RTMP中的speex音訊流與RTP的對接
帶音視訊互動的flash專案中，音訊編碼只能選擇speex格式。
這篇文章分為三部分。分別為flex中提供的音訊介面、RTMP中的speex資料、如何轉換為RTP流。
一、flex中提供的音訊介面
用flex編寫客戶端，它提供的介面是封裝過的，與speex標準編解碼器之間的呼叫實際上相當於一個黑盒，它們之間的差異需要我們分析。
麥克風音訊的介面由類Mircophone提供，大多都有中文註釋，我就不一一贅述了，只挑出其中一些做自己的講解。
| codec |
編碼格式，只支援Nellymoser、speex兩種格式， Nellymoser多用於遊戲開發，而且商業使用限制較多 |
| rate |
設定取樣頻率，注意是麥克風取樣率，而非編碼取樣率 |
| framesPerPacket |
一個音訊包中包含的音訊幀數量（後文會有更詳細的說明） |
| encodeQuality |
編碼質量，在同等編碼取樣率下，質量越高，效果越好， 但每幀所包含的資料越多。當該值也確定下來時， 每幀資料的位元組大小也就確定了 |
| enableVAD |
是否開啟Voice Activation Detection。它的作用自己google。 當開啟時，靜音狀態下speex編碼器將持續編碼10位元組大小的音訊幀 |
speex編碼有三種模式
| 模式 | 編碼取樣率 |
一幀資料 所表示的時間 |
編碼一幀需要的 sample數量 |
| narrow band（窄帶） | 8khz | 20ms | 160 |
| wide band（寬頻） | 16khz | 20ms | 320 |
| ultra-wide band（超寬頻） | 32khz | 20ms | 640 |
二、RTMP中的speex資料
每個音訊包（相當於FLV中的audiotag）中，第一個位元組的前四位表示編碼格式，等於11說明為speex編碼。後4個位元組分別表示編碼取樣率、單聲道or立體聲、每個sample大小8位or16位。但採用speex編碼時，它們是固定不變的，協議中的為無效資料。編碼取樣率恆為16khz，單聲道，16bit/sample。
剩餘的資料為音訊幀資料，可以為多幀的集合，取決於前文提到過的framesPerPacket。在flex中的預設值為2，故每個音訊包中有兩幀資料。注意，當前文所說的VAD功能開啟時，兩幀資料可以是兩幀實際資料，也可以是兩幀10位元組資料，還可以各佔一幀。
三、如何轉換為RTP流
完成上面兩步，這部分的工作就不難了。將音訊幀資料打上RTP頭就行了。具體參加rfc5574（rtp_payload_format_for_the_speex_codec）。
唯一值得注意的一點是，在RTMP協議中，音訊資料的間隔是用時間做單位的，而RTP中的時間戳（timestamp），是sample數量。故當RTMP中兩包音訊包相差20MS時，RTP的時間戳就應該加上320（加320是因為恆採用16khz編碼取樣率）。