RTMP中的speex音频流与RTP的对接

带音视频交互的flash项目中，音频编码只能选择speex格式。

    这篇文章分为三部分。分别为flex中提供的音频接口、RTMP中的speex数据、如何转换为RTP流。

 

一、flex中提供的音频接口

    用flex编写客户端，它提供的接口是封装过的，与speex标准编解码器之间的调用实际上相当于一个黑盒，它们之间的差异需要我们分析。

    麦克风音频的接口由类Mircophone提供，大多都有中文注释，我就不一一赘述了，只挑出其中一些做自己的讲解。

codec	编码格式，只支持Nellymoser、speex两种格式， Nellymoser多用于游戏开发，而且商业使用限制较多
rate	设置采样频率，注意是麦克风采样率，而非编码采样率
framesPerPacket	一个音频包中包含的音频帧数量（后文会有更详细的说明）
encodeQuality	编码质量，在同等编码采样率下，质量越高，效果越好， 但每帧所包含的数据越多。当该值也确定下来时， 每帧数据的字节大小也就确定了
enableVAD	是否开启Voice Activation Detection。它的作用自己google。 当开启时，静音状态下speex编码器将持续编码10字节大小的音频帧

 

    speex编码有三种模式

模式	编码采样率	一帧数据 所表示的时间	编码一帧需要的 sample数量
narrow band（窄带）	8khz	20ms	160
wide band（宽带）	16khz	20ms	320
ultra-wide band（超宽带）	32khz	20ms	640

 

二、RTMP中的speex数据

    每个音频包（相当于FLV中的audiotag）中，第一个字节的前四位表示编码格式，等于11说明为speex编码。后4个字节分别表示编码采样率、单声道or立体声、每个sample大小8位or16位。但采用speex编码时，它们是固定不变的，协议中的为无效数据。编码采样率恒为16khz，单声道，16bit/sample。

    剩余的数据为音频帧数据，可以为多帧的集合，取决于前文提到过的framesPerPacket。在flex中的默认值为2，故每个音频包中有两帧数据。注意，当前文所说的VAD功能开启时，两帧数据可以是两帧实际数据，也可以是两帧10字节数据，还可以各占一帧。

 

三、如何转换为RTP流

    完成上面两步，这部分的工作就不难了。将音频帧数据打上RTP头就行了。具体参加rfc5574（rtp_payload_format_for_the_speex_codec）。

    唯一值得注意的一点是，在RTMP协议中，音频数据的间隔是用时间做单位的，而RTP中的时间戳（timestamp），是sample数量。故当RTMP中两包音频包相差20MS时，RTP的时间戳就应该加上320（加320是因为恒采用16khz编码采样率）。