Передача речи по IP-сети

IP-сети
Задержка и меры по уменьшению ее влияния
Явление джиттера, меры уменьшения

его влияния
Эхо, устройства ограничения его влияния
Принципы кодирования речи

любую разговорную речь. Данный рисунок характеризует исключительно передачу голосовых данных.

использоваться обычным протоколом IP. Такие среды могут быть представлены в

виде кабеля витой пары (используемой в традиционном Ethernet), телефонных проводов, беспроводных соединений (протокол IEEE 802.11) и др.
Второй уровень этой модели - канальный уровень - указывает, что протокол IP для создания фреймов может использовать различные форматы.
На третьем, сетевом уровне используется протокол IP в качестве способа передачи голоса, однако обычный IP должен быть дополнен специальными средствами. Поскольку существуют проблемы с задержкой, протоколу IP требуется использовать какой-либо способ установления очередности для того, чтобы голосовым данным не пришлось ожидать передачи в условиях конкуренции с обычными данными.

UDP, системе не хватает механизма установки очередности пакетов, чтобы пакеты

доставлялись в требуемой последовательности. Транспортный протокол реального времени (Real-Time Transport Protocol - RTP) для выполнения этого требования добавляет номер пакета в последовательности передачи и механизм расстановки временных меток. Также может использоваться протокол резервирования (Resource Reservation Protocol - RSVP) для резервирования полосы пропускания вдоль пути следования голоса по IP-сети. Данный протокол исключает использование зарезервированной полосы пропускания пакетами обычных данных.
Пятый уровень модели - сеансовый. На сегодняшний день сети VoIP переходят со стандарта ITU-T H.323 на другой протокол инициирования сеанса (Session Initiation Protocol - SIP) и протокол описания сеанса (Session Description Protocol - SDP).
Шестым уровнем модели является уровень представлений. Как определено в модели OSI, уровень представлений анализирует и интерпретирует форматы данных. В терминах передачи голоса уровень представлений обеспечивает методы кодирования и сжатия, используемые для передачи голоса.
Все уровни стека протоколов совместно применяются для того, чтобы решить проблемы минимизации задержки и обеспечить требуемый порядок следования пакетов.

качество IP-телефонии. Они могут быть разделены на две категории:
Качества IP-сети

характеризуют:
максимальная пропускная способность - максимальное количество данных, которая она передает;
задержка - промежуток времени, требуемый для передачи пакета через сеть;
джиттер - задержка между двумя последовательными пакетами;
потеря пакета - пакеты или данные, потерянные при передаче через сеть.
Качества шлюза характеризуют:
требуемая полоса частот пропускания ;
задержка - время, необходимое сигнальному процессору DSP для кодирования и декодирования речевого сигнала;
объем буфера джиттера для сохранения пакетов данных до тех пор, пока все пакеты не будут получены; затем можно будет передать часть речевой информации в требуемой последовательности и таким образом минимизировать джиттер;
возможность потери пакетов - потеря пакетов при сжатии и/или передаче в оборудовании IP-телефонии;
наличие функции подавления эха, возникающего при передаче речи по сети.

исследованием проблем, связанных с задержками при передаче голоса по сети.

В результате был разработан стандарт ITU-T G.114, который рекомендует, чтобы задержка при передаче голоса в одном направлении не превышала 150 миллисекунд. Также стандарт рекомендует рассматривать задержку от 150 до 400 миллисекунд как приемлемую, если говорящий и слушающий понимают наличие задержки и готовы с ней смириться. В том случае, когда задержка достигает 400 миллисекунд и более, она становится заметной. Для сравнения можно привести общение через спутник: задержка при передаче по спутниковой связи в одном направлении составляет примерно 170 миллисекунд; при этом не учитывается задержка, возникающая в устройствах, расположенных на земле. Стандарт также устанавливает, что при передаче голоса задержка более чем 400 миллисекунд является неприемлемой.

к приемнику.
Задержка накопления (иногда называется алгоритмической задержкой): эта задержка обусловлена

необходимостью сбора кадра речевых отсчетов, выполняемая в речевом кодере. Величина задержки определяется типом речевого кодера и изменяется от небольших величин (0,125 мкс) до единиц миллисекунд.
Задержка обработки: процесс кодирования и сбора закодированных отсчетов в пакеты для передачи через пакетную сеть создает определенные задержки. Задержка кодирования или обработки зависит от скорости работы процессора и используемого типа алгоритма обработки.
Сетевая задержка: задержка обусловлена физической средой и протоколами, применяемыми для передачи речевых данных, а также буферами, используемыми для удаления джиттера пакетов на приемном конце.

на пакеты для передачи через IP-сеть, пакеты часто прибывают в

пункт назначения в различное время и в разной последовательности. Это создает разброс времени доставки пакетов - джиттер. Джиттер приводит к специфическим нарушениям передачи речи, они воспринимаются как треск и щелчки. Различают три формы джиттера:
Джиттер, зависимый от данных (Data Dependent Jitter - DDJ) - происходит в случае ограниченной полосы пропускания или при нарушениях в сетевых компонентах.
Искажение рабочего цикла (Duty Cycle Distortion - DCD) - обусловлено задержкой распространения между передачей снизу вверх и сверху вниз.
Случайный джиттер (Random Jitter - RJ) - является результатом теплового шума.

время прохождения пакета через сеть.
Влияние операционной системы:
Большинство приложений IP-телефонии

(особенно клиентских) представляет собой обычные программы, выполняемые в среде какой-либо операционной системы, например, Windows или Linux.
Большинство операционных систем не могут контролировать распределение времени центрального процессора между разными процессами с точностью, превышающей несколько десятков миллисекунд, и не могут обрабатывать за такое же время более одного прерывания от внешних устройств.
Влияние джиттер-буфера.
Проблема джиттера весьма существенна в пакетно-ориентированных сетях. Отправитель речевых пакетов передает их через фиксированные промежутки времени (например, через каждые 20 мс), но при прохождении через сеть задержки пакетов оказываются неодинаковыми, так что они прибывают в пункт назначения через разные промежутки времени.
Влияние кодека и количества передаваемых в пакете кадров.
Большинство современных эффективных алгоритмов кодирования/декодирования речи ориентировано на передачу информации кадрами, а не последовательностью кодов отдельных отсчетов. Поэтому в течение времени, определяемого длиной кадра кодека, должна накапливаться определенной длины последовательность цифровых представлений отсчетов. Кроме того, некоторым кодекам необходим предварительный анализ большего количества речевой информации, чем должно содержаться в кадре. Это неизбежное время накопления и предварительного анализа входит в общий бюджет длительности задержки пакета.

приведены отдельные характеристики спутниковой передачи, при которой требуется примерно 170

мс для того, чтобы сигнал достиг спутника и вернулся обратно к Земле (без учета затрат времени на обработку сигнала). Таким образом, полное время задержки превышает 250-300 мс. Согласно рекомендации G.114, такая задержка выходит за границы диапазона, приемлемого для передачи речи. Тем не менее, ежедневно значительное количество разговоров ведется по спутниковым линиям связи. Следовательно, приемлемое качество речи определяется также и требованиями пользователей, которые вынуждены согласиться с обстоятельствами.

и у говорящего, и у слушающего. Говорящий слышит с определенной

задержкой свой собственный голос. Если сигнал отражается дважды, то слушающий дважды слышит речь говорящего (второй раз - с ослаблением и задержкой).
В телефонных сетях существуют два вида эха:
Эхо говорящего. Когда абонент говорит по телефону и слышит собственный голос, такое явление называется эхом говорящего.
Эхо слушающего. Когда абонент слышит голос собеседника дважды, то такая ситуация называется эхом слушателя.
В той или иной степени эхо присутствует всегда. Однако серьезной проблемой оно становится только при большой громкости. Эхо также представляет собой проблему в том случае, когда интервал между моментом, когда абонент говорит, и моментом появления отраженного сигнала становится достаточно большим. Если абонент слушает речь собеседника, то эхо мешает пониманию разговора - речь собеседника звучит в трубке дважды.
Эхо может иметь электрическую и акустическую природу.

эхозаградители и эхокомпенсаторы.
Эхозаградители появились в начале 70-х годов. Принцип их

работы прост и состоит в отключении канала передачи, когда в канале приема присутствует речевой сигнал. Такая техника широко используется в дешевых телефонных аппаратах с громкоговорящей связью (speakerphones), однако простота не обеспечивает нормального качества связи - перебить говорящего становится невозможно, т. е. связь, по сути, становится полудуплексной.
Эхокомпенсатор - это более сложное устройство, которое моделирует эхо-сигнал для последующего его вычитания из принимаемого сигнала. Эхо моделируется как взвешенная сумма задержанных копий входного сигнала или, иными словами, как свертка входного сигнала с оцененной импульсной характеристикой канала. Оценка импульсной характеристики происходит в тот момент, когда говорит только удаленный корреспондент, для чего используется детектор одновременной речевой активности. После вычитания синтезированной копии эхо-сигнала из сигнала обратного направления полученный сигнал подвергается нелинейной обработке для увеличения степени подавления эха (подавление очень слабых сигналов).

до продолжительности самого длительного подавляемого эхо-сигнала. Это значит, что эхокомпенсаторы,

рассчитанные на подавление более длительных эхо-сигналов, требуют для своей реализации большего объема памяти и большей производительности процессора. Таким образом, выгодно помещать эхокомпенсаторы "максимально близко", в смысле задержки, к источнику эха.
По изложенным причинам эхокомпенсаторы являются неотъемлемой частью шлюзов IP-телефонии. Алгоритмы эхо-компенсации реализуются обычно на базе тех же цифровых сигнальных процессоров, что и речевые кодеки, и обеспечивают подавление эхо-сигналов длительностью до 32-64 мс. К эхокомпенсаторам терминалов громкоговорящей связи предъявляются гораздо более строгие требования, которые здесь рассматриваться не будут, так как проблема акустического эха не входит в число проблем, специфических для IP-телефонии.

возникла необходимость преобразовать аналоговый электрический сигнал в цифровой формат на

передающей стороне, то есть закодировать, и затем после приема перевести обратно в аналоговую форму, то есть декодировать.
Цель любой схемы кодирования - получить такую цифровую последовательность, которая требует минимальной скорости передачи и из которой декодер может восстановить исходный речевой сигнал с минимальными искажениями.
При преобразовании речевого сигнала в цифровую форму так или иначе имеют место два процесса - дискретизация (sampling), то есть формирование дискретных во времени отсчетов амплитуды сигнала, и квантование, то есть дискретизация полученных отсчетов по амплитуде (кодирование непрерывной величины - амплитуды - числом с конечной точностью). Эти две функции выполняются аналого-цифровыми преобразователями (АЦП), которые размещаются в современных АТС на плате абонентских комплектов, а в случае передачи речи по IP-сетям - в терминале пользователя (компьютере или IP-телефоне).

успешно восстановлен из последовательности выборок с частотой, которая превышает как

минимум вдвое максимальную частоту, присутствующую в спектре передаваемого сигнала. В телефонных сетях полоса частот речевого сигнала намеренно, посредством специальных фильтров, ограничена диапазоном 0,3-3,4 кГц, что не влияет на разборчивость речи и позволяет узнавать собеседника по голосу. По этой причине частота дискретизации при аналого-цифровом преобразовании выбрана равной 8 кГц, причем такая частота используется во всех телефонных сетях на нашей планете.

естественно, приводит к потерям информации. Для того чтобы обеспечить в

такой схеме достаточный динамический диапазон (способность передавать без искажений как сильные, так и слабые сигналы), дискретная амплитуда сигнала кодируется 12/13-разрядным двоичным числом по линейному закону.
Процесс аналого-цифрового преобразования получил применительно к системам связи название импульсно-кодовой модуляции (ИКМ).
Чтобы снизить необходимую скорость передачи битов, применяют нелинейный (логарифмический) закон квантования, т. е. квантованию подвергается не амплитуда сигнала, а ее логарифм. В данном случае происходит процесс "сжатия" динамического диапазона сигнала, а при восстановлении сигнала - обратный процесс.
На сегодня применяются две основные разновидности ИКМ:
с кодированием по m-закону;
с кодированием по А-закону.

всего восемью битами. Различаются эти разновидности ИКМ деталями процесса сжатия

(m-закон кодирования предпочтительнее использовать при малой амплитуде сигнала и при малом отношении сигнал/шум). Исторически сложилось так, что в Северной Америке используется кодирование по m-закону, а в Европе - по А-закону. Поэтому при международной связи во многих случаях требуется преобразование m-кодирования в A-кодирование, ответственность за которое несет страна, где используется m-закон кодирования. В обоих случаях каждый отсчет кодируется 8 битами, или одним байтом, который можно считать звуковым фрагментом. Для передачи последовательности таких фрагментов необходима пропускная способность канала, равная 64 кбит/с. Это определяется простыми арифметическими действиями: 4 000 Гц * 2 = 8 000 отсчетов/с; 8 000 отсчетов/с * 8 битов = 64 кбит/с, что является базовой частотой для цифровой телефонии. Поскольку ИКМ была первой стандартной технологией, получившей широкое применение в цифровых системах передачи, пропускная способность канала, равная 64 кбит/с, стала всемирным стандартом для цифровых сетей всех видов, причем стандартом, который обеспечивает передачу речи с очень хорошим качеством. Соответствующие процедуры кодирования и декодирования стандартизованы ITU-T в рекомендации G.711.

разделить на три категории: кодирование формы сигнала (waveform coding), кодирование

исходной информации (source coding) и гибридное кодирование, представляющее собой сочетание двух предыдущих подходов.
Наибольший интерес представляют сложные алгоритмы, позволяющие снизить требования к полосе пропускания.
В них осуществляется кодирование формы сигнала, используется то обстоятельство, что между случайными значениями нескольких следующих подряд отсчетов существует некоторая зависимость. Проще говоря, значения соседних отсчетов обычно мало отличаются одно от другого. Это позволяет с довольно высокой точностью предсказать значение любого отсчета на основе значений нескольких предшествовавших ему отсчетов.

возможность изменять параметры квантования в зависимости от характера сигнала.
Во-вторых, существует

подход, называемый дифференциальным кодированием, или линейным предсказанием. Вместо того чтобы кодировать входной сигнал непосредственно, кодируют разность между входным сигналом и "предсказанной" величиной, вычисленной на основе нескольких предыдущих значений сигнала.
Простейшей реализацией последнего подхода является так называемая дельта-модуляция (ДМ), алгоритм которой предусматривает кодирование разности между соседними отсчетами сигнала только одним информационным битом, обеспечивая передачу, по сути, только знака разности.
Наиболее совершенным алгоритмом является алгоритм адаптивной дифференциальной импульсно-кодовой модуляции (АДИКМ). Он предусматривает формирование сигнала ошибки предсказания и его последующее адаптивное квантование.
Подобные методы кодирования часто используются в современных устройствах кодирования речи.