2024年5月10日发(作者：)

网络语音通话运用了哪些技术？

当我们使用像Skype、QQ这样的工具和朋友流畅地进行语音视频聊天时，我

们可曾想过其背后有哪些强大的技术在支撑？本文将对网络语音通话所使用到的技术做

一些简单的介绍，算是管中窥豹吧。

一、概念模型

网络语音通话通常是双向的，就模型层面来说，这个双向是对称的。为了简单起见，我们

讨论一个方向的通道就可以了。一方说话，另一方则听到声音。看似简单而迅捷，但是其

背后的流程却是相当复杂的。我们将其经过的各个主要环节简化成下图所示的概念模型：

这是一个最基础的模型，由五个重要的环节构成：采集、编码、传送、解码、播放。

1. 语音采集

语音采集指的是从麦克风采集音频数据，即声音样本转换成数字信号。其涉及到几个重要

的参数：采样频率、采样位数、声道数。

简单的来说：采样频率，就是在1秒内进行采集动作的次数；采样位数，就是每次采集动

作得到的数据长度。

而一个音频帧的大小就等于：（采样频率×采样位数×声道数×时间）/8。

通常一个采样帧的时长为10ms，即每10ms的数据构成一个音频帧。假设：采样率16k、

采样位数16bit、声道数1，那么一个10ms的音频帧的大小为：（16000*16*1*0.01）/8 = 320

字节。计算式中的0.01为秒，即10ms。

附：可以参考了解语音视频采集组件MCapture相关介绍 及 Demo源码与SDK下载。

2. 编码

假设我们将采集到的音频帧不经过编码，而直接发送，那么我们可以计算其所需要的带宽

要求，仍以上例：320*100 =32KBytes/s，如果换算为bits/s，则为256kb/s。这是个很大的

带宽占用。而通过网络流量监控工具，我们可以发现采用类似QQ等IM软件进行语音通

话时，流量为3-5KB/s，这比原始流量小了一个数量级。而这主要得益于音频编码技术。