利用快速增長的VoIP基礎(chǔ)架構(gòu)進入大眾市場的機會已經(jīng)來臨，一些新技術(shù)和新產(chǎn)品已經(jīng)使高性價比的可視電話成為可能。本文介紹了可視電話的成本現(xiàn)狀和音頻、視頻功能實現(xiàn)的技術(shù)方法，并介紹了軟件DSP(soft-DSP)VoIP技術(shù)和硬件加速視頻編碼技術(shù)。 在1964年世界展覽會(World''''s Fair)上推出的AT&T Picturephone每分鐘的語音加視頻業(yè)務(wù)費用為16到24美元(考慮通貨膨脹因素，相當于今天的78到118美元)，如此之高的價格很自然難以普及。之后，人們不斷嘗試推出面向大眾市場的可視電話，然而設(shè)備的價格一直在五百到上千美元之間徘徊，視頻幀速率范圍在每秒1幀到10幀之間，因此可視電話一直備受住宅用戶的冷落。 而現(xiàn)在情況出現(xiàn)了轉(zhuǎn)機，可視電話所面臨的技術(shù)挑戰(zhàn)被逐一克服，日益成熟的VoIP方案已解決了大部分的問題。寬帶因特網(wǎng)接入已經(jīng)普及，因此家庭具有了足夠的帶寬。一些新創(chuàng)企業(yè)和老牌運營商正在聯(lián)合提供基于包的電話服務(wù)，這些服務(wù)形成了可視電話的良好基礎(chǔ)。更重要的是，摩爾定律再一次發(fā)揮了它的魔力，現(xiàn)在已經(jīng)有能夠非常高效地處理全動態(tài)視頻的處理器。通過恰當?shù)厥褂密浖�VoIP設(shè)計技術(shù)和硬件加速視頻處理技術(shù)，可視電話已經(jīng)達到大眾化產(chǎn)品所需的關(guān)鍵成本點。 圖1：傳統(tǒng)的多芯片可視電話架構(gòu)。 可視電話的成本現(xiàn)狀 要得到普及，可視電話的價格必須達到合適的水平。99美元的“魔力”消費價格點是許多提供商要面對的住宅可視電話市場的目標價格。雖然對于當前的技術(shù)來說這仍具有相當?shù)奶魬?zhàn)性，但很多VoIP服務(wù)提供商一年前就開始在交換機中部署可視電話了，有的更是承諾提供更多更好的服務(wù)。如果服務(wù)提供商的優(yōu)惠促銷，目前可視電話的零售價在800美元以上，因此對服務(wù)提供商來說是一項沉重的負擔，很可能會抑制他們開展這種業(yè)務(wù)的興趣。 目前具有VoIP功能的可視電話設(shè)計成本決定于眾多必需的專業(yè)器件。傳統(tǒng)的IP視頻和語音(V2IP)設(shè)計至少包含三個獨立的處理器：一個用于語音處理的DSP，一個視頻編解碼處理器(一個專用視頻處理器，或者是一個能夠處理視頻編解碼的通用DSP)和一個處理VoIP呼叫信令、用戶接口和設(shè)備一般性控制的應(yīng)用處理器。這些處理器加上其它一些必要的電子器件(如攝像頭、LCD和音頻編解碼器)，總的電子材料成本將達到500美元以上，這還沒算軟件、封裝或制造所需的成本。 幸運的是，新的技術(shù)可以將可視電話的元器件成本至少砍掉一半。通過使用高度集成的應(yīng)用處理器和軟件DSP技術(shù)(如Trinity Convergence公司的VeriCall Edge嵌入式VoIP通信軟件)實現(xiàn)VoIP處理，就可以用一個器件代替前面所述的多個處理器，從而極大地節(jié)省成本、功耗，并減小設(shè)備體積。 音頻功能的實現(xiàn) 在傳統(tǒng)的可視電話設(shè)備中，一個DSP用來實現(xiàn)分組語音處理(語音編解碼、音調(diào)產(chǎn)生和檢測、回波消除、噪聲抑制等)，另外一個獨立的DSP或?qū)Ｓ脜f(xié)處理器處理視頻編解碼，還有一個應(yīng)用處理器用于管理VoIP呼叫控制協(xié)議和用戶接口，如圖1所示。 在這種多器件架構(gòu)中，任務(wù)被分配給系統(tǒng)中的不同器件完成，因此協(xié)調(diào)和管理整個系統(tǒng)的任務(wù)量也有所增加。器件數(shù)量的增加不僅會增加設(shè)備的體積，還會增加電路板的總體復雜性。在多個器件情況下，由于每個器件有不同的電源要求，系統(tǒng)內(nèi)的供電設(shè)計也會變得非常復雜，需要采用多電壓轉(zhuǎn)換器產(chǎn)生不同的電壓值。 使用幾個分離的處理器來分別實現(xiàn)語音、視頻和系統(tǒng)控制的傳統(tǒng)架構(gòu)還要求多種編程模式和開發(fā)工具鏈，因此常常需要較大的開發(fā)團隊，從而增加開發(fā)工具方面的培訓和其它額外成本。基于ARM和MIPS架構(gòu)的通用應(yīng)用處理器現(xiàn)在已經(jīng)增強了其處理能力，通過優(yōu)化的“DSP類”指令，可以將原本用DSP實現(xiàn)的音頻處理任務(wù)交給應(yīng)用處理器來完成。如果仔細地采用匯編編碼和手工優(yōu)化過的軟件，同時在視頻編解碼方面適當?shù)夭捎媚撤N形式的硬件加速器來實現(xiàn)的話，那么VoIP編解碼(G.711、G.729AB、G.723.1、iLBC)、音頻處理(DTMF(雙音多頻)和呼叫過程音調(diào)檢測/產(chǎn)生)、語音質(zhì)量增強(線路和聲學回波消除、抖動緩沖等)和其它類似功能都可以在應(yīng)用處理器上高效運行。 在典型的可視電話設(shè)計中，硬件音頻編解碼器(如AC97編解碼器)提供麥克風/揚聲器與通用處理器之間的物理接口。由通用應(yīng)用處理器上運行的軟件完成音頻數(shù)據(jù)的收發(fā)和必要的VoIP處理，例如接收來自麥克風的輸入音頻數(shù)據(jù)，通過G.723.1之類的語音編解碼模塊進行處理后，再以分組數(shù)據(jù)流的形式向外發(fā)送，或者讓揚聲器播放產(chǎn)生的DTMF音調(diào)(通過硬件音頻編解碼器)。 設(shè)計工程師需要有關(guān)處理器架構(gòu)和VoIP音頻處理算法方面的詳細知識，才能有效地實現(xiàn)這些處理器密切相關(guān)的算法。雖然針對適當?shù)膽?yīng)用處理器架構(gòu)實現(xiàn)這些語音處理模塊需要付出很大的精力，但最終獲得的好處可以證明在這方面的投入是很值得的。由于VoIP業(yè)務(wù)的實時特性，以及為了提供廣泛的VoIP編解碼器支持以確保設(shè)備間互操作性的需要，應(yīng)該通過靈活的架構(gòu)實現(xiàn)對正確VoIP編解碼器的在線選擇和配置，并對指定媒體通道中使用的媒體處理單元實現(xiàn)動態(tài)配置。采用的架構(gòu)及相關(guān)調(diào)度模塊必須能確保指定通道定義所要求的所有算法能在允許的時間周期內(nèi)執(zhí)行完成。 在單通道系統(tǒng)中調(diào)度這些算法的任務(wù)有點類似于按順序?qū)ο嚓P(guān)算法進行的一系列連續(xù)調(diào)用，多通道系統(tǒng)則要復雜得多，每個通道可能需要不同的VoIP編解碼器，而且有些通道可能需要回波消除，有些通道則不需要。可視電話一般是“單通道”系統(tǒng)，不過也經(jīng)常會有三方音頻呼叫需求，此時可視電話應(yīng)具有本地音頻混合的能力，目前對支持多通道的需求正在不斷增多。 圖2：基于軟VoIP的可視電話架構(gòu)。 為了簡化設(shè)備設(shè)計工程師的工作，可以利用VeriCall Edge這樣的軟件平臺。這些平臺提供了高度優(yōu)化和集成的解決方案，可以快速集成到最終的產(chǎn)品設(shè)計中。在針對基于ARM9、ARM9E和MIPS32的器件集成的靈活架構(gòu)內(nèi)，提供必要的媒體處理算法以及基于SIP或H.323的VoIP呼叫控制，從而讓可視電話開發(fā)商專注于開發(fā)設(shè)備上的增殖業(yè)務(wù)。通過將分組語音處理合并到通用處理器上，只要一個器件就可以處理可視電話中與VoIP相關(guān)的所有任務(wù)，VoIP呼叫控制、用戶接口和一般的電話控制應(yīng)用都在這個通用應(yīng)用處理器上完成。由于其它一些任務(wù)沒有相似的嚴格時間要求，因此可以用‘C’實現(xiàn)，不需要最優(yōu)化的匯編代碼。將媒體處理和呼叫控制/系統(tǒng)管理合并到單個應(yīng)用處理器可以進一步簡化設(shè)計，減少器件數(shù)量、成本和體積。另外，合并后還可以取消VoIP媒體處理和系統(tǒng)控制原本所需的各項單獨開發(fā)工作和單獨開發(fā)工具鏈。 為了進一步增加系統(tǒng)集成度，并獲得更低功耗、更小體積和總體更低的系統(tǒng)成本，可以使用內(nèi)含通用處理器和專用視頻協(xié)處理器或DSP的系統(tǒng)級芯片(SoC)。飛思卡爾的i.MX21多媒體應(yīng)用處理器就是這樣的器件，它包含一個基于ARM9E的通用處理器和一個專門用于H.263和MPEG4編碼/解碼的硬件加速引擎，該引擎在CIF分辨率情況下可達到每秒30幀的視頻處理速率。VeriCall Edge解決方案也充分利用了這種架構(gòu)的優(yōu)勢，可以在ARM9E通用處理器上完成所有的VoIP媒體處理任務(wù)，同時可利用VeriCall Edge軟件框架配置和管理基于硬件的視頻加速模塊來控制H.263或MPEG4視頻流。 圖像功能的實現(xiàn) 可視電話中最繁重的處理任務(wù)是對視頻的處理。所需要的具體處理量變化相當大，取決于發(fā)送和接收圖像的大小以及采用的特別編碼方案。可視電話中最常用的是H.263、MPEG4和H.264標準。H.264傳送一幅與H.263相當質(zhì)量的視頻圖像所需帶寬要比H.263小，但需要更強的處理能力來實現(xiàn)更高的壓縮率。滿足最大幀速率和分辨率范圍的特定視頻壓縮方案將為器件中的視頻處理選取“合適”的解決方案。 系統(tǒng)設(shè)計工程師可以有多種選擇，可以在通用處理器或DSP上通過軟件實現(xiàn)，也可以使用提供特殊視頻流編解碼的專用硅器件。只有在非常低的幀速率和分辨率條件下，才可全部利用運行于通用處理器上的軟件實現(xiàn)視頻流的編解碼。對視頻流的編碼要比解碼耗費更多的處理資源，因此合理的方案應(yīng)該是在通用處理器上完成視頻解碼，利用某種形式的硬件加速電路完成視頻編碼。隨著最新通用應(yīng)用處理器(如基于ARM11和MIPS24K內(nèi)核的處理器)的推出，處理器將擁有更強的處理能力，因此軟件解碼和硬件支持下的編碼可能是下一代可視電話采用的最理想解決方案。 為了在CIF或更高分辨率下獲得完全運動(30fps)的視頻，當前的VoIP可視電話肯定需要某種形式的硬件加速電路。這種加速電路可以是某種形式的SoC，比如一個通用處理器處理語音，一個專用視頻編碼器件或更通用的DSP處理視頻。專用視頻編碼器件的優(yōu)勢在于可以簡化編程模型，與嵌入在SoC中的DSP相比，它在功耗和硅電路門數(shù)方面更有效率。然而，DSP可以為系統(tǒng)設(shè)計工程師提供更好的靈活性，通過DSP軟件升級可以支持新的視頻編解碼格式(假設(shè)所用DSP具有處理新的視頻編解碼標準的足夠能力)。總之，系統(tǒng)設(shè)計工程師必須決定所需的工作特性，充分考慮所需支持的視頻格式，以及器件可提供的處理能力、功耗預(yù)算和尺寸。 圖3：采用軟VoIP方法的V2IP系統(tǒng)級芯片架構(gòu)。 音頻和視頻功能集成 在明確語音和視頻系統(tǒng)的設(shè)計要點后，也許最重要就是將這兩個獨立的子系統(tǒng)集成。在基于VoIP的可視電話中，音頻和視頻是作為兩個獨立的分組數(shù)據(jù)流進行收發(fā)的，這兩個數(shù)據(jù)流必須在接收側(cè)取得關(guān)聯(lián)性和同步。不能正確地同步音頻和視頻流將導致類似于電影中演員的話音一直不能與圖像相配合的后果。 可視電話設(shè)計時還需要考慮抖動緩沖。要想使產(chǎn)品可以實用，必須認真對待抖動緩沖的問題。雖然音頻和視頻數(shù)據(jù)流都包含有可用來關(guān)聯(lián)數(shù)據(jù)的時間標簽(timestamp)，但系統(tǒng)還必須能夠正確處理網(wǎng)絡(luò)中可能會發(fā)生的數(shù)據(jù)包丟失和網(wǎng)絡(luò)抖動。設(shè)計時必須考慮緩存和同步這兩個數(shù)據(jù)流的方法，同時還不能給系統(tǒng)帶來不必要的時延。某些可視電話允許用戶修改視頻和音頻流之間的時延或偏移來取得基本的同步，雖然這種方法可以同步音頻和視頻流，但用戶每次呼叫或通話期間網(wǎng)絡(luò)狀態(tài)改變導致流失步時都需要進行人工修正。VeriCall Edge V2IP解決方案則提供了更先進的音視頻自動同步技術(shù)，不再需要用戶手動去同步數(shù)據(jù)流，而且照樣能適應(yīng)網(wǎng)絡(luò)狀態(tài)的改變。VeriCall Edge可以通過主動地監(jiān)視和管理輸入的音視頻數(shù)據(jù)流來適應(yīng)某個數(shù)據(jù)流中包的延時或丟失，從而確保用戶能在多種網(wǎng)絡(luò)環(huán)境下取得高質(zhì)量的視頻效果。 本文小結(jié) 雖然四十多年來可視電話經(jīng)歷了很多坎坷，但目前的新技術(shù)和新產(chǎn)品已經(jīng)使高性價比的可視電話成為可能，利用快速增長的VoIP基礎(chǔ)架構(gòu)進入大眾市場的機會已經(jīng)來臨。軟件DSP VoIP技術(shù)和硬件加速視頻編碼技術(shù)的有機結(jié)合，能使可視電話所需的電子材料成本減少一半之多。這種產(chǎn)品成本的大幅降低將促使可視電話迅速普及，而象VeriCall Edge等高度集成的軟件架構(gòu)可以幫助系統(tǒng)開發(fā)人員以更短的時間和最小的風險開發(fā)出創(chuàng)新性產(chǎn)品。