【对讲】解析楼宇对讲系统中的音频同步问题

主页（http://www.pttcn.net）：【对讲】解析楼宇对讲系统中的音频同步问题

　　目前，成熟的智能家居系统的室外机中，门禁可视对讲和门禁控制几乎全部采用模拟信号，安装时需要架设专用网络，布线复杂，不可扩展，灵活性差，传输距离短，投资大，维护成本高。随着市场需求的增长、消费者消费观念的提高以及模拟系统沉重的工程维护代价，结合以太网技术的全数字室外机和门禁产品成为研发的热点。但是在诸多因素影响下，当前的数字门禁产品不成熟，不稳定，价格高昂，特别是门禁对讲中的音视频同步问题，一直以来都是数字可视对讲的短板。

　　在数字可视对讲中，可以考虑的音视频同步方案有两种：一是发送端解决;二是接收端解决。

　　发送端解决方法比较简单，具体措施是在发送端先将一段时间内采集到音视频数据打包。比如采集到一帧视频图像，将这帧图像与采集这帧视频的时间内采集到的视频数据打成一个包，接收端接收到这个包之后解包分别播放就可以了。发送端解决的控制方法比较简单，但是高清若是要求清晰度比较高的情况下就不是很理想，清晰度高，意味着每个音视频包数据量就大，能保证同步，却不保证连续。测试这种方案时，在同一个线程中循环的按照先后顺序发送PCM音频，和H.264视频，测试的结果表明这种方法确实存在连续问题。

　　接收端解决方案绕不开的问题是时间戳，接收端根据接收到的音视频数据的时间戳安排播放。时间戳需要一个参考时间。而采集过程中视频的时间是不定的，数字摄像头采集图像的帧率是一个平均值，不宜用来做参考时间，所以只能用音频时间作为参考时间。

　　与文件形式的多媒体不同的是，可视对讲中音视频流的源端是永远同步的。所以一种简单的解决方案是发送端启用独立的音频和视频线程，进行音视频采集，采集后只管往外发送数据，接收端接到数据就分别解码播放，从表面看，这种采用无同步机制多线程解决方案是可行的，但是忽略了一个问题：音频数据包和视频数据包的大小。包的大小会影响网络传输的速度。这种差别在网络条件好的情况下显示不出来，一旦遇到网络拥塞或者其他情况就会变得很明显。

　　根据对音频采集和处理的叙述，我们知道，音频的采集是有时间机制的。比如采样率是8000，采样位数是8，我们就可以算出采8K字节的数据所用的时间是1s，这样音频就可以按照自己的速度播放;而摄像头每秒采集的帧数是相对固定的，如OV9650采集速度为平均每秒30帧，这样即可以算出1/30秒(约为0.03333，具体精度可以根据要求决定)刷新一帧图片，这种方式中只要保证源端音频视频的采集是同步的就可以，而门禁对讲过程中，这种同步是原生的。