活动报道：语音开发技术实践：语音云 语音浏览器 即时语音聊天技术（CMDN Club15期）

CMDN Club第15期活动于3月15日在北京丽亭华苑酒店举行。本次活动的主题为“移动平台语音技术的应用与实践”，现场的演讲嘉宾为：讯飞资深研发工程师李洪亮，讯飞iOS平台资深开发工程师储双双，UC优视公司UC浏览器产品部经理罗荣力，以及北京爱图腾科技高级iOS开发工程师张天虹。

语音云及基于iOS平台的语音云应用

讯飞资深研发工程师 李洪亮：讯飞语音云计算的逻辑架构分为四层：顶端层是工作在客户端的用户应用软件；第二层是讯飞语音云的客户端组件；第三层是核心层，主要完成语音识别、语音合成、声文以及手写的工作；底部层为基础架构层，主要实现存储、实时监控以及自动报警的功能。

如何使用语音云？讯飞语音云代理的SDK叫做MSC，它的主要功能为：完成数据的收集、加工，构建、解析并发送消息，这样便可实现服务之间的消息交互。MSC能够保证高效率的交互，并且交互的数据量尽可能少，因为交互的数据量少了成功率就高了，对于断网这些异常能够进行正常的处理。

图：讯飞资深研发工程师 李洪亮

因为语音识别常用的均为嵌入式设备，造价比较高，决定了第一客户端工作组件不能太复杂，个头要小，效率要高。再加上复杂多样的使用环境，除了用户手上形形色色的设备之外，还包括多平台的运行，需要让组件在Android、iPhone等平台之间进行移植。

如何对付它的网络环境比较差，首先，在建立一个会话连接服务器的时候，在短时间内每隔一秒发一个链接请求，这样便提高了链接效率。其次，利用内部服务器切换功能，可切换至另一个服务器。第三，当链接异常中断，或只支持短连接网络时，由于这一路的会话信息还未丢失，如果恢复链接业务，用户便不会感觉到连接过程中曾出现问题。

语音云安全

任何一个云计算应用无法回避的问题即是安全问题。在安全机制上，科大讯飞采取两种策略：第一，对部分敏感信息进行加密，敏感信息是指会话信息与用户的敏感数据。会话信息包括用户的合成文本、上传和下载的数据；敏感数据是指用户不希望其他人看到的数据。对这两部分进行数据加密是非常必要的。第二，实现一个安全的HTTPS，也就是在传输之前用RC4加密算法对要传输的报文进行加密。

语音云与音频相关的技术

目前的引擎支持的音频格式只是因特尔PCM的音频。选择压缩算法涵盖了Speex和AMR。Speex提供的等级范围为0至11，其马力范围跨度是非常大的。面对这些压缩的音频，有时用户会提出疑问：我是否可以调用自己系统的接口，直接进行传输，以便有效地获取压缩音频？实际上，用户此时写入MSC的不是写好的音频，而是已经压缩好的音频。压缩帧的压缩等级是可变的，也就是说一个压缩帧的长度是可变的，是不定的。

图：开发者喜得奖品《程序员》

面对庞大的压缩算法，我们应该选择哪一个？面对这么多的压缩等级又该选择哪一个？根据讯飞工程师的实际测试，得出的结论为：压缩率范围控制在10至15 较为合适。

讯飞iOS平台资深开发工程师 储双双：先讲一下语音云控件两个成功案例：讯飞口讯和讯飞输入法。讯飞口讯的产品功能是将文字通过发短信、发邮件的方式分享到新浪微博、腾讯微博。讯飞输入法是集语音、手写、拼音、笔画为一体的中文输入法，是中文输入法中功能最强大的输入法。

图：讯飞iOS平台资深开发工程师 储双双

MSC架构中用到了多种技术，包括：降噪、VAD端点检测、音频Speex编解码、语音云协议栈等。

我们的手机通讯录上有很多人名，但人名识别的效果并不很好。如果将所有人名上传至服务器，在一个小的集成商中进行识别，效果便会很好。这在一些电话或者通讯应用里面会用到。

合成也有创建对象，也有初始化，传的参数也是一样的。设置合成文本的第一个参数便是文本，第二个参数多作为扩展使用。考虑到开发者在语音合成时遇到的不确定因素，我们预先设定的参数也较为丰富，包括：设置背景音，设置发音人，设置合成语速，设置合成音量，以及上传和下载流量。

图：本期特别关注：女程序员提问演讲嘉宾

语音功能在浏览器项目上的落地与实现

UC优视公司UC浏览器产品部经理 罗荣力：为什么语音技术越来越受人瞩目？人们已经发觉到物理键盘的输入远远不及语音输入的方式便捷。如果将繁复的事务都交给云来处理，人们会觉得轻松许多。并且云端处理的可扩展性、可兼容性与可控制性较其他方式更为强大。

图：UC优视公司UC浏览器产品部经理 罗荣力

UC浏览器在哪里布局云技术？浏览器从搜寻开始是一个顺时针的过程：

• 浏览器内置搜索功能：用户通过用谷歌或百度在互联网上搜索内容的功能。
• 到达内容：用户输入网址后进行网址导航。
• 内容处理：用户找到内容以后对浏览器进行内容处理，包括编辑、操作、加入导航等一系列的处理。
• 附加功能：围绕浏览器展开的附加功能，如设置与特性的功能。

UC如何布局语音浏览器的功能？首先是输入，我们帮助用户减少输入的步骤，帮助他在输入中更快输入目标，使用场景包括输入网址和关键词。其次是云端控制， UC浏览器利用强大的后台处理的能力，帮助用户实现如“说一个网址就可以帮你打开一个网址”，“说一个关键词我们会帮你搜索”的场景。在揣摩用户心理之后，UC浏览器将展开DIY个性化的浏览器服务。

iOS即时语音聊天技术实践

北京爱图腾科技高级iOS开发工程师 张天虹：实现语音传输的首要即是录音，将录音文件传送至服务器，再从服务器传至另一个设备进行播放。iOS平台涉及的语音技术主要为语音录制、语音编解码、语音播放、Audaio Session以及语音实践。

iOS支持的语音录制格式不多，我们以往的经验认为AAC格式的压缩效果最好；ALAC和iLBC格式则多用于网络传输；IMA4的压缩效率虽然高，但其他算法的复杂度相对低一些，如果要求较高的效率则可考虑IMA4格式；Linear PCM是无压缩的格式；其他格式还包括miu-Law与阿尔法-Law。

图：北京爱图腾科技高级iOS开发工程师 张天虹

介绍一个基本的录出数据格式的过程：首先从话筒里面录制PCM出去，Codec将PCM转换成AAC格式，再将AAC写成硬盘文件。中间的Codec起到了转码的作用，这便是录出数据格式的办法。

我们经常用到的音频格式主要是MP3、WMA、MIDI、OGG、Speex。但iOS并没有默认支持的Codec，解决这以问题的方法是使用开源的Codec。因为Codec是一些服务商提供的，它可能是收费的，而以下Codec是免费的：

• Speex是一个压缩比较好的、便于网络传输的格式，还有一些降噪的功能，所以它比较适合语音聊天。
• Lame格式属于开源免费的Codec。
• 苹果的Lossless是去年年底才开源的一个项目，属于苹果无损压缩的Codec。
• FLAC属于免费的无损Codec。
• LBC是适合网络传输的Codec。

Speex编码与解码的过程为：基于帧的编码，针对一个Speex格式定义一个帧的长度后，Speex会添加Speex文件的头信息，通过Socket发送Speex文件数据到服务器，服务器再将文件传至另一台设备，设备接受为Speex文件并解码为PCM音频数据。通过解码将PCM数据恢复为wave文件后，即可播放这个文件。此外，Speex能够在录制前进行设置，也支持设置降噪程度。

移动开发者俱乐部（CMDN Club）是全球最大中文IT社区CSDN专门为移动开发者打造的实名邀请制网络平台，是移动开发者线上交流和线下活动的专属社区。

同时欢迎关注CSDN移动频道的官方微博@CSDN移动；加入移动开发者交流：149841439；加入移动开发者Google讨论组，共同关注与探讨移动互联网资讯与热点话题。