分布式環(huán)境實時語音通訊系統(tǒng)的設(shè)計與實現(xiàn)

司聿宣 ，蘇遠興 ，楊正芳

(1.煙臺職業(yè)學院藝術(shù)設(shè)計系，山東 煙臺 264001；2.92857部隊，北京 100161；3.91557部隊，浙江 舟山 316000)

0 引 言

隨著多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，基于軟件化的手段可實現(xiàn)分布式環(huán)境下多點間的語音通信[1-2].但在大型模擬器系統(tǒng)中，不同位置的訓練員和指揮員間的語音通信通常采用專用硬件設(shè)備的方法,不僅增加了系統(tǒng)的設(shè)計費用、復雜度和維護的難度，更增加了系統(tǒng)的硬件組成和布局難度，尤其對于空間有限的模擬訓練系統(tǒng)，其缺點更為突出.針對該問題，筆者綜合運用聲音處理和網(wǎng)絡(luò)通信技術(shù)，基于客戶機/服務(wù)器(Client/Server,以下簡稱：C/S)的架構(gòu)構(gòu)建了一套語音通信系統(tǒng)，利用微軟推出的DirectX提供的與網(wǎng)絡(luò)音頻應(yīng)用相關(guān)的系統(tǒng)開發(fā)工具包(System Develop Kit，簡稱：SDK)實現(xiàn)仿真模擬系統(tǒng)操作人員之間的語音捕捉與回放，利用網(wǎng)絡(luò)通信技術(shù)實現(xiàn)了語音的打包、傳輸與解包，同時， 針對冗余的語音數(shù)據(jù)將造成網(wǎng)絡(luò)負擔的問題，采用離散傅里葉變換(Discrete Fourier Transform,以下簡稱：DFT)算法在頻域上對語音數(shù)據(jù)進行了過濾.該方法以軟件化的手段替代了傳統(tǒng)模擬器中復雜的硬件設(shè)計，在實際工程項目中取得了較好的效果.

1 系統(tǒng)設(shè)計

1.1 系統(tǒng)結(jié)構(gòu)

網(wǎng)絡(luò)語音通訊系統(tǒng)結(jié)構(gòu)如圖1所示，系統(tǒng)采用C/S架構(gòu)，使用了一個高效的服務(wù)器程序，運行在一臺具有獨立IP地址的計算機上，用來發(fā)送并接收語音數(shù)據(jù)和與客戶端進行交互的控制信息，維護客戶端信息及客戶端連接信息等功能.客戶端程序主要實現(xiàn)語音數(shù)據(jù)的錄取、 過濾和壓縮，發(fā)送和接收與服務(wù)器交互的控制信令和音頻編碼數(shù)據(jù)，解壓語音數(shù)據(jù)并進行播放.服務(wù)器和客戶端之間所有的控制信息均采用TCP/IP協(xié)議傳輸[3-4].

圖 1 系統(tǒng)結(jié)構(gòu)Fig.1 Structure of system

每一個客戶端獨立完成語音數(shù)據(jù)的采集，并對語音數(shù)據(jù)進行過濾和壓縮，然后將數(shù)據(jù)發(fā)往服務(wù)器端并經(jīng)服務(wù)器轉(zhuǎn)發(fā)給其他客戶端.同時客戶服務(wù)端接收來自服務(wù)器的語音數(shù)據(jù)，經(jīng)過解壓后播放.

1.2 聲音的捕捉和回放

Microsoft DirectX軟件中的DirectSound提供了一個系統(tǒng)捕捉來自輸入設(shè)備的聲音和播放那些貫穿各種各樣的使用先進的3-D位置特效的回放設(shè)備的聲音，并且過濾回聲、扭曲、反射和其它特效.其優(yōu)點是速度快、延時短、可控制性強.

1.2.1 聲音的捕捉 DirectSound允許從輸入到聲卡的設(shè)備捕獲聲音，數(shù)據(jù)可被捕獲為脈沖編碼調(diào)制或壓縮格式，為了立即回放或在文件里存儲，DirectSound提供創(chuàng)建聲音捕捉對象IDirectSoundCapture的COM接口，通過捕捉對象設(shè)置錄音的格式、建立用來捕捉聲音樣本的緩沖區(qū)對象IDirectSoundCaptureBuffer、設(shè)定聲音捕捉長度響應(yīng)事件IDirectSoundNotify.在錄音緩沖區(qū)中充滿設(shè)定長度的數(shù)據(jù)后，IDirectSoundNotify事件響應(yīng)，這時可以鎖定緩沖區(qū)并對緩沖區(qū)內(nèi)捕獲的聲音進行拷貝.聲音捕捉流程如圖2中(a)所示.

1.2.2聲音的回放 DirectSound提供建立IDirectSoundBuffer對象的COM接口并設(shè)置Buffer的大小及播放聲音的格式.為了實現(xiàn)音頻的連續(xù)播放，IDirectSoundBuffer使用多個次緩沖區(qū)，通過設(shè)定播放聲音長度的響應(yīng)事件，在每一個次緩沖區(qū)均設(shè)置一個通知點，每當一個緩沖區(qū)的內(nèi)容播放完后，DirectSound一方面激活Notify機制通知填充緩沖區(qū)數(shù)據(jù)，另一方面同時無間隙播放下一個緩沖區(qū)數(shù)據(jù)，實現(xiàn)音頻的連續(xù)播放.聲音回放流程如圖2中(b)所示.

圖2 聲音捕捉和回放Fig.2 Catch and replay

2 基于DFT的聲音過濾

語音通訊的目的是為了傳遞說話人的信息，但在實際的語音交談中，有很多時間內(nèi)可能沒有人在說話，此時傳輸?shù)恼Z音數(shù)據(jù)只是沒有意義的環(huán)境音.為了減少系統(tǒng)的網(wǎng)絡(luò)負擔，需要對錄取的語音數(shù)據(jù)進行過濾，避免將只有環(huán)境噪音的數(shù)據(jù)傳到網(wǎng)絡(luò).

2.1 語音信號DFT變換

由于計算機只能處理有限長度的信號，因此對原始語音信號x(t)要以一定的采樣周期T進行截斷，即有限化，然后對采樣信號x(n)(n=0,1,2,…,N-1)做進一步處理.信號的有限化也稱加窗處理，當窗函數(shù)在邊緣處將信號突然截斷，窗外時域信息全部消失.將長序列截短變成有限長度的短序列會出現(xiàn)頻率分辨率問題和頻譜泄漏問題.頻率分辨率問題是由于頻譜主瓣過寬、邊瓣過大造成的，頻譜泄漏是由于邊瓣的影響造成的.為了解決這些問題，一般要對信號進行加窗處理，使信號截斷的銳角鈍化，從而使頻譜的擴散減到最小.

經(jīng)過處理，語音信號就已經(jīng)被分割成一幀一幀的加過窗函數(shù)的短時信號，然后再把每一個短時語音幀看成平穩(wěn)的隨機信號，利用數(shù)字信號處理技術(shù)來提取語音特征參數(shù).在進行處理時，按幀從數(shù)據(jù)區(qū)中取出數(shù)據(jù)，處理完后再取下一幀.最后得到由每一幀參數(shù)組成的語音特征參數(shù)的時間序列.

對一幀時間內(nèi)的語音信號進行DFT變換為[5-7]：

(1)

式中W(n)為矩形窗,N為采樣點數(shù).|X(k)|便是x(n)的短時幅度譜估計.把k當作頻率變量，20 log10|X(k)|就是以分貝表示的頻譜.為了提高計算|X(k)|的速度，可以采用快速傅里葉變換.這要求N是2的整數(shù)次冪，如果N不滿足要求，可以在數(shù)據(jù)x(n)后補零.

2.2 信號過濾

加窗的信號段經(jīng)過DFT變換后，|X(k)|2表示信號在頻率點k/TN處的功率值，令：

(2)

為N/2頻率采樣點的平均功率，則各個頻點功率偏離均值的絕對值之和為：

(3)

通常電話語音的頻率在60～3 400Hz，這個頻率之外的聲音會被濾除.因此，可以認為頻率不在60～3 400 Hz之間的信號為語音通訊系統(tǒng)的噪音.在計算Pave、Pσ時不用計算這些頻點.

在一個特定的環(huán)境中，環(huán)境噪聲的Pσ上限值設(shè)定為PNMax，當Pσ>PNMax時可以判定有語音信號.

2.3 仿真結(jié)果

在實驗室錄制一段長度為1.6 s的單通道語音段，信號采樣頻率為8 000 Hz，每個采樣點的信號幅度用8比特表示.將這段數(shù)據(jù)分為50幀，每幀數(shù)據(jù)長度為256個采樣點，其時域波形如圖3中(a)所示，方框內(nèi)1和2中的波形為兩個頻率分別為30 Hz和3 700 Hz的信號和環(huán)境噪聲的疊加；計算每幀采樣數(shù)據(jù)的Pσ，結(jié)果仿真如圖3中(b)所示；設(shè)置語音信號頻率范圍60～4 000 Hz，過濾后的Pσ結(jié)果仿真如圖3中(c)所示.根據(jù)對環(huán)境噪聲的采樣計算，估計PNMax=30，利用式Pσ>PNMax，過濾后的信號波形如圖3中(d)所示.

圖3 聲音過濾仿真Fig.3 Simulation of audio filter

3 結(jié) 語

筆者采用網(wǎng)絡(luò)語音通信技術(shù)，利用DirectSound對聲音進行采集和回放，設(shè)計了網(wǎng)絡(luò)語音通訊軟件，用以取代在以往仿真系統(tǒng)中使用硬件實現(xiàn)語音通訊的方法.同時，采用離散傅里葉變換對語音信號的頻譜進行分析，利用語音信號的頻譜特征對通信過程中的無用信號幀進行過濾，只將滿足判定條件的信號幀送往服務(wù)器進行轉(zhuǎn)發(fā)，從而有效減小了仿真系統(tǒng)中網(wǎng)絡(luò)的數(shù)據(jù)傳輸負擔.該軟件已在某訓練模擬器中得到很好的應(yīng)用，滿足訓練員通話的需求.

參考文獻：

[1] 虞益誠．網(wǎng)絡(luò)技術(shù)和應(yīng)用[M]. 南京: 東南大學出版社, 2005.

[2] 李瑞. 一種網(wǎng)絡(luò)語音聊天系統(tǒng)的設(shè)計與運用[J]. 綠色大世界·綠色科技, 2009(7): 101-102.

[3] 朱浩, 呂明. 用UDP協(xié)議實現(xiàn)網(wǎng)絡(luò)語音廣播[J]. 電信工程技術(shù)和標準化, 2005: 53-55.

[4] 陳婷婷,張彥鐸. 機器人足球仿真比賽平臺中網(wǎng)絡(luò)通信問題研究[J]. 武漢工程大學學報, 2009, 31(3): 70-73.

[5] 平殿發(fā),劉賢忠,趙培洪. 短時分數(shù)階傅里葉變換的基本性質(zhì)[J]. 數(shù)據(jù)采集與處理, 2009, 24(S): 39-42.

[6] 高蕊,史二娜. 基于FFT加窗與插值算法的接地電阻測量新方法[J]. 寶雞文理學院學報, 2010,30(3): 66-68.

[7] 吳杰康，龍軍，王輯祥.基于數(shù)字微分算法的系統(tǒng)頻率快速準確測量[J].電工技術(shù)學報，2004, 19(4): 93-97.