谈谈语音通信中的各种tone

今天谈的这个主题（tone）存在于我们的日常打电话过程中。先举两个场景：1，你拿起固话话筒准备打电话，按电话号码前先从话筒里听到“嗡”的连续音，这叫dial tone(拨号音，表示你可以拨电话号码了)，你拨完号码对方振铃后你又听到有规律的“嘟-嘟-”的断续音，这叫ring back tone(回铃音，表示对方已振铃了)。2，你给企业服务号（比如中国移动的10086）打电话，对方叫你按键选择，当你按下键后会听到按键声，这叫DTMF tone（双音多频音）。感觉到它存在于我们日常的打电话过程中了吧。现在我们就从技术的角度谈谈这些tone。

在语音通信中tone主要分两大类：CPT（call progress tone，呼叫过程音）tone和DTMF（dual tone multi frequency，双音多频音）tone。CPT tone存在于通话过程中，主要用于告诉用户目前在什么状态，主要有dial tone(拨号音)/ringback tone(回铃音)/busy tone（忙音）等。CPT tone是单频音，即由一个频率的正弦波形成。CPT tone没有全球统一的标准，而是各个国家有自己的标准，比如中国的标准，欧洲的标准，美国的标准等。下表就是我们国家的标准：

还有其他类型的CPT tone，由于用的相对较少，这里就不一一列出了。相对于CPT tone是单频音，DTMF tone是双频音，即用两个频率（一个高频和一个低频）的正弦波叠加去表示某个按键值。与CPT tone各国有自己的标准不同的是DTMF tone全球有统一的标准，下表列出了常用的16个按键值是由哪些高频音和低频音组合而成的：

从软件实现的角度对tone主要有两类处理：tone generation，让用户听到tone；tone detection，主要是指DTMF tone的detection，让软件知道哪个按键按下了，好进行后续的处理。我们先看tone generation，也就是生成单个频率的正弦波（CPT tone）或者两个频率正弦波的叠加（DTMF tone），在信号处理上有相应的算法。对于单频正弦波，各个采样点上值的生成可通过如下的数学表达式求得：

其中a/y(0)/y(1)在各个频点上的值已事先根据数学公式做成表，从而减少数学运算。对于DTMF这样的双频率音来说，采样点上的值就是两个频率采样点上的值相加。Tone generation分两个方向，local 和remote。Local是tone让自己听到，把生成的正弦波放到RX stream上；remote是tone让对端听到，把生成的正弦波放到TX stream上。对于像ring back tone等断续音还需要timer控制放多长时间停多长时间。

再来看tone detection，这里主要是指对DTMF的tone detection。有专门的算法（Goertzel戈泽尔算法）来detect DTMF的键值，把DTMF的音频信号（多帧的PCM信号）作为算法的输入，经过一定帧数后得到的就是DTMF的键值。原理这里就不详细讲了，有兴趣的可以看相关文章。有时候我们需要告诉对端按下的是什么DTMF键，即要把键值传给对端，主要有三种方法，具体如下：

1，把DTMF音频信号直接编码得到码流放在RTP中发给对端。对端收到RTP包后解码复原出音频信号，然后再通过DTMF detection算法得到键值。这通常被叫做in-band方法。

2，在本端做DTMF detection得到键值，然后根据RFC2833（后来升级成RFC4733）组成RFC2833包发给对端。对端收到RFC2833包后去解析就知道是哪个键值了。这通常被叫做out-of-band方法。RFC2833包也是用RTP做承载，不过它的payload type是动态的（96~127之间一个值），payload共4个字节（32个比特），具体如下：

其中bit0-7（共8位）表示键值，bit8表示DTMF按键结束，bit9目前保留不用，bit10-15（共6位）表示按键信号的level（dBm表示），bit16-31（共16位）表示按键持续的时间（以采样值为单位）。一个DTMF键会生成多个RFC2833包，对同一个键值而言，这些包的sequence number会每次加1，但是timestamp不变，duration会持续增加，以8k采样率20ms为一包为例，第一个RFC2833包duration为160，第二个RFC2833包duration为320，依次向上加，直到END包（bit8置1）结束。END包会发3次（发3 次主要是为了防丢包），每个END包sequence number会加1，但是duration保持不变。

3，在本端做DTMF detection得到键值，然后通过SIP信令的INFO带给对端，让对端知道是哪个键值。

这三种方法中，具体用那种方法要看双方设备的支持程度，在SDP中有个协商的过程，最终选用双方都支持的一种方法（如果双方都支持多种方法，还有一个优先级来控制选择哪种方法）来传送DTMF值。