因特網(wǎng)。因此IP電話網(wǎng)關成為目前計算機和通信領域研究的熱點之一。雖然國內外許多廠商都在以不同的方式開發(fā)IP電話網(wǎng)關，但他們有一個共同的特點，即：幾乎所有IP電話網(wǎng)關都采用了自己的專用硬件設備。本文提出了一種采用市場上通用的板卡來構造一種硬件集成式的IP電話網(wǎng)關的方法，并研究了語音數(shù)據(jù)在該網(wǎng)關的處理過程和實現(xiàn)方法。集成式IP電話網(wǎng)關的硬件構成如圖1所示，它是在Pentium Ⅱ PC機基礎上，插入Dialogic公司的D/41E型語音卡、LSI公司的C6200資源卡和D_Link網(wǎng)卡所組成。其中D/41E語音卡用來完成語音的采樣和播放。C6200資源卡有一塊TI公司的TMS320C6201DSP芯片，用來完成語音的壓縮和解壓縮以及回聲抵消。Pentium Ⅱ PC用來實現(xiàn)H.323協(xié)議棧的主要功能，網(wǎng)卡用來發(fā)送和接受IP包。下面具體分析語音數(shù)據(jù)在IP電話網(wǎng)關的處理過程和實現(xiàn)方法。

1 語音采樣和播放

在該IP電話網(wǎng)關中，語音的采樣和播放是由Dialogic公司的D/41E型語音卡來完成，其中，語音采樣是利用語音卡所提供的錄音函數(shù)來完成的。在實時語音通信時，語音數(shù)據(jù)存入語音采樣緩沖區(qū)中，等待語音壓縮線程取出并處理。錄音函數(shù)形式如下：

dx_reciottdata (activeChdev,chinfo [activeChdev].iott,tptrec[0],xpbVox,mode);

該函數(shù)的輸入?yún)?shù)的含義如下：

int chdev 語音通道的設備句柄

DX_IOTT *iott 指向語音數(shù)據(jù)目的地的指針

DV_TPT *tptp 指向終止參數(shù)塊的指針

DX_XPB *xpbp 指向I/O傳輸塊的指針

unsigned short mode 錄音所采取的方式

iott是一種DX_IOTT類型的數(shù)據(jù)結構，該數(shù)據(jù)結構中的io_type可取值IO_DEV和IO_MEM，分別用于指定語音數(shù)據(jù)存入文件還是存入緩沖區(qū)中。Io_type的另一類取值可為IO_CONT，IO_LINK或DX_IOTT，用于指定語音數(shù)據(jù)目的地的結構。如果io_type取值IO_DEV，則io_fhandle的值應為一個文件的句柄；如果io_type取值IO_MEM，則io_fhandle的值應為0，此時，io_bufp指向存放語音數(shù)據(jù)的緩沖區(qū)的起始地址。io_offset為地址偏移量。io_length用于指定文件或緩沖區(qū)的大小。如果io_type取值IO_LINK，則io_nextp指向下一個存放語音數(shù)據(jù)的DX_IOTT數(shù)據(jù)結構，而io_pre vp指向上一個存放語音數(shù)據(jù)的DX_IOTT數(shù)據(jù)結構。DX_IOTT的數(shù)據(jù)結構定義如下：

typedef struct dx_iott {

unsigned short io_type; /*Transfer type*/

unsigned short rfu; /*Reserved*/

int io_fhandle; /*File descriptor*/

char* io_bufp; /*Pointer to base memory*/

unsigned long io_offset; /*File/Buffer offset*/

long int io_length; /*Length of data*/

DX_IOTT io_nextp; /*Ptr to next DX_IOTT if IO_LINK set*/

DX_IOTT io_prevp; /*(Optional) Ptr to previous DX_IOTT*/

}DX_IOTT;

DV_TPT數(shù)據(jù)結構用于指定終止某語音通道上函數(shù)的條件。具體如下：

typedef struct DV_TPT {

unsigned short tp_type; /*Flags describing this structure*/

unsigned short tp_termno; /*Termination parameter number */

unsigned short tp_length; /*Length of terminator*/

unsigned short tp_flags; /*Term.parameter attributes flag*/

unsigned short tp_data; /*Optional additional data*/

unsigned short rfu; /*Reserved for future use*/

struct DV_TPT tp_nextp; /Pointer to next term.parameter if*/

/*IO_LINK is set*/

} DV_TPT;

DX_XPB數(shù)據(jù)結構用于指定用何種算法進行錄音等。WfileFormat可取值FILE_FORMAT_VOX和FILE_FORMAT_WAVE，分別代表用VOX文件格式和WAV文件格式存放語音數(shù)據(jù)。WDataFormat可取值DATA_FORMAT_DIALOGIC_ADPCM、DATA_FORMAT_MULAW、DATA_FORMAT_ALAW、DATA_FORMAT_PCM，分別代表用ADPCM、μ率、A率或線性PCM的算法對聲音進行采樣。NSamplesPerSec可取值DRT_6kHz、DRT_8kHz、DRT_11kHz，用于指定采樣頻率分別為6kHz、8kHz或11kHz。NBitsPerSample可取值4和8，為每個樣本點的位數(shù)。如果wDataFormat采用ADPCM算法，則nBitsPerSample只能取4。DX_XPB的數(shù)據(jù)結構定義如下：

Typedef struct {

USHORT wFileFormat; //file format

USHORT wDataFormat; //audio data format

ULONG nSamplesPerSec; //sampling rate

ULONG nBitsPerSample; //bits per sample

} DX_XPB;

mode用于指定錄音的方式，可取值PM_TONE、EV_SYNCH或EV_ASYNCH。取值PM_TONE代表在錄制前先播放一個200ms的提示音。取值為EV_SYNCH時，代表用同步的方式執(zhí)行語音采樣，在同一線程中的其它功能將被暫掛起，直到該同步函數(shù)執(zhí)行完后才被釋放。取值為EV_ASYNCH代表是用異步的方式執(zhí)行語音采樣，在同一線程中的其它功能仍可照常進行。

語音播放是利用語音卡播放函數(shù)來完成的。該函數(shù)所用的參數(shù)與錄音函數(shù)的參數(shù)類似。播放函數(shù)的形式如下：

dx_playiottdata (activeChdev,chinfo [activeChdev]iott,tptplay[0],xpbVox,mode)

2 電話狀況偵測

電話狀總值偵測功能主要是判斷電話線狀況，如判斷現(xiàn)在電話機話筒是拿起或放下，有沒有撥號音，是否電話正忙或沒有人接電話。在異步方式下，采用語音卡的ATDX_CPTERM（）來檢測某語音通道上電話呼叫的返回值。在同步方式下無需該步驟。當返回值為CR_CEPT時，表示特殊通知音，即撥了無效的電話號碼或遇到了其它特殊問題。當返回值為CR_NORB時，表示無回鈴音，即檢測不到可識別的信號模式。當返回值為CR_NOANS時，表示無應答，即線已撥通，但無應答。當返回值為CR_NOANS時，表示忙音。當返回值為CR_CNCT時，還可利用ATDX_CONNTYPE（chdev）函數(shù)檢測連接音的類型。返回值可能是CON_CAD，CON_LPC，CON_PVD或CON_PAMD，分別代表韻律連接音，循環(huán)流連接音，陽機音連接或陽極應答機連接音。

進行呼叫時，先用ATDX_HOOKST（activeChdev）函數(shù)獲取電話機的狀態(tài)。如果是掛機狀態(tài)，則用dx_sethook（activeChdev,DX_OFFHOOK,EV_SYNC）將電話機置為摘機狀態(tài)。然后給呼叫函數(shù)傳遞所需的參數(shù)。參數(shù)是通過DX_CAP這個數(shù)據(jù)結構來傳遞的，其定義為：

typedef struct DX_CAP {

unsigned short ca_nbrdna; //# of rings before no answer.

unsigned short ca_stdely; //Delay after dial before analysis

unsigned short ca_cnosig; //Duration if no signal time out delay

unsigned short ca_lcdly; //Delay after dial before lc drop connect

unsigned short ca_lcdly 1; //Delay after lc drop con. Before msg.

unsigned short ca_hedge; //Edge of answer to send connect message

unsigned short ca_cnosil; //Initial continuous noise timeout delay

unsigned short ca_loltola; //% acceptable pos.dev of short low sig.

unsigned short ca_lo l tolb; //% acceptable neg.dev of short low sig.

unsigned short ca_lo2tola; //% acceptable pos.dev of long low sig.

unsigned short ca_lo2tolb; //% acceptable neg.dev of long low sig.

unsigned short ca_hiltola; //% acceptable pos.dev of high signal.

unsigned short ca_hiltolb; //% acceptable neg.dev of high signal

unsigned short ca_lo 1 bmax; //Maximum interval for shrt low for busy.

unsigned short ca_lo 2 bmax; //Maximum interval for long low for busy.

unsigned short ca_hi 1 bmax; //Maximum interval for lst high for busy

unsigned short ca_nsbusy; //Num.of highs after nbrdna busy check.

unsigned short ca_logltch; //Silence deglitch duration.

unsigned short ca_higltch; //Non-shlence deglitch duration.

unsigned short ca_lo 1 rmax; //Max.short low dur.of double ring

} DX_CAP;

該數(shù)據(jù)結構中有大量的參數(shù)項，一般使用缺省值即可。需要修改時，可通過程序提供的呼叫對話框來修改。呼叫的電話號碼也在該對話框中指定。

3 語音數(shù)據(jù)壓縮與解壓縮

G.723.1、G.729均為ITU H.323所推薦的語音編碼標準。其G.723.1采用ACELP和MP_MLQ算法，比特率為6.3kbps和5.3kbps。G.729采用CS_ACELP算法，比特率為8kbps。由于G.723.1無論是在帶寬還是語音質量都優(yōu)于G.729，因此，一般在IP電話中普遍使用G.723.1語音壓縮標準。

在集成式IP電話網(wǎng)關中，語音的壓縮是由C6200資源卡上的TMS320C6201 DSP來完成。G.723.1編碼器的輸入信號是8kHz的16位線性PCM碼，由語音卡采樣的語音信號包括8kHz的8位線性PCM碼在內的多種形式，在輸入到G.723.1編碼器之前，需要進行轉換。相應地，解碼器的輸出語音信號也應轉化為語音卡能識別的格式數(shù)據(jù)流。Dialog D/4E語音卡只識別ADPCM碼，其它高級一線的語音卡如D/41ESC語音卡既可識別ADPCM碼，也能識別線性PCM碼。編碼器每30ms處理一幀數(shù)據(jù)，每幀包含240個樣本點，每個樣本點占16位。G.723.1編碼/解碼器的處理流程大致過程如下：

每一幀首先通過高通濾波器，去除直流成分，然后被分為4個子幀，每個子幀包括60個采樣點。每個子幀被送入一個10階線性預測編碼器，計算LPC系數(shù)。最后一個子幀的LPC系數(shù)采用預測分裂矢量量化器（PSVQ）量化。量化前的LPC系數(shù)用來建立短時感覺加權濾波器，整幀信號通過它得到感覺加權語音信號。對于每兩個子幀，用感覺加權后的語音信號來計算開環(huán)基音周期，基音周期的搜索范圍在18和145之間。對于每一個子幀，運用估計的基音周期建立諧波噪聲成形濾波器（Harmonic Noise Shaping filter）。LPC合成濾波器、共振峰感覺加權濾波器和諧波噪聲成形濾波組成一個聯(lián)合濾波器，然后可以得到該濾波器的沖激響應。運用基音周期估計和沖激響應計算閉環(huán)基音周期。采用五階基音預測器，以開環(huán)基音周期為中心，作小范圍內閉環(huán)搜索，得到精確的基音周期，然后將基音預測器的貢獻從初始的目標矢量中扣除。最后，進行非周期性的激勵信號的估計。對于高碼率6.3kbps，采用多脈沖最大似然量化激勵（MP_MLQ）；對于低碼率5.3kbps，采用代數(shù)碼本激勵（ACELP）。

4 RTP包的形成與解包

RTP包的形成與解包是由網(wǎng)關中的主CPU（Pentiun Ⅱ）來完成。RTP是IEFT的提議標準RFC1890。它是一個獨立于應用程序的協(xié)議規(guī)范，在具體應用中可有不同的獨立框架。每個RTP數(shù)據(jù)包都由一個頭部和一個有效數(shù)據(jù)部組成。有效數(shù)據(jù)部中放置壓縮后的語音數(shù)據(jù)。RTP包頭的前12個字節(jié)是固定的，其格式如圖2所示。

在RTP包頭中，標記M占用1比特位，用來指明語音數(shù)據(jù)的邊界。PT占7比特位，指明語音數(shù)據(jù)的壓縮類型。Sequence number占16比特位，是一個正整數(shù)的序列號。每發(fā)送一個RTP數(shù)據(jù)包，序列號就加1。接收端可通過序列號監(jiān)測數(shù)據(jù)包傳輸過程中的丟包情況以及失序情況。序列號的初始值是隨機分配的。Timestamp是時間戳，占32比特位，描述RTP包中語音數(shù)據(jù)的采樣時刻，主要用于同步和計算時延。Synchronization source identifier是同步資源標識符SSRC，占32比特位，用于標識同步資源。RTP打包過程如圖3所示。

如果是第一次生成RTP包，則序列號的初值為一隨機數(shù)而不是0。這樣做的目的是為了通信過程中的安全性。SSRC標識符是一個32位的隨機數(shù)。在一個RTP會話，不允許兩個SSRC有相同的值。RTP解包過程是RTP打包過程的逆過程，在此不再贅述。

5 IP包的發(fā)送與接收

利用H.323協(xié)議棧軟件包可以生成符合H.323協(xié)議的API函數(shù)。在程序中，先執(zhí)行mcInitialize()和mcSetEventHandler（）建立H.245控制信道，然后執(zhí)行mcOpenCall（）函數(shù)以建立H.225.0呼叫信令信道。在mcOpenCall（）函數(shù)的參數(shù)中可以設置所選的音頻編解碼協(xié)議。所選的音頻編解碼協(xié)議包括G.711協(xié)議（必選）、G.722、G.723.1、G.728或G.729協(xié)議。當H.245控制信道和H.225.1呼叫信令信道成功建立后，使用mcSendAudio（）函數(shù)發(fā)送包含壓縮語音數(shù)據(jù)的IP包。當通話結束后，使用mcCloseCall()函數(shù)關閉H.225.0呼叫信令信道和H.245控制信道。

本文提出的集成式IP電話網(wǎng)關具有硬件結構簡單、維護方便、升級容易等優(yōu)點，并具有很高的性能價格比，更有價值的是拓寬了設計IP電話網(wǎng)關的設計思想。另外，本文還詳細地給出了語音在網(wǎng)關中的各個階段的處理過程和實現(xiàn)方法，其中有關語音壓縮和回聲抵消的處理，是網(wǎng)關中語音的關鍵技術，涉及到網(wǎng)關的DSP的運行效率、壓縮算法的優(yōu)化、語音質量的提高和噪聲的消除等技術問題。