抖动缓冲区的Java实现

我正在为我的VOIP应用程序寻找Java中的自适应抖动缓冲区实现。我为我的应用程序编写了一个固定的抖动缓冲区，但由于网络质量差，我或者遇到了缓冲区不足或者缓冲区溢出的问题

是否有任何基于Java的自适应抖动缓冲区实现可直接用于我的应用程序或用作参考

任何帮助都将不胜感激

---

谢谢

我一直在研究这个问题（虽然是用C语言），就在我认为我已经解决了这个问题的时候，互联网变得很忙，或者在某个地方发生了变化，然后繁荣起来！又是一些断断续续的声音。好。我很确定我现在已经被打败了

使用下面的算法，我的声音质量非常非常好。我将它与我在相同网络条件下运行的其他软电话进行了比较，它的性能明显更好

我要做的第一件事是尝试确定我们正在注册的PBX或其他SIP代理是否位于UA（软电话）的本地网络上

如果是，我将jitterbuffer定义为100ms，如果不是，我使用200ms。这样，如果可以的话，我可以限制我的延迟；即使是200毫秒也不会产生任何明显的会话问题或过度交谈

所以。然后，我使用任何可用类型的系统计数器，例如Windows=GetTickCount64（），用我的第一个数据包进入播放时的毫秒精度时间填充变量。让我们称之为变量“x”

然后当（（GetTickCount64（）-x）>jitterbuffer）为true时，我开始在该缓冲区上播放

正向固定长度抖动缓冲区实现。这里是棘手的一点

当我解码RTP帧（如从muLaw到PCM）以缓冲播放时，我计算音频帧的平均绝对振幅，并将其与播放帧一起保存

我是通过这样的结构来实现的：

typedef struct tagCCONNECTIONS {
    char binuse;
    struct sockaddr_in client;
    SOCKET socket;
    unsigned short media_index;
    UINT32 media_ts;
    long ssrc;
    unsigned long long lasttimestamp;
    int frames_buffered;
    int buffer_building;
    int starttime;
    int ssctr;
    struct {
            short pcm[160];
    } jb[AUDIO_BUFFER]; /* Buffered Audio frame array */
    char jbstatus[AUDIO_BUFFER]; /* An array containing the status of the data in the     CCONNETIONS::jb array */
    char jbsilence[AUDIO_BUFFER];
    int jbr,jbw; /* jbr = read position in CCONNECTIONS::jb array, jbw = write position     */
    short pcms[160];
    char status;
    /* These members are only used to buffer playback */
    PCMS *outraw;
    char *signal;
    WAVEHDR *preparedheaders;
    /**************************************************/
    DIALOGITEM *primary;
    int readptr;
    int writeptr;
} CCONNECTIONS;

好的，请注意tagCCONNECTIONS:：jbsilence[AUDIO_BUFFER]结构成员。这样，对于tagCCONNECTIONS:：jb[x].pcm[]中的每个解码音频帧，都会有相应的数据来判断该帧是否可以听到

这意味着对于即将播放的每个音频帧，我们都有关于该帧是否可听见的信息

还有

#define READY 1
#define EMPTY 0

tagCCONNECTIONS:：jbstatus[AUDIO_BUFFER]字段让我们知道正在播放的特定音频帧是准备好的还是空的。在缓冲区下溢的理论情况下，它可能是空的，在这种情况下，我们通常会等待它准备好，然后开始播放

现在在我播放音频的例行程序中…我有两个主要功能。一个名为pushframe（），另一个名为popframe（）

打开网络连接并接收RTP的我的线程调用pushframe（），它将muLaw转换为PCM，计算帧的平均绝对振幅，并在无声时将其标记为静音，并将：：jbstatus[x]标记为就绪

然后在播放音频的线程中，我们首先检查jitterbuffer时间是否已过期，再次检查

if ( ( GetTickCount64() - x ) > jitterbuffer ) {...}

然后，我们检查要播放的下一帧是否已准备就绪（意味着它确实已被填充）

然后，我们检查该帧之后的帧是否也准备就绪，以及是否可以听到或静音

***重要的

基本上，我们知道一个200毫秒的抖动缓冲器可以容纳10个20毫秒的音频帧

如果在初始200毫秒抖动缓冲延迟（保存音频）后的任何时候，我们排队的音频帧数下降到10（或jitterbuffer/20）以下，我们进入我称之为“buffer_building”模式。如果我们计划播放的下一个音频帧是静默的，我们会告诉程序抖动缓冲区还没有满，离满还有20毫秒，但我们继续播放我们现在播放的帧，因为我们看到的下一个帧是“静默的”…再次。我们只是不播放静默帧，而是使用静默时间段等待入站帧来重新填充缓冲区

tagCCONNECTIONS::lasttimestamp = GetTickCount64() - (jitterbuffer-20);

在“假定”的静默期间，这将有一段完全静默的时间，但允许缓冲区自我补充。然后，当我又满了10帧时，我会退出“buffer_building”模式，只播放音频

我进入“buffer_building”（缓冲区建筑）模式，即使我们距离一个完整的缓冲区只有一帧，因为可能会有一个唠叨不休的人在说话，也不会有太多的沉默。即使在“buffer_building”（缓冲区构建）模式下，也会很快耗尽缓冲区

现在…“什么是沉默？”我听到你问。在我的胡闹中，我将静默硬编码为平均绝对16位PCM振幅小于200的任何帧。我的估计如下：

int total_pcm_val=0;
/* int jbn= whatever frame we're on */
for (i=0;i<160;i++) {
    total_pcm_val+=ABS(cc->jb[jbn].pcm[i]);
}
total_pcm_val/=160;
if (total_pcm_val < 200) {
    cc->jbsilence[jbn] = 1;
}

int-total\u-pcm\u-val=0；
/*int jbn=无论我们在哪一帧上*/
对于（i=0；ijb[jbn].pcm[i]）；
}
总数_pcm_val/=160；
如果（总pcm值<200）{
cc->jbn[jbn]=1；
}

现在，我计划在这个连接上保持一个总的平均振幅，如果我们当前接收到的音频帧的振幅是整个平均振幅的5%或更少，那么我们认为帧是无声的，或者可能是2%……我不知道，但是如果有大量的风或背景噪声的话，“沉默”的定义可以适应。我必须处理这个问题，但我相信这是补充抖动缓冲的关键

当没有重要的信息要听时就去做，并保持真实的信息（他们的声音）清晰无误

---

我希望这有帮助。说到解释，我有点头脑混乱，但我非常非常满意我的VoIP应用程序的声音。

你到底有什么问题？估计所需的缓冲区大小？（排队论可能有帮助。）还是动态内存分配？或者别的什么？我希望能够根据当前抖动改变缓冲区大小。我可以计算变化的抖动并找到一个新的抖动值。但不知道怎样才能用来形容