流媒体与实时通信 / 系统课时
为什么延迟会越打越高
为什么延迟会越打越高
通话刚接通时延迟正常,几分钟后却越来越高,通常不是某个固定环节突然变慢,而是某处队列持续积压。定位的关键是把采集、发送、网络、接收和播放拆开,找出哪一段延迟随时间单调增长。
学习目标
- 区分固定延迟与持续累积延迟,理解队列增长为什么是关键线索
- 识别发送排队、网络排队、抖动缓冲和音频处理造成的不同延迟模式
- 使用 WebRTC 接收统计观察网络抖动与 Jitter Buffer 延迟的变化趋势
越来越高通常意味着某处在排队
端到端语音延迟由多个环节共同组成:采集设备先产生音频帧,处理和编码后进入发送链路,经过网络到达接收端,再经过抖动缓冲、解码和播放设备。每一段都有少量固定耗时并不异常。
真正值得警惕的是某一段的输入速度长期高于输出速度。例如每秒产生 1000 ms 的音频,但某个处理环节每秒只能消化 980 ms,队列每秒就会增加约 20 ms。开始时几乎感觉不到,几分钟后却可能形成明显的说话延迟。

因此“延迟高”与“延迟越打越高”要分开处理。前者可能只是设备和网络本身需要 150 ms;后者则说明系统没有达到长期稳定状态,必须寻找一个还在持续增长的缓冲或队列。
四类位置最容易积累延迟
发送侧首先要看音频线程是否能按时处理数据。如果编码、音频处理或应用回调被长期阻塞,旧音频帧可能还没送走,新帧已经继续进入队列。此时网络本身可能完全正常,但发送出去的声音已经是几十甚至几百毫秒之前采集的内容。
网络侧的排队通常来自链路拥塞。当发送速度接近或超过可用带宽时,数据会在系统、路由器或运营商设备中等待。实时传输的拥塞控制会尝试降低发送压力,但如果底层链路持续拥塞,RTT 和抖动通常也会跟着恶化。
接收侧最典型的是 Jitter Buffer。网络突然变得不稳定时,它可能扩大播放余量以减少断音;如果网络长期反复抖动,目标缓冲可能维持在较高水平。此类延迟常表现为某次网络恶化后明显抬升,而不是从通话开始就匀速增加。
最后还要检查音频设备与处理链路。阻塞音频回调、采集与播放时钟长期存在偏差、处理线程不能实时消费数据,都可能形成应用层积压。仅仅降低网络 RTT 无法修复这类问题。
用 WebRTC 统计观察接收侧趋势
浏览器的 RTCPeerConnection.getStats() 可以帮助区分网络抖动与接收缓冲变化。对于音频 inbound-rtp 统计,jitter 表示 RTP 到达抖动,jitterBufferDelay 和 jitterBufferEmittedCount 可以组合计算一段时间内从 Jitter Buffer 输出的平均等待时间。
片段示例:以下代码依赖页面中已经建立并连接的 RTCPeerConnection 实例 pc。它每秒计算最近一个统计区间的平均 Jitter Buffer 延迟,而不是直接使用从通话开始累计的平均值。
function watchAudioReceiveStats(pc) {
let previousDelay = 0;
let previousCount = 0;
return setInterval(async () => {
const stats = await pc.getStats();
for (const report of stats.values()) {
if (report.type !== "inbound-rtp" || report.kind !== "audio") continue;
const delay = report.jitterBufferDelay ?? 0;
const count = report.jitterBufferEmittedCount ?? 0;
const deltaDelay = delay - previousDelay;
const deltaCount = count - previousCount;
const bufferMs = deltaCount > 0 ? (deltaDelay / deltaCount) * 1000 : 0;
console.log(
`jitter=${((report.jitter ?? 0) * 1000).toFixed(1)}ms ` +
`jitterBuffer=${bufferMs.toFixed(1)}ms ` +
`packetsLost=${report.packetsLost ?? 0} ` +
`concealedSamples=${report.concealedSamples ?? 0}`
);
previousDelay = delay;
previousCount = count;
}
}, 1000);
}
const statsTimer = watchAudioReceiveStats(pc);预期输出(实际数值会随网络和浏览器实现变化):
jitter=11.8ms jitterBuffer=46.5ms packetsLost=0 concealedSamples=0
jitter=28.4ms jitterBuffer=72.1ms packetsLost=1 concealedSamples=480如果 jitter 上升后 jitterBuffer 也明显变大,接收端是在为网络波动增加播放余量。如果网络相关指标恢复稳定,但应用听感延迟仍持续增长,就应该继续向发送队列、音频线程和设备缓冲方向检查,而不是把所有问题归因于 Jitter Buffer。
修复时寻找仍在增长的那一段
排查时先连续观察几分钟,而不是只截取一次统计值。如果发送线程处理不过来,应减少阻塞操作、避免在实时音频回调中执行耗时任务,并检查处理速度是否能够长期跟上采集速度。如果 RTT、抖动和丢包同时不断恶化,则优先处理网络拥塞和链路质量。
如果只有 Jitter Buffer 在一次网络波动后抬高,并且随后逐渐下降,它更可能是在正常保护播放连续性。强行把缓冲压到极低并不能消除根因,反而可能把原本的延迟问题变成断音和丢失隐藏。
修复后的验收标准也不应只是“此刻延迟低”。让通话持续运行一段时间,确认发送、网络、接收和播放链路的延迟最终都能进入稳定区间,不再随通话时长单调增加,才能说明造成累计延迟的队列已经真正被消除。