音频开发 / 系统课时

用抖动缓冲吸收网络波动

用抖动缓冲吸收网络波动

网络平均延迟稳定,并不代表音频能稳定播放;真正导致断续的是相邻包到达时间忽快忽慢。本节设计一个最小 jitter buffer:先暂存并排序数据包,再按固定播放节拍取出,并用两组缓冲时长直观看到“过小会断、过大会慢”的权衡。

学习目标

  • 区分固定网络延迟与 jitter,理解为什么仅知道平均 RTT 不能决定播放是否平滑。
  • 能设计 jitter buffer 的入队、排序、出队、迟到丢弃和缺包处理规则。
  • 能根据断续率与端到端延迟调整目标缓冲深度。

抖动不是延迟本身

固定延迟表示所有包都大致晚相同的时间到达。例如每个包都比发送时间晚 50 ms,虽然整体有延迟,但包与包之间仍保持 20 ms 间隔,播放器可以稳定消费。

jitter 描述的是延迟变化。一个包晚 10 ms,下一个晚 45 ms,再下一个只晚 5 ms,接收端看到的到达间隔会忽长忽短。播放器若直接“来一个播一个”,就会把网络波动原样传递成卡顿、突发播放或缓冲欠载。

jitter buffer 的核心做法是主动增加一小段可控等待时间,把不稳定的网络到达节奏转换成稳定的本地播放节奏。

一个最小缓冲需要哪些规则

基本实现可以按以下顺序工作:

  1. 包到达时检查重复与明显过期包,合格后按 sequence number 或 timestamp 放入有序缓冲。
  2. 启动播放前先积累目标缓冲时长,例如 60 ms,而不是收到首包立即播放。
  3. 播放时钟每到一个帧周期,就取出期望序号对应的包。
  4. 期望包尚未到达且已超过播放截止时间时,把它记为 late/missing,并执行丢包隐藏。
  5. 已经错过截止时间才到达的旧包直接丢弃,避免它重新污染播放顺序。

抖动缓冲入队到播放时间轴示意图

用两个缓冲深度观察结果

下面用 5 个每帧 20 ms 的包模拟乱序与波动。程序在每个播放截止时间之前收集已到达的包,然后只消费当前期望序号;如果截止时间已到但包仍未出现,就输出 conceal。

python
PACKET_MS = 20

packets = [
    {"seq": 2000, "arrival_ms": 8},
    {"seq": 2001, "arrival_ms": 55},
    {"seq": 2002, "arrival_ms": 34},
    {"seq": 2003, "arrival_ms": 79},
    {"seq": 2004, "arrival_ms": 92},
]

def simulate(target_delay_ms: int) -> None:
    arrivals = sorted(packets, key=lambda p: p["arrival_ms"])
    buffer = {}
    next_arrival = 0
    expected_seq = 2000
    first_arrival = arrivals[0]["arrival_ms"]

    print(f"target={target_delay_ms} ms")
    for frame_index in range(len(packets)):
        deadline = first_arrival + target_delay_ms + frame_index * PACKET_MS

        while next_arrival < len(arrivals) and arrivals[next_arrival]["arrival_ms"] <= deadline:
            packet = arrivals[next_arrival]
            # 只保留尚未播放过的包,迟到旧包会在后面被清理。
            if packet["seq"] >= expected_seq:
                buffer[packet["seq"]] = packet
            next_arrival += 1

        buffer = {seq: p for seq, p in buffer.items() if seq >= expected_seq}

        if expected_seq in buffer:
            print(f"{deadline:>3} ms: play {expected_seq}")
            del buffer[expected_seq]
        else:
            print(f"{deadline:>3} ms: conceal {expected_seq}")

        expected_seq += 1

simulate(20)
simulate(60)

预期输出

text
target=20 ms
 28 ms: play 2000
 48 ms: conceal 2001
 68 ms: play 2002
 88 ms: play 2003
108 ms: play 2004
target=60 ms
 68 ms: play 2000
 88 ms: play 2001
108 ms: play 2002
128 ms: play 2003
148 ms: play 2004

20 ms 缓冲启动得早,端到端延迟较低,但序号 2001 在 55 ms 才到达,已经错过 48 ms 的播放截止时间,因此发生一次缺口。60 ms 缓冲把同一批波动全部吸收,但每个包都更晚播放。

缓冲深度是延迟与稳定性的交换

目标缓冲过小,网络稍有波动就会出现 late packet,最终表现为断续、PLC 触发频繁或音质下降。目标缓冲过大,虽然更稳,却会直接增加交互延迟;语音通话中,额外几十到上百毫秒就可能让双方更容易抢话。

实际系统常做自适应调整:持续估计近期网络抖动,波动变大时逐步扩容,稳定一段时间后再缓慢缩小。调整不宜频繁跳变,否则播放时钟本身也会变得不稳定。扩容通常比缩容快,缩容则更保守。

验收一个基础实现

一个可用的基础 jitter buffer 至少要能观察四类指标:当前缓冲深度、late packet 数、丢包或 conceal 次数、实际播放延迟。调参时不要只追求“缓冲里总有包”,还要确认交互延迟是否仍符合场景要求。

当接收端能够把乱序包重新排好,并按稳定节拍持续出队,同时把“迟到”和“真正缺失”分开统计时,jitter buffer 才真正完成了从不稳定网络节奏到稳定播放节奏的转换。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用抖动缓冲吸收网络波动

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通