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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00