谷歌拟用WaveNetEQ技术提高Duo的通话质量 可自动判断且替换丢失的音频数据

随着4G、5G通信技术发展，网络通话越来越盛行。但是网络不稳定是常态，所以通话中我们时不时可能会蹦出一句，“你能再重复一遍吗，刚刚网络不太好。”为了提高通话质量，谷歌近期在视频聊天应用 Duo 中应用了一种新技术 WaveNetEQ ，在出现音频丢包情况时，该技术会判断丢失的音频数据可能是什么，并替换掉它。

背后的技术支持来自谷歌声名在外的 DeepMind 团队。

一个完整的在线呼叫，数据经常会被分成多个小块，每小块就是一个数据包 packet 。然而，在这些“数据包”从发送方传输到接收方的过程中，数据包通常会以错误的顺序到达，从而产生抖动相关问题，或者直接丢失，造成音频空白。

谷歌给出一份资料显示， Duo 99% 的通话都有数据包丢失、过度抖动或网络延迟情况。20% 的通话丢失了超过 3% 的音频，10% 的通话丢包率超过 8% ，也就是说每次通话都有很多音频需要替换。

每个视音频 app 都会用某种方式处理丢包。谷歌表示，这些数据包丢失隐藏 （PLC） 过程可能很难更好地填补 60 毫秒或更长时间的空白。过去常用算法是 NetEQ ，这是 webRTC 中音频技术方面的两大核心技术之一（另一核心技术是音频的前后处理，包括AEC、ANS、AGC等）。webRTC 是谷歌收购 GIPS 再开源的，是目前影响力极大的实时音视频通信解决方案，但用它处理丢包，大多情况下听起来像机器人或机械重复。

谷歌就用了大量的语音数据，训练出了基于 DeepMind WaveRNN 技术的 WaveNetEQ 模型。训练数据集来自 100 多名、48 种不同语言的志愿者，也就是说它可以自动填补 48 种语言的丢包情况。

WaveNetEQ 是一种用于语音合成的递归神经网络模型，由两部分组成，即自回归网络（autoregressive network）和条件网络（conditioning network）。自回归网络的作用是保持信号的平稳流动，而条件网络控制和影响自回归网络以保持音频一致性。

谷歌用 WaveNetEQ 取代了原来的 NetEQ PLC 组件，相对于 NetEQ ，它在声音质感方面无疑有提升，而且 WaveNetEQ 模型跑得足够快，可以在手机上运行，如此也可以规避用户可能担心的数据隐私问题。谷歌称所有的处理都是在设备上进行，因为 Duo 的通话默认情况下就是端到端加密。一旦通话的真实音频恢复，将无缝地切换到现实对话。

不过，WaveNetEQ 替换的内容和时长有限制。目前是支持在 120 毫秒以内的空白，之后会逐渐消失并归零；WaveNetEQ 不是生成完整的单词，而是简单的音节。

目前 WaveNetEQ 已经应用到Pixel 4 手机上的 Duo APP 中，谷歌表示，它正在将其推广到其他安卓手机上。

当然用机器学习处理音频丢包并不是头一遭，许多公司都在研究相关技术，以国内公司为例，有些是自身业务本就涉及视音频，比如腾讯；有些是音视频云服务商，比如阿里，还有一些是专门的音视频第三方服务商如声网等。
责任编辑：wv