PJProject中DTMF发送失败问题分析与解决方案
问题背景
在使用PJProject 2.14.1版本进行VoIP开发时,开发者遇到了DTMF(双音多频)信号发送失败的问题。具体表现为调用call->dialDtmf(digit)方法时,系统返回错误信息"Remote does not support RFC 2833",但实际上远程端是支持RFC 2833协议的。
问题现象
开发者在使用Xcode 15.3、iOS 17.2和macOS Sonoma 14.4.1环境下,调用PJProject的DTMF发送功能时遇到以下错误日志:
18:10:45.771 pjsua_aud.c !Call 0 dialing DTMF 1
18:10:45.771 call.cpp pjsua_call_dial_dtmf(id, &pj_digits) error: Remote does not support RFC 2833 (PJMEDIA_RTP_EREMNORFC2833) (status=220107)
问题分析
RFC 2833协议简介
RFC 2833是定义在RTP中传输DTMF信号的标准协议。它通过在RTP数据包中携带特殊的事件载荷(telephone-event payload)来传输DTMF信号,而不是传统的音频信号方式。这种方式效率更高,且能准确传输DTMF信号的开始、结束和持续时间。
问题根源
根据错误信息和项目维护者的回复,该问题的根本原因是SDP(会话描述协议)协商过程中未能正确建立RFC 2833支持。具体表现为:
- 远程端的SDP响应中没有包含tel-event载荷类型声明
- 或者本地与远程端在tel-event格式协商上出现了问题
版本差异分析
开发者提到在PJProject 2.14版本中可以正常工作,但在2.14.1版本中出现问题。进一步调查发现,真正影响功能的因素不是版本差异,而是TLS后端的变更:
- 之前使用OpenSSL作为TLS后端时可以正常工作
- 切换到iOS原生TLS后端后出现问题
这表明TLS后端的变更可能影响了SDP协商过程,特别是对tel-event载荷类型的处理。
解决方案
经过深入调查和测试,开发者最终通过以下方法解决了问题:
-
禁用部分编解码器:通过减少或调整使用的音频编解码器,可以避免SDP协商中的冲突,确保tel-event载荷类型能够被正确协商。
-
检查SDP协商:开发者应该检查SDP offer/answer交换过程,确认tel-event载荷类型是否被正确包含在媒体描述中。
-
TLS后端选择:如果使用iOS原生TLS后端出现问题,可以考虑切换回OpenSSL后端进行测试验证。
最佳实践建议
-
SDP调试:在开发过程中,应该记录并分析完整的SDP交换过程,确保所有需要的媒体格式和载荷类型都被正确协商。
-
编解码器配置:合理配置编解码器优先级,避免使用过多或不必要的编解码器,这可能会影响其他功能(如DTMF)的协商。
-
版本升级测试:在升级PJProject版本时,应该全面测试所有功能,特别是与媒体协商相关的功能。
-
TLS后端选择:根据实际需求选择合适的TLS后端,并了解不同后端可能带来的行为差异。
总结
DTMF发送失败问题通常与SDP协商过程密切相关,特别是在RFC 2833支持方面。开发者应该深入理解SDP协商机制,合理配置编解码器和TLS后端,确保VoIP应用中的各种功能能够正常工作。通过系统性的分析和测试,可以有效解决这类问题。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00