流媒体与实时通信 / 系统课时
抖动缓冲到底在等什么
抖动缓冲到底在等什么
实时语音里,RTP 包不会按理想间隔抵达。抖动缓冲的任务不是“多等一会儿”,而是根据到达波动决定每个音频帧何时还能赶上播放,从而在卡顿和额外延迟之间取得平衡。
学习目标
- 解释抖动缓冲为什么需要同时参考 RTP 时间关系和实际到达时间
- 区分正常重排、迟到丢弃、缓冲扩张与缓冲收缩的表现
- 根据播放延迟、网络抖动和音频隐藏现象判断缓冲是否正在调整
它等的不是固定毫秒数
发送端通常按固定节奏产生音频 RTP 包,但网络不会保证相同的到达间隔。一个本应每 20 ms 到达的包,可能分别在 18 ms、31 ms、11 ms 后到达,甚至出现短暂乱序。
接收端不能让解码器直接跟着网络节奏播放,否则稍晚到几毫秒就可能造成断音。抖动缓冲先保存已经到达的包,再根据 RTP 时间戳、序列关系和当前播放时钟安排输出,让解码器看到更稳定的数据节奏。

真正重要的是“某个帧能否在它的播放截止时间之前准备好”。包提前到达,可以在缓冲区中等待;轻微乱序,可以在截止时间之前重新排好;如果包到得太晚,即使最终收到了,也可能已经失去播放价值。
延迟和抗抖动是一组交换关系
缓冲越短,声音越快进入扬声器,但留给网络波动的余量越小;缓冲越长,短暂抖动更不容易造成断音,却直接增加接收侧播放延迟。因此实时语音通常不会把缓冲固定成一个永不变化的长度。
当近期包的到达时间比较稳定时,目标缓冲可以较小。当连续出现迟到包、突发抖动或播放数据不足时,接收端会倾向于增加安全余量。网络恢复稳定后,缓冲通常又会逐渐收缩,而不是一次性删除大量声音造成明显跳变。
| 情况 | 抖动缓冲通常怎样处理 | 听感或指标表现 |
|---|---|---|
| 包提前到达 | 暂存并等待播放时机 | 延迟稳定,声音连续 |
| 少量乱序 | 在截止时间前重新排序 | 通常没有明显听感变化 |
| 包已经迟到 | 放弃过期数据并进行丢失隐藏 | 可能出现短暂音质下降 |
| 连续抖动增大 | 提高目标缓冲余量 | 播放更稳定,但延迟升高 |
缓冲为什么不会立刻缩回去
如果网络刚稳定就马上移除几十毫秒已排队音频,播放时钟就必须突然“追赶”,容易产生声音跳变。实际实时音频实现通常采用渐进调整,例如短时间加速消费、时间尺度调整或其他平滑方式,让积累的缓冲慢慢回落。
WebRTC 音频接收链路中的具体算法由实现决定。例如常见的 WebRTC 音频栈会结合抖动估计、迟到情况和连续播放状态动态选择正常解码、丢失隐藏以及时间尺度调整,而不是简单执行“缓存达到 N 个包再播放”。
这也解释了一个常见现象:网络突发抖动结束以后,声音没有继续卡顿,但端到端延迟可能还会保持一段时间,然后缓慢下降。此时并不一定还有网络故障,而可能是接收端正在安全地消化之前增加的缓冲。
从通话现象判断它正在做什么
如果延迟在网络抖动突增后阶梯式上升,随后缓慢回落,通常符合自适应抖动缓冲扩张再收缩的特征。如果丢包比例并不高,却出现较多音频隐藏或偶发声音变形,则要关注包是否经常在播放截止时间之后才抵达。
反过来,如果网络长期稳定,但播放延迟始终很大且没有明显变化,就不能只盯着 Jitter Buffer。固定的大延迟还可能来自采集设备缓冲、音频处理、编码排队、操作系统音频设备或应用自身设置。
判断抖动缓冲是否有问题时,应观察“延迟如何随网络变化而变化”,而不是只看某个瞬间的毫秒数。能够随抖动增加而适度扩张、在环境恢复后平滑收缩,才是实时语音真正需要的行为。