Resumo

  • O RFC 3389 definiu um descritor compacto de ruído de conforto para os intervalos sem fala: um byte obrigatório de nível e coeficientes espectrais opcionais.
  • O receptor criava o som ambiente localmente; o pacote recebido comprovava a chegada de um modelo, não a gravação ou a reprodução fiel da sala remota.

Uma pausa em uma conversa não costuma ser vazia. Mesmo quando ninguém fala, um ambiente contém ventilação, eletrônica, reverberação e sons distantes. Se todos desaparecem no mesmo instante, o silêncio perfeito parece menos natural do que uma falha. A pergunta “você ainda está aí?” é uma reação a essa perda de continuidade.

Transmitir cada amostra do fundo resolveria a sensação, mas manteria o consumo de banda. A telefonia em pacotes encontrou uma solução intermediária: suspender as tramas completas de fala, resumir algumas propriedades do ambiente e deixar o equipamento do outro lado produzir um substituto.

Publicado em setembro de 2002 na trilha de padrões, o RFC 3389 definiu esse resumo para RTP. O formato se destinava principalmente a codecs sem mecanismo próprio de ruído de conforto, como G.711, G.726, G.727, G.728 e G.722. Ele não transformou toda a percepção acústica em regra comum.

O detector de atividade de voz decide se um trecho contém fala ativa. A transmissão descontínua decide quando interromper o codec normal e quando emitir uma atualização. O gerador no receptor converte os parâmetros em som. O RFC deixou VAD, DTX, análise e síntese deliberadamente a cargo de cada implementação.

O ponto comum começa em um octeto. A carga CN também recebe o nome de quadro SID, descritor de inserção de silêncio. Os sete bits inferiores do primeiro byte representam a magnitude do nível em decibéis negativos relativos à sobrecarga digital. O bit superior não é usado e precisa ser zero. O valor 0 significa 0 dBov; 127 significa −127 dBov.

Esse valor não é uma amostra da sala. É uma afirmação limitada sobre nível. Dois receptores podem ler o mesmo byte e criar ondas diferentes, pois o padrão coordena o significado da entrada, não a identidade da saída sonora.

Bytes posteriores podem transportar coeficientes de reflexão quantizados. Eles descrevem a envoltória espectral por um modelo de todos os polos. O número de coeficientes é inferido pelo comprimento da carga. O codificador escolhe a ordem considerando qualidade, complexidade, ruído esperado e largura de banda; o decodificador pode zerar coeficientes mais altos e reduzir seu próprio custo.

Essa extensão preservou a leitura antiga de um único byte. Um receptor legado podia usar o nível e ignorar toda a parte espectral. O pacote continuava válido, mas o timbre reconstruído partia de menos informação. Compatibilidade mínima e equivalência perceptiva nunca foram a mesma promessa.

No RTP, o CN se comporta como um codec independente e pequeno. O timestamp marca o início do período descrito. O bit marcador não deve ser acionado. Cada pacote contém exatamente uma carga CN por canal; se houver vários canais, todos empregam a mesma ordem espectral, pois o comprimento é compartilhado.

O tipo estático 13 tem uma fronteira essencial: ele representa CN com relógio RTP de 8.000 Hz. Outra taxa exige um tipo dinâmico e uma associação informada, como CN/16000. O número, sozinho, não é uma licença para interpretar qualquer sessão.

Ao começar um intervalo inativo, o emissor envia CN no mesmo fluxo. Depois disso, pode atualizar periodicamente ou apenas quando o fundo muda de forma significativa. O RFC não impõe uma cadência. Entre mensagens, o receptor mantém o último modelo e continua sua síntese local.

Um registro de rede, portanto, prova menos do que o ouvido sugere. Ele pode fixar o tipo, o timestamp, o nível e os coeficientes. Não prova que o detector classificou corretamente uma fala baixa, não mostra o sinal analógico original e não preserva a onda que saiu do alto-falante remoto.

A ausência de pacotes também não basta para diagnosticar CN. A orientação de SDP do RFC afirma que omitir o tipo CN não implica ausência de supressão de silêncio. O RTP permite transmissão descontínua em qualquer formato de áudio. Um salto de timestamp com avanço unitário na sequência ajuda a reconhecer tempo não transmitido, mas perdas e falhas também produzem vazios. A negociação e os estados dos terminais precisam acompanhar a captura.

O RFC 6263 mostrou uma consequência posterior. Ele avaliou CN como forma de manter traduções de endereço abertas, mas alertou que o outro lado deveria suportar e negociar o formato e provavelmente renderizaria o pacote como ruído. Uma mensagem enviada por motivo de conectividade poderia ser ouvida por uma pessoa. O nível passava a ter efeito operacional e humano.

O RFC 6465 reutilizou a convenção de −dBov em uma extensão de nível de áudio. A mesma unidade não dá a mesma autoridade às duas mensagens. A extensão relata nível junto do áudio; a carga CN fornece matéria para o receptor fabricar áudio quando as tramas de fala cessam.

A ideia de Especificação Inicial Mínima de Lu Heng explica a divisão. Para interoperar, os participantes precisavam concordar com nível, coeficientes opcionais, ordem, empacotamento, início temporal, canais, nome e relógio. Não precisavam entregar a uma regra central cada melhoria futura de detecção ou geração. A inovação permanecia localizada no código executado.

A Primazia do Código em Execução estabelece o limite contrário. Publicar o documento não torna o resultado natural, não evita corte de fala e não demonstra satisfação. Isso depende de implementações concretas, medições e escuta. O padrão torna a cooperação possível; não converte um modelo em verdade acústica.

O RFC 3389 transportou algo menor que o som e maior que o nada. Quando os pacotes de fala paravam, a sala física continuava existindo. O que atravessava a rede era uma pequena descrição. A sala que o ouvinte percebia no destino surgia de novo, construída pelo receptor a partir daquela descrição e de suas próprias escolhas.

Fontes