音频筑基：算法时延分析

前言

---

音频算法中，经常遇到时延分析的问题，刚开始接触大多都比较迷惑，这里将自己对时延的学习思考梳理总结于此。

时延是啥

---

音频领域中，时延(delay/latency)主要指声音从源端发出，经链路传输，再到对端接收到声音，所经过的总时间延迟。一般人耳无法感知的蓝牙段链路时延是25-30ms以内。

一般来说，时延首先要分清楚计算器处理时延（依赖硬件）和算法时延（不依赖于硬件的）。这里以蓝牙链路为例，分析下传输延迟的组成：

• 音频编解码所需缓存及处理时间，算法相关
• 音频输入输出的硬件延迟和缓存时间，硬件相关
• 蓝牙传输物理层和协议层及缓存时间，硬件相关
• 蓝牙数据包重传机制，硬件与场景相关

举例分析

---

这里以音频编解码算法为例，看看算法维度里的时延：

• 算法处理硬件运行时间
• 算法处理端到端延迟时间

算法处理硬件运行时间，指跑完这个算法实际硬件所需时间，当下硬件处理水平普遍都小于编解码算法的帧长、look ahead等延迟总和，故而通常不予考虑。

算法处理端到端(E2E, end to end)延迟时间，指：1、进入编解码积攒的音频帧(Capturing)所需时间（如10ms），2、编解码低延迟频域转换所需look ahead（如2.5ms）。这两种延迟均是算法原理带来的，直接影响端到端延迟，不与硬件有关系，所以也简称为算法时延。

The look ahead delay is algorithmic only and represents a delay in audio content, and not actual processing time.

time: |-----|--------------------|----------|**********************|--------------|-------|
type:   adc,   capturing frame,    encoding,    transport/retrans,      decoding,    dac

如下图所示，硬件处理时间如adc, encoding(硬件运行), transport, retrans, decoding(硬件运行),dac。

整体过程简单理解就是音频物理信号产生，经过数模转换成数字信号，再经过编码压缩，通过网络传输/重传发送，对端接收到解码，再数模转换成模拟信号播放出来。

其中，encoding项经过算法后就会导致端到端信号偏移frame time + look ahead这么长的算法时延，硬件处理通常能在单帧时间内解码完毕，所以编解码硬件时间通常不考虑。

相关资料

---

1. Introducing-Bluetooth-LE-Audio-book，link, P137, Figure 5.7
2. Unraveling Bluetooth LE Audio，link，Table6-2. Figur 6-3