WebRTC音频QoS方法五（音频变速算法之Expand算法实现）
一、概述介绍
在WebRTC中，存在两种扩展算法：PreemptiveExpand和Expand。尽管这两种算法的目标都是扩展音频信号，但它们的实现原理和应用场景却有所不同。
- PreemptiveExpand（预防性扩张）
主动扩展策略，旨在防止即将出现的音频数据短缺。当系统检测到可播放的音频数据即将耗尽，会根据当前的语音信号状况，适当地插入舒适噪声或复制基音周期，以减缓数据不足的趋势。这种方法的关键在于：
平滑过渡：通过在音频流中插入额外的噪声或信号，PreemptiveExpand能够确保播放的连贯性，不会引起听觉上的不适。
预防为主：目前还有数据可播，不会强制补充破坏音质的数据，只是根据音频数据的实际情况，适当的填充舒适噪音或周期基因。
- 2. Expand（扩展）
与PreemptiveExpand不同，Expand是在系统已经没有可播放音频的情况下进行的补偿措施。这种扩展算法主要用于处理丢包或音频数据丢失的情况，确保音频流的平滑过渡。其特点包括：
丢包补偿：当音频数据完全耗尽时，Expand通过生成合成音频来填补空白，使得音频播放不会突然中断。
合成信号：该算法利用已有的信号特征（如有声和无声部分）来合成新的音频信号，以保持音频流的连贯性。
二、扩张实现
当网络传输中出现音频包丢失时，直接播放会产生卡顿。Expand在刚刚没有数据可播的起始阶段，在Expand::AnalyzeSignal函数中会调取之前播放的最后一帧数据，提取的播放前的最后一帧数据的音频特征（周期性、频谱、能量等），生成与原始音频相似的临时片段，填补丢包造成的时间缺口，让听众感觉不到卡顿。
后续在持续没有数据送来的情况下，通过混合、衰减、加噪声等优化，尽量确保生成的填补音频自然流畅，让听众无法察觉丢包的存在。
step1：准备与初始化
首次扩张：调用 AnalyzeSignal 提取原始音频的关键特征（基音周期、LPC 参数、混合比例等），存储在 channel_parameters_ 中；
非首次扩张：直接复用已提取的特征，仅生成新的随机噪声向量（用于清音生成）。
step2：生成浊音部分（复制基因周期片段）
浊音的强周期性是生成的关键，若原始音频中基音周期内的波形高度相似，则可通过复制周期片段 + 交叉淡入淡出生成新的浊音：
1）选择扩张向量
从 AnalyzeSignal 提取的 expand_vector0 和 expand_vector1（原始音频中两个高相似性的周期片段）中，根据当前滞后（current_lag，即基音周期长度）选择片段：
current_lag_index_=0：直接使用 expand_vector0；
current_lag_index_=1：3/4 expand_vector0 + 1/4 expand_vector1；
current_lag_index_=2：1/2 expand_vector0 + 1/2 expand_vector1；
混合不同比例是为了避免单纯复制导致的 “机械感”，增加自然度。
2）重叠拼接（消除拼接杂音）
生成的新片段与历史音频的重叠部分（overlap_length_）采用 “交叉淡入淡出” 处理：
历史音频的重叠部分音量逐渐减小（muting_window）；
新生成片段的重叠部分音量逐渐增大（unmuting_window）；
两者叠加后，拼接处音量平滑过渡，无 “爆音” 或 “断裂感”。
step3：生成清音部分（滤波噪声模拟频谱）
清音无周期性，无法通过复制生成，需通过LPC 滤波随机噪声模拟原始音频的频谱特征：
1）生成随机噪声
通过 GenerateRandomVector 生成白噪声（random_vector），作为清音的 “原材料”。
2）LPC 滤波塑造频谱
用 AnalyzeSignal 提取的 LPC 参数（ar_filter）对随机噪声滤波：
LPC 参数模拟了原始音频的声道频谱响应；
滤波后，白噪声的频谱被重塑为与原始清音相似的频谱，保证音色一致；
同时通过 ar_gain 控制能量，避免音量突变。
step4：混合浊音与清音（比例动态调整）
根据 voice_mix_factor（浊音 / 清音混合比例，由 AnalyzeSignal 计算）动态混合两部分：
高周期性（浊音为主）：voice_mix_factor 大，浊音占比高；
低周期性（清音为主）：voice_mix_factor 小，清音占比高；
混合通过 “交叉淡入淡出” 实现（DspHelper::CrossFade），避免过渡突兀。
step5：音量控制与背景噪声（避免听觉疲劳）
静音衰减：连续扩张时（consecutive_expands_ 增加），通过 mute_slope 逐渐降低音量（如 3 次扩张后从 1.0→0.95），避免长时间重复片段导致的听觉疲劳；
背景噪声补充：当音量过低或扩张次数过多时，调用
background_noise_->GenerateBackgroundNoise 添加与环境匹配的背景噪声，避免完全静音的 空洞感。
step6：输出与更新状态
生成的临时音频片段存入 output，同时更新连续扩张计数（consecutive_expands_）和总扩张时长，防止无限制扩张导致音质恶化（超过阈值后强制限制）。
三、算法总结
该算法的核心逻辑是基于特征的相似性生成，本质是用已知推未知：
1、先通过AnalyzeSignal提取原始音频的特征值（周期、频谱、能量等参数）；
2、对浊音：复制周期片段并混合，利用周期性保证相似性；
3、对清音：用LPC滤波噪声，利用频谱特征保证相似性；
最后通过混合、衰减、加噪声等优化，确保生成的填补音频自然流畅，让听众无法察觉丢包的存在。