语音机器人SIP通话场景下如何捕获用户电话按键信号

背景

智能语音机器人基于TTS和SIP实现了语音播报功能与按键识别功能的结合，应用于58运维告警以更及时、更便捷、更多元的方式通知开发维护人员，并将此功能应用于校招邀约等场景，代替或辅助人工完成一些流程固定的工作，可以有效地节省成本提高人效，如图1。

图1 应用场景

整体流程

智能语音机器人基于SIP线路实现的呼出场景下，用户电话按键信号捕获需要借助SIP线路实现，整体流程如图2，在代理终端A（用户）与代理终端B（机器人）持续通话的过程中，用户会持续向机器人发送媒体流，机器人在接收媒体流时会判断当前流属于语音流还是按键信号，如果当前流属于语音流则经过语音解码器，如果是按键信号则经过按键信号识别模块，最终产生语音数据/按键信息再做下一步处理。

图2 整体流程

如何传输

1、按键信号如何传输

目前所有的电话和传真机按键都采用DTMF信号进行编码和传输，DTMF信号是利用模拟信号对数字符号进行编码，该编码方案共使用8个模拟频率对16个符号进行编码，分为高音群和低音群，所以称为双音多频（Dual-Tone Multiple-Frequency）编码，每个符号由一个高音频率和一个低音频率唯一确定（0~9*#ABCD），如图3。

图3 DTMF信号编码

2、SIP如何检测DTMF信号

目前传输DTMF信号主要有三个方式：通过通信协议传输（SIPINFO）、遵循RFC2833规范传输、通过RTP的数据内容传输（INBAND）。

• SIPINFO

通过SIP信令INFO包中的signal字段携带DTMF信号传输，这种方式的好处是不影响RTP数据包的传输，但SIP信令和媒体传输是分开的，很容易造成DTMF信号和媒体包不同步。

• RFC2833

通信前使用SDP协议协商telephone-event参数，通过RTP包传输，由RTP包包头的PT（payload type）来标识RFC2833的数据包（如图4）。

• INBAND

将DTMF信号不经任何处理直接打成RTP包与普通的RTP语音包混在一起传输，要获得DTMF信号则必须提取RTP数据包进行频谱分析，得到高频和低频的频率，然后查表得到对应的按键。

图4 RTP包格式

如何识别

综合考虑，遵循RFC2833规范实现基于SIP的电话按键信号识别成本最低，下面将详细介绍下SIP会话如何建立，媒体如何协商、基于会话和媒体协商结果如何实现电话按键信号的解析。

1、会话建立

SIP（Session Initiation Protocol）是一种信令协议，用于初始化、管理和终止网络语音和视频会话，如图5，终端代理A为主叫代理，终端代理B为被叫代理，A与B的会话建立流程如下：

• A先发送INVITE请求至代理服务器（一般为SIP运营商提供），代理服务器将INVITE请求转发给B；

• 代理服务器给A返回呼叫处理中的100 TRYING应答消息；

• B向代理服务器发送呼叫处理中的100 TRYING应答消息；

• B发现用户振铃后，向代理服务器发送180 RINGING振铃消息，代理服务器收到后转发给A；

• B发现用户接听后，向代理服务器发送200 OK消息表示连接成功，代理服务器将200 OK转发给A；

• A收到请求后，发送ACK消息进行确认，代理服务器再将ACK消息转发给B；

• 主被叫用户之间建立通信连接，开始通信；

图5  SIP信令交互

2、媒体协商

SDP（ Session Description Protocol）协议主要用于两个会话实体的媒体协商，描述会话所使用的流媒体细节，协议格式如图6，以<type>=<value>形式存储，其中：

• c表示连接信息，用于约定IP协议版本、IP地址等信息；

• a表示会话信息，用于约定会话使用的编解码器、按键事件（telephone-event）的RTP包包头等信息；

• m表示媒体信息，用于约定会话为音频或视频通话、接收媒体流的端口等信息；

图6 SDP协议格式

主被叫通过SDP协议协商媒体信息流程如下：

• 在会话建立过程中，主叫向被叫发送INVITE请求时携带SDP协议，约定主叫接收媒体流的IP地址及端口、编解码器、按键事件等信息；

• 在被叫给主叫回复180 RINGING振铃消息时携带SDP协议，同样也约定了被叫的相关信息；

• 主被叫通信建立，按照SDP协议约定的媒体信息进行通信；

3、按键信号解析

遵循RFC2833规范，按键DTMF信号使用RTP包发送，通过RTP包头PT（payload type）来标示RFC2833数据包，基于以上信息并参考图6中SDP协议约定信息（a=rtpmap:126 telephone-event/8000）可将按键解析步骤总结如下：

• 在接收RTP包时，当包头PT=126时，RTP包体中存储的内容即为按键信息；

• 由于RTP是基于UDP协议封装的，为了防止丢包，同一个按键信号会产生多个RTP包且包头中Timestamp相同，我们可根据包头的时间戳去重；

• 至此我们就可以成功解析基于SIP的电话按键信号；

图7 按键解析

总结

目前业内关于SIP语音通话场景下的用户按键信号捕获的技术资料相对较少，本文介绍的RFC2833技术文档主要用于规范DTMF数字信号的RTP负载格式，58同城TEG AI Lab自研的智能语音机器人的按键信号捕获功能遵循该技术文档实现，希望为读者实现类似功能提供思路。    

作者简介：

李鸿勋，58同城TEG技术工程平台群AI Lab资深后端工程师

参考文献：

RFC2833：https://www.ietf.org/rfc/rfc2833.txt