Asterisk中MixMonitor录制音频参数传递的正确方式
2025-06-30 01:58:38作者:俞予舒Fleming
问题背景
在使用Asterisk的AGI接口进行音频录制时,许多开发者会遇到一个常见问题:当尝试通过Python脚本使用MixMonitor应用程序同时录制通话的混合音频、发送方音频和接收方音频时,发现第三个参数对应的音频文件无法生成。这个现象看似是Asterisk的Bug,但实际上是由于参数传递格式不正确导致的。
错误现象分析
开发者通常会尝试以下两种参数传递方式:
agi.appexec('MixMonitor', f"{recording_file},t({transmitted_file}),r({received_file})")
或者
agi.appexec('MixMonitor', f"{recording_file},r({received_file}),t({transmitted_file})")
在这两种情况下,都会发现第三个参数对应的音频文件没有被创建。例如第一种方式中received_file缺失,第二种方式中transmitted_file缺失。
根本原因
这个问题并非Asterisk的Bug,而是参数格式使用不当。MixMonitor应用程序的参数解析规则要求:
- 主录音文件路径后可以跟随多个选项参数
- 选项参数之间不应使用逗号分隔
- 每个选项参数应直接连接在一起
正确解决方案
正确的参数传递格式应为:
agi.appexec('MixMonitor', f"{recording_file},t({transmitted_file})r({received_file})")
关键区别在于移除了t选项和r选项之间的逗号分隔符。这种格式符合Asterisk对MixMonitor参数解析的预期。
技术细节
MixMonitor应用程序的参数解析机制如下:
- 第一个参数始终是混合音频的输出文件路径
- 后续参数可以是各种选项,包括:
- b:在通话开始时开始录制
- t(filename):仅录制发送方音频
- r(filename):仅录制接收方音频
- 选项之间不需要也不应该使用逗号分隔
最佳实践建议
- 在使用AGI接口调用Asterisk应用程序时,应仔细查阅对应应用程序的文档说明
- 参数传递格式要严格遵循应用程序的语法要求
- 对于复杂的参数组合,建议先在dialplan中测试确认语法正确性,再移植到AGI脚本中
- 录制重要通话时,应添加错误处理逻辑,验证各音频文件是否成功生成
总结
这个案例展示了Asterisk参数传递的一个常见误区。虽然表面看起来像是系统Bug,但实际上是由于对应用程序参数格式理解不准确导致的。通过正确理解MixMonitor的参数格式要求,开发者可以顺利实现多方音频的分别录制功能。这也提醒我们在使用开源软件时,仔细阅读文档和正确理解参数格式的重要性。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0198
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
项目优选
收起
暂无描述
Dockerfile
767
5.02 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
866
1.96 K
Ascend Extension for PyTorch
Python
728
902
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
692
1.36 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
459
455
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.09 K
1.12 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
265
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
152
238
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.01 K
631
Oohos_react_native
React Native鸿蒙化仓库
C++
357
427