Asterisk中抑制远端发送sendonly或inactive时的MOH播放机制
在Asterisk VoIP系统中,当远端端点发送带有"sendonly"或"inactive"属性的SDP时,系统会默认将其解释为"保持"状态并自动播放保持音乐(MOH)。然而,在某些特定场景下,这种默认行为可能并不符合实际需求,特别是在远端正在发送早期媒体或系统已经在播放特定音频的情况下。
问题背景
在SIP协议交互过程中,当主叫方A呼叫被叫方B时,被叫方可能会返回180 Ringing响应,随后发送183会话进展消息。这些消息中的SDP描述可能包含"sendonly"或"inactive"属性。按照行业惯例和Asterisk的默认实现,系统会将这些属性视为呼叫保持信号,从而触发保持音乐播放。
这种机制在大多数情况下是合理的,但在以下场景中会产生问题:
- 被叫方正在发送早期媒体(如自定义回铃音)
- 拨号方案中已经配置了特定音频播放给主叫方
- 系统需要保持当前音频流不被中断
技术实现原理
Asterisk通过解析SDP中的媒体方向属性来决定如何处理媒体流。当检测到"sendonly"(a=sendonly)或"inactive"(a=inactive)属性时,核心媒体处理逻辑会触发保持状态,启动MOH播放。这一机制位于Asterisk的SDP协商和媒体处理模块中。
解决方案
为了解决这一问题,Asterisk引入了新的配置选项和行为控制机制:
-
新增通道变量:开发了
SUPPRESS_MOH_ON_REMOTE_SENDONLY通道变量,当设置为true时,系统将不会在收到远端sendonly/inactive属性时自动播放MOH。 -
拨号方案控制:在拨号方案中可以通过设置通道变量来精确控制这一行为:
same => n,Set(SUPPRESS_MOH_ON_REMOTE_SENDONLY=true) -
核心代码修改:对媒体处理逻辑进行了增强,在触发MOH播放前检查相关标志位,确保在需要抑制MOH的场景下保持现有媒体流不变。
应用场景
这一改进特别适用于以下场景:
-
定制化回铃音系统:当企业使用定制回铃音(CRBT)时,可以确保主叫方听到的是定制音频而非标准MOH。
-
媒体网关应用:在媒体网关场景中,可能需要保持现有媒体流的连续性。
-
特殊业务场景:如语音信箱系统、交互式语音应答(IVR)等需要精确控制音频播放的场景。
实现细节
在技术实现上,主要修改涉及:
- SDP解析模块:增强了对媒体方向属性的处理逻辑
- 媒体控制层:增加了MOH触发条件的判断
- 通道变量处理:新增了对抑制MOH标志的支持
系统现在会在以下情况下保持现有音频流:
- 远端发送sendonly/inactive属性
- 抑制MOH标志被激活
- 当前已有活跃的媒体流
最佳实践
对于系统管理员和开发人员,建议:
- 在需要保持现有媒体流的场景下明确设置抑制标志
- 对于定制化音频应用,应在拨号方案中妥善处理媒体方向变化
- 测试不同场景下的媒体流行为,确保符合业务需求
这一改进显著增强了Asterisk在复杂媒体场景下的灵活性,使系统能够更好地适应各种业务需求,同时保持了与传统实现的兼容性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00