大家下午好，很高興今天有機(jī)會和大家分享一下：讓我們的APP實(shí)現(xiàn)實(shí)時(shí)語音功能時(shí)，我們需要做哪些測試？要怎么樣做這些測試才能保證上線后是穩(wěn)定沒有問題的。

　　有的開發(fā)者說，他們自己做了實(shí)時(shí)語音的功能，在自己的測試中覺得沒有問題，在公司測得都很好，也通過了。上線后，收到很多用戶反饋：為什么你的語音這么卡，為什么有回聲，為什么會有雜音？。他們才發(fā)現(xiàn)這些問題其實(shí)并不是這么容易定位的，也不能像平時(shí)我們解BUG那樣快速修復(fù)這樣的問題。再追溯回來他們發(fā)現(xiàn)這背后跟很多網(wǎng)絡(luò)相關(guān)的優(yōu)化、音頻底層的算法都有很大的關(guān)系，這一塊他們自己也解決不了，所以就會出現(xiàn)比較尷尬的局面。所以，希望在今天的演講之后可以給大家一些更豐富的手段，幫助大家去評估一下自己手里的音頻引擎效果是怎么樣的。

　　首先，我們來講講實(shí)時(shí)語音的發(fā)展。我相信大家對實(shí)時(shí)語音這樣的功能應(yīng)該比較了解。實(shí)時(shí)語音發(fā)展已經(jīng)有幾十年的歷史，近幾年越來越多的APP提供了這個(gè)功能，包括微信、陌陌。越來越多的用戶愿意使用實(shí)時(shí)語音功能，從側(cè)面說明一個(gè)問題，實(shí)時(shí)語音這個(gè)功能已經(jīng)達(dá)到可以商業(yè)化的地步了。

　　這背后，我們這兩年網(wǎng)絡(luò)基礎(chǔ)設(shè)施的升級，智能終端設(shè)備的更新?lián)Q代，包括現(xiàn)在流行的WebRTC技術(shù)的快速發(fā)展，都為實(shí)時(shí)語音野蠻省長提供非常肥沃的土壤。我們非常高興地看到，除了社交之外，游戲、直播、在線醫(yī)療、在線教育這些行業(yè)對實(shí)時(shí)語音需求都是非常強(qiáng)烈。

　　那么問題來了，當(dāng)我們有一個(gè)語音引擎在手里，我們已經(jīng)調(diào)通了，出聲了，到上線究竟還有多遠(yuǎn)？這個(gè)問題其實(shí)是見仁見智的。我們跟一些開發(fā)者打交道下來，聽到比較多的兩種聲音是：我現(xiàn)在就想做視頻應(yīng)用，看臉的世界，出聲就可以；還有一種，我覺得音頻很重要，但是我不知道怎么測？我要如何來做測試才能保證上線后的穩(wěn)定？要回答這兩個(gè)問題我們首先來看一下我們實(shí)時(shí)語音到底有哪些特征？

　　首先，實(shí)時(shí)語音的完備性要求非常高。我們不可否認(rèn)語音是溝通的本質(zhì)，是信息的載體。如果我們在通話中語音信息丟失了，這個(gè)對話是根本不能繼續(xù)下去的。這實(shí)際上說明了，我們首先對實(shí)時(shí)語音的完備性要求是非常高的，而且用戶對這部分的音頻問題容忍度是非常低的。

　　第二，實(shí)時(shí)語音其實(shí)是隨機(jī)性很大。我們要做基于互聯(lián)網(wǎng)的實(shí)時(shí)語音，也決定了我們繞不開網(wǎng)絡(luò)的丟包、延時(shí)的問題，所以這部分又決定了實(shí)時(shí)語音其實(shí)是隨機(jī)性很大的。

　　第三，問題的多元性。這個(gè)問題怎么解釋？舉個(gè)例子，大家平時(shí)有人會給你報(bào)你的語音卡頓，到底是什么原因？你首先想到的肯定是網(wǎng)絡(luò)，網(wǎng)絡(luò)會卡頓。其實(shí)還有別的原因會引起卡頓，比如設(shè)備CPU負(fù)荷很高時(shí)，錄放音調(diào)度有問題，也會導(dǎo)致聲音的卡頓。更隱性的問題，比如回聲消除，兩個(gè)人同時(shí)說話時(shí)，這邊開著外放，收回去的時(shí)候兩個(gè)聲音混在一起，過程中會有損傷，造成斷續(xù)。通過這些例子，可以想見，實(shí)時(shí)語音的問題很難去定位。

　　最后，對錄放音設(shè)備的依賴。我們每個(gè)人都有自己的嘴和耳朵，設(shè)備也一樣，有揚(yáng)聲器和麥克風(fēng)，而且它還有更多的外設(shè)。所以，其實(shí)最后的聽感體驗(yàn)很大程度受到錄放音設(shè)備的制約，這也決定了音頻的問題其實(shí)是碎片化的。

　　我們可以看到，這四個(gè)問題其實(shí)都是很難搞的問題，這也決定了用喂喂喂或者簡單幾次測試不可能很好覆蓋整個(gè)音頻測試。

　　來總結(jié)一下，我們這里把影響語音質(zhì)量的因素分為三類：

　　網(wǎng)絡(luò)問題：丟包，或者抖動(dòng)，都會導(dǎo)致聽感滯后或者斷續(xù)；

　　設(shè)備問題：很突出，在一些低端的安卓機(jī)上，聲學(xué)設(shè)計(jì)并不理想。揚(yáng)聲器之間的耦合很大，或者揚(yáng)聲器的非線性很大，導(dǎo)致你的算法不能很好貫通在上面，導(dǎo)致聽感上有一些卡頓、毛刺的問題。

　　物理環(huán)境：比如我在一個(gè)很吵的環(huán)境和你打電話，或者我在很小的房間跟你打電話感覺是不一樣的；還有遠(yuǎn)場拾音，比如做電視應(yīng)用，必須要在2米以外收音，這個(gè)時(shí)候麥克風(fēng)的拾音效果決定了音頻聽到的體驗(yàn)。

　　這么多復(fù)雜的問題，業(yè)界一般怎么處理？

　　手機(jī)公司會有很大的消聲室，是用來規(guī)避一些不確定外界聲源的影響。還需要有人工頭、人工嘴和人工耳做高保真的放音和收音，四周有高保真的音響放出自由場的噪聲源，模擬不同網(wǎng)絡(luò)狀況。會測試回聲，語音在干凈或噪聲環(huán)境下的得分，雙降的性能。每個(gè)手機(jī)出場之前都會做這樣的測試。

　　但這一般開發(fā)者來說門檻很高，這樣一套設(shè)備很貴，我們有沒有更經(jīng)濟(jì)合理的方法做測試？

　　我們也總結(jié)了一下，聲網(wǎng)在實(shí)踐中覺得比較適合開發(fā)者自己去做，在上線前自測的一些方法，這里也按我們之前提到的三個(gè)歸類，網(wǎng)絡(luò)、設(shè)備和物理環(huán)境講一下。

　　首先，網(wǎng)絡(luò)部分。有TC跟NetEM，都可以模擬，如果具體步驟不清楚的同學(xué)，可以查看這個(gè)教程。

　　你還在靠“喂喂喂”來測語音通話質(zhì)量嗎，看完這篇文章你就能掌握正確姿勢

　　這里面可能不能涵蓋所有的丟包，但是基本上也能測到語音在不同丟包下的表現(xiàn)，可以測到引擎的極限在哪里。聲網(wǎng)的引擎基本現(xiàn)在做到在TC下，30%的丟包是無感的，70%的丟包可以正常的通話。

　　還有一個(gè)比較重要的是：跨運(yùn)營商的測試。這一點(diǎn)很多客戶是不重視的，自己在公司內(nèi)用P2P測覺得很好，一上線就有很多問題。在中國，跨運(yùn)營商的丟包，或者2G、3G、4G移動(dòng)網(wǎng)絡(luò)下會有很多問題，建議大家在這方面做足夠測試再上線。

　　其次，設(shè)備的問題。大家在一些平板電腦測試覺得聲學(xué)很好，調(diào)的也很好，底層也有算法。但是，到安卓之后就變得非常的麻煩。很多低端的安卓機(jī)，底層錄音的通路沒有調(diào)好，底噪很大。而且，聲學(xué)設(shè)計(jì)不夠好，有很多非線性的問題需要適配。而這些問題如果只是在一個(gè)比較高端的機(jī)器上測，可能是不會體現(xiàn)的。所以，如果你的目標(biāo)用戶中有很多這樣的機(jī)型，那么一定要在測試中把這一塊覆蓋好。同時(shí)，在聽筒、耳機(jī)、外放、藍(lán)牙，也需要去測，這些都是會影響用戶的體驗(yàn)的細(xì)節(jié)。

　　第三，物理場景。我們其實(shí)沒有辦法覆蓋非常多的場景，建議去下載一些語音降噪的序列、噪聲的序列，是免費(fèi)的，可以在不同的信噪比情況下用來測試。遠(yuǎn)場拾音，只要測一下不同的說話距離就能感覺到不同的體驗(yàn)。

　　我相信通過這三步的測試，你的語音引擎是基本可用的。

　　另外，稍微講一下一些技術(shù)細(xì)節(jié)。

　　我們常說的3A引擎是指：回聲消除、降噪和自動(dòng)增益控制，這是所有音頻引擎中必須有的模塊。在測回聲時(shí)，需要留意降完回聲之后殘留的程度；雙講透明度，就是兩個(gè)人同時(shí)說話的時(shí)候會有多少聲音可以透過去；穩(wěn)定性是指在安卓上這些CPU比較高的情況之下可以穩(wěn)定運(yùn)行的一個(gè)時(shí)間，收斂時(shí)間。 降噪，我降噪完聲音的殘留噪聲的程度和收斂時(shí)間。自動(dòng)增益控制關(guān)注兩個(gè)點(diǎn)，第一收音距離多遠(yuǎn)，第二，你把聲音推大，雜音也會推大，這個(gè)部分有沒有做特殊的處理？不然有人會說，你的這個(gè)聲音是很大，但是背景音一起推起來了，這時(shí)需要一些算法來做的更好。如果在1米、2米情況下不用AGC聲音已經(jīng)非常小，這里面必須有算法支持它。

　　上圖的三個(gè)算法也是比較特殊場景下的算法，聲網(wǎng)在這三塊也做了比較多的工作。

　　可懂度增強(qiáng)：如果我在很噪雜的環(huán)境，對方傳過來的聲音是不吵的，但是我聽著還是很累，因?yàn)槲遗赃呌泻芏嘧屛曳中牡穆曇�。這個(gè)時(shí)候，我們需要去評估現(xiàn)在的環(huán)境下的有多噪雜，從而調(diào)整下行的信號讓你聽得更清楚。

　　盲源分離：指的是我們剛才的降噪說得是平穩(wěn)噪聲，對應(yīng)在數(shù)學(xué)上也是用統(tǒng)計(jì)模型來做。但是在非平穩(wěn)信號下，可能需要有多麥技術(shù)來定位主講人聲源在哪，主要收主講人的聲音，其他的聲音屏蔽。

　　嘯叫抑制：真實(shí)環(huán)境中并不是很多。在做音頻測試時(shí)，如果兩個(gè)手機(jī)開著外放，你就會聽到很尖銳的雜音一直響。這怎么辦？其實(shí)很簡單，只要把一臺插上耳機(jī)，把回環(huán)的通路打斷就不會叫。聲網(wǎng)自己做了嘯叫抑制的模塊，兩個(gè)手機(jī)都外放，即使不插耳機(jī)，我們也會把檢測到的尖銳雜音自動(dòng)壓下來。

　　如果做的應(yīng)用是比較特殊的場景，比如直播、游戲，我們還有特殊的點(diǎn)需要注意。

　　做直播，推流基本用44.1K，但聲音有效采樣取到多少才是真正重要的。左圖是32K的采樣，右圖那個(gè)雖然是44.1K的聲源，但其實(shí)有效頻率是8K，實(shí)際聽到的聲音會變悶的。

　　ASMR，就是用立體聲錄音去給聽眾聽到空間感的音頻。那聲網(wǎng)在手機(jī)平臺上，第一個(gè)做到立體聲錄音和播放。這意味著，主播可以現(xiàn)在拿著這個(gè)立體聲的設(shè)備走到街上，一輛車開過去，其實(shí)直播的聽眾戴了耳機(jī)就能感覺到從左到右的效果。

　　再講一下游戲，很特殊的場景。拿一個(gè)槍戰(zhàn)類的游戲舉例，在3D環(huán)境里可以聽到周圍有隊(duì)友開槍，可以聽到哪邊交火。如果玩家開了實(shí)時(shí)語音，自己開著外放。那么玩家開槍的聲音通過他的外放再被收回去，這部分回聲消除由于沒有參考信號就做不了。這個(gè)聲音傳過去會影響對方的判斷，直接降低玩家的游戲體驗(yàn)。

　　上線只是一個(gè)開始，上線之后，語音的碎片化問題還會不斷出現(xiàn)。那么就需要做兩方面的統(tǒng)計(jì)。

　　全局監(jiān)控。來反饋全局質(zhì)量，是不是大部分用戶都比較好？上圖是聲網(wǎng)做的一個(gè)統(tǒng)計(jì)，反應(yīng)每天使用用戶大概比例，用什么網(wǎng)絡(luò)什么系統(tǒng)，音頻視頻打分如何，丟包率如何？如果你不是使用聲網(wǎng)的服務(wù)，你自己也需要做這樣一套系統(tǒng)，來改進(jìn)服質(zhì)量 。

　　個(gè)例分析。全局反饋良好，但依然有用戶報(bào)問題，我的聲音聽不到怎么辦？聲網(wǎng)在實(shí)踐當(dāng)中做了這樣一套系統(tǒng)，可以根據(jù)用戶ID去查詳細(xì)的通話信息：包括一些碼率、CPU的情、音頻錄音大小可以自己看得到，這樣子就能定位問題。

　　提問：我問一個(gè)關(guān)于降噪的問題，你剛才的演示PPT里面沒有很清楚，降噪之后背景噪聲是消除越干凈越好？還是應(yīng)該是有一定的率？

　　陳若非：降噪有一個(gè)很大的問題，你壓得越多噪聲越低，語音失真也越大，這是必然的。如果你有一個(gè)噪音，失真率很小，如果壓得很多，非常干凈，這個(gè)聲音頻率上會特別高，聽起來尖尖的，不是很舒服。所以這需要你在實(shí)踐中自己去調(diào)到一個(gè)你認(rèn)為最好的點(diǎn)，沒有絕對，我不知道這樣回答有沒有回答你的問題？