Кратко

  • RFC 3389 заменил обычные речевые пакеты в неактивных интервалах компактным описанием комфортного шума: обязательным байтом уровня и необязательными спектральными коэффициентами.
  • Слышимый фон создавал приёмник, поэтому корректный CN-пакет подтверждал передачу модели, но не запись удалённой комнаты и не точность её акустического воспроизведения.

Настоящая пауза в разговоре не бывает цифровым нулём. В комнате остаются вентиляция, электроника микрофона, далёкое движение и собственное акустическое зерно. Когда всё это исчезает одновременно, тишина воспринимается не как покой, а как обрыв. Человек спрашивает: «Вы ещё здесь?»

Можно было продолжать передавать каждую выборку фона, но тогда молчание не экономило бы канал. Пакетная телефония выбрала другой путь: прекращать полное кодирование в неактивный период, передавать несколько характеристик среды и поручать противоположной стороне создание правдоподобной замены.

RFC 3389 вышел в сентябре 2002 года как документ Standards Track и определил эту передачу для RTP. Формат предназначался прежде всего кодекам без встроенного механизма комфортного шума: G.711, G.726, G.727, G.728 и G.722. Спецификация не пыталась унифицировать всю акустическую систему.

Детектор речевой активности локально решает, активен ли голос. Механизм прерывистой передачи выбирает момент остановки обычных кадров и отправки обновления. Генератор на принимающей стороне превращает параметры в слышимую волну. RFC оставляет VAD, DTX, анализ и синтез конкретной реализации.

Общий формат начинается с одного октета. Полезную нагрузку CN называют также кадром SID — дескриптором вставки тишины. Семь младших битов задают величину уровня шума в отрицательных децибелах относительно цифровой перегрузки. Старший бит не используется и обязан быть нулём. Значение 0 означает 0 dBov, а 127 — −127 dBov.

Этот байт не содержит фрагмента записи. Он описывает уровень. Два приёмника могут получить одинаковое значение и создать разные сигналы: стандарт согласует смысл входного параметра, а не идентичность каждого выходного отсчёта.

За уровнем могут следовать квантованные коэффициенты отражения. Они описывают спектральную огибающую полюсной моделью. Порядок модели не передаётся отдельным полем, а выводится из длины. Кодировщик выбирает число коэффициентов по качеству, сложности, ожидаемому шуму и полосе. Декодер может обнулить старшие коэффициенты и сократить собственные вычисления.

Расширение осталось совместимо с прежним однобайтовым вариантом. Старый приёмник читал уровень и игнорировал спектральные байты. Он успешно принимал сообщение, но строил тембр по более бедному описанию. Совместимость на проводе не обещала одинакового восприятия.

RTP обращается с CN как с небольшим самостоятельным кодеком. Метка времени обозначает начало описанного периода комфортного шума. Маркерный бит устанавливать не следует. Из-за переменной длины каждый RTP-пакет содержит ровно одну нагрузку CN на канал; при нескольких каналах порядок спектральной модели должен быть одинаковым.

Статический тип 13 имеет строгую границу. Он означает CN только при частоте часов RTP 8000 Гц. Другая частота требует динамического типа и объявленного соответствия, например CN/16000. Число без часов и описания сеанса не даёт полного права на интерпретацию.

В начале неактивного речевого участка отправитель помещает CN-пакет в тот же RTP-поток. Затем он может обновлять модель периодически либо ждать существенного изменения фона. RFC сознательно не назначает общий интервал. Между обновлениями приёмник продолжает работать с последней моделью и собственным методом синтеза.

Поэтому один слышимый результат распадается на несколько самостоятельных свидетельств. VAD фиксирует мнение устройства, что голос неактивен. DTX фиксирует остановку обычных кадров. SID несёт уровень и, возможно, спектр. Приёмник создаёт новую волну. Слушатель оценивает её естественность. Ни одна предыдущая запись автоматически не доказывает следующую.

Отсутствие пакетов тоже не доказывает исправную работу CN. Раздел о SDP прямо говорит: если тип CN не объявлен, это не значит, что подавления тишины нет. RTP разрешает прерывистую передачу для любого аудиоформата. После промежутка скачок метки времени при увеличении номера последовательности лишь на единицу может показать пропущенное во времени аудио. Но потеря и отказ тоже оставляют пустоты. Нужны переговоры и состояние конечных устройств.

Позднее RFC 6263 рассмотрел CN-пакеты как средство сохранения RTP-пути через преобразователь адресов. Документ предупредил, что удалённая сторона должна поддерживать и согласовать CN, а приёмник, вероятно, воспроизведёт пакет как шум. Сообщение для обслуживания сети могло попасть в ухо человеку, и выбор уровня становился эксплуатационным решением.

RFC 6465 использовал ту же шкалу −dBov в расширении уровня звука RTP. Общая мера упрощает реализацию, но не делает утверждения одинаковыми. Расширение сообщает уровень вместе с передаваемым медиа; SID даёт материал, из которого приёмник производит медиа в отсутствие речевых кадров.

Принцип минимальной начальной спецификации Лу Хэна объясняет такую границу. Для совместимости общими должны быть кодирование уровня, необязательные коэффициенты, порядок байтов, упаковка, начало периода, каналы, имя и часы. Совершенствование детектора и синтезатора может оставаться локальным выбором участников, запускающих код, без постоянного разрешающего центра.

Приоритет работающего кода задаёт обратное ограничение. Сам факт публикации RFC не доказывает, что тихая речь не была отрезана или что искусственный фон звучал естественно. Это показывают конкретные реализации, измерения и прослушивание. Документ создаёт условия взаимодействия, но не превращает модель в акустическую истину.

RFC 3389 передавал меньше звука, но больше пустоты. Удалённая комната не проходила через сеть. Проходило краткое описание, из которого другая машина строила новую слышимую комнату. Речевые пакеты прекращались, физическая среда продолжала звучать, а среда в динамике заново рождалась из нескольких байтов и работающего кода приёмника.

Источники