过去两年，聊聊语音聊天网的语音聊天室日均并发连接数增长了近4倍。用户对「不卡、不炸、不刺耳」的基础体验要求，远比想象中苛刻——一次200ms的抖动，就足以让对话节奏崩掉。

实时音频传输：从采集到混流的链路

我们采用Opus编码，48kHz采样率、20ms帧长，在24kbps到64kbps之间动态调整码率。传输层基于WebRTC的SRTP，配合自研的Jitter Buffer策略，将端到端延迟稳定在150ms以内。对于多人聊天室场景，服务端做选择性转发（SFU），而非全混流，既降低CPU负载，也保留了空间感。

降噪方案：传统DSP与AI的取舍

纯RNNoise在非稳态噪声下容易吃掉辅音。我们的做法是：

• 前端做WebRTC APM的AEC与高通滤波，消除回声和低频嗡鸣；
• 中段接入轻量级CRN模型，针对键盘声、风扇声做定向抑制；
• 后置AGC限制在-3dBFS，避免爆音。

实测在65dB环境噪声下，MOS分从2.8提升到3.9。

实践建议与展望

建议每季度做一次真实弱网模拟（5%丢包、50ms抖动）。未来我们计划将AI降噪模型量化到INT8，下沉到端侧，进一步降低语音聊天的服务端成本。

实时音频没有银弹，只有对每一毫秒的持续较真。