Blog

Sprachanrufe und Audioräume in Web-Apps: so funktionieren sie

· Andrij Tkachenko · 7 Min. Lesezeit

Zwei Browserfenster, verbunden durch eine gestrichelte Linie mit Schallwellen, daneben ein runder Raum mit Sitzen, in dem zwei Personen mit Mikrofonen sprechen und die anderen zuhören

Ein Sprachanruf in einer Web-App ist ein WebRTC-Anruf mit einer Mikrofonspur und ohne Kamera: dieselbe Verbindung wie bei einem Videoanruf, die statt Hunderten nur ein paar Dutzend Kilobit pro Sekunde trägt. Ein Audioraum ist ein Gruppenanruf, in dem wenige Personen sprechen und alle anderen zuhören, und dafür braucht es einen Medienserver und eine Regel auf Ihrem Server, wer sprechen darf.

Beides sind Anrufe zwischen den Nutzern Ihrer App, über ihre Konten, über das Internet. Telefonnummern und Telefonnetz kommen darin nicht vor. Dieser Beitrag zeigt, was ein Sprachanruf sendet, gemessen in Chromium, welchen Browser-Code er braucht, wie sich ein Audioraum von einem Anruf zu zweit unterscheidet und wie eine App beides ergänzt, ohne die Medienseite selbst zu bauen.

Ein Sprachanruf ist ein Videoanruf ohne Kamera

Jeder Browser, der WebRTC spricht, muss zwei Audio-Codecs unterstützen: Opus, und G.711 als PCMA und PCMU für ältere Telefonsysteme (RFC 7874). Wo beide Seiten es können, kommt Opus zuerst. Opus deckt alles ab, von 6 kbit/s für Schmalband-Sprache bis 510 kbit/s für Musik in Stereo, und seine eigene Spezifikation nennt 16 bis 20 kbit/s als den idealen Bereich für Breitband-Sprache (RFC 6716).

Wir haben in Chromium 156 einen reinen Audioanruf zwischen zwei Verbindungen aufgebaut, mit dem simulierten Mikrofon des Browsers, und gelesen, was der Sender meldete:

Gemessen Sprachanruf Videoanruf
Codec Opus, 48 kHz, mono VP8
Ton oder Bild etwa 21 kbit/s knapp 480 kbit/s
RTP-Header etwa 12 kbit/s

Der Sprachanruf sendete 50 Pakete pro Sekunde, eines für je 20 Millisekunden Ton, und die Header dieser Pakete machten noch einmal mehr als halb so viel aus wie der Ton darin. IP und UDP kommen auf der Leitung noch hinzu. Der Videoanruf, ein Bild von 640 mal 480 aus der simulierten Kamera, lag nach 20 Sekunden bei knapp 480 kbit/s und stieg weiter, während der Browser mehr Spielraum fand, sein Wert sagt also mehr über den Anfang eines Anrufs als über sein Ende.

Ein Sprachanruf trägt also weit weniger Bits als ein Videoanruf, und deshalb hält er auf einem schwachen Mobilnetz durch, wo Video ruckelt. Alles andere ist gleich: ein Angebot und eine Antwort, die Adressen beider Seiten und ein Relay für Netze, die einen direkten Weg blockieren.

Der Browser-Code

Ein Sprachanruf fragt nur nach dem Mikrofon und spielt, was zurückkommt, in einem <audio>-Element ab:

JavaScript
// call.js: das Mikrofon, mit Echounterdrückung, Rauschunterdrückung und Pegelregelung des Browsers
const stream = await navigator.mediaDevices.getUserMedia({
  audio: { echoCancellation: true, noiseSuppression: true, autoGainControl: true },
});

const pc = new RTCPeerConnection({ iceServers: [{ urls: 'stun:stun.example.com:3478' }] });
pc.addTrack(stream.getAudioTracks()[0], stream);

pc.ontrack = ({ streams }) => {
  const audio = document.getElementById('them');
  audio.srcObject = streams[0];
  // Ein Browser spielt Ton erst ab, nachdem die Person auf der Seite geklickt oder getippt hat.
  audio.play().catch(() => showTurnSoundOn());
};

// Stummschalten: Die Spur läuft weiter, und die andere Seite hört Stille.
document.getElementById('mute').onclick = () => {
  const track = stream.getAudioTracks()[0];
  track.enabled = !track.enabled;
};
HTML
<audio id="them" autoplay></audio>
<button id="mute">Mute</button>

Angebot, Antwort und Kandidaten laufen über einen Signalisierungsserver, genau wie bei Video: Wie WebRTC zwei Browser verbindet enthält dieses Relay, ein paar Zeilen Node.js, und die Seite drumherum. Drei Dinge zählen bei einem Sprachanruf mehr als bei einem Videoanruf:

  1. Echo. Ohne Headset spielt der Lautsprecher eines Laptops die andere Person in sein eigenes Mikrofon. RFC 7874 verlangt von jedem WebRTC-Endpunkt, dieses Echo zu unterdrücken, und in Chromium waren alle drei Optionen oben standardmäßig an, als wir track.getSettings() bei einem schlichten { audio: true } gelesen haben. Fragen Sie trotzdem danach, und lassen Sie sie an, sofern die App keine Musik abspielt.
  2. Ton, der nicht startet. Browser halten Ton zurück, bis die Person die Seite benutzt hat. Ein Anruf, der mit einem Klick angenommen wird, ist kein Problem. Ein Anruf, dem jemand über einen Link in einem neuen Tab beitritt, kann stumm verbunden werden, also geben Sie der Seite einen Knopf, der den Ton startet, wenn play() ablehnt.
  3. Stummschalten ohne Auflegen. Wird track.enabled ausgeschaltet, geht Stille hinaus und die Verbindung bleibt, sodass das Wiedereinschalten sofort geht und nach nichts fragt. Die Spur zu stoppen hieße, erneut nach dem Mikrofon zu fragen.

Ist das Mikrofon selbst das Problem, findet der Mikrofontest im Browser heraus, welcher Teil versagt, noch vor jedem Anruf.

Ein Audioraum ist ein Gruppenanruf mit Zuhörern

Ein Anruf zwischen zwei Personen geht von einem Browser zum anderen. Ein Raum mit zwanzig Personen kann so nicht funktionieren: In einem Mesh sendet jeder Sprecher eine Kopie seiner Stimme an jede andere Person, sodass der Upload mit jedem wächst, der beitritt. Gruppenanrufe senden jede Stimme einmal an einen Medienserver, der sie an alle anderen weitergibt (wie Gruppen-Videoanrufe funktionieren).

Ein Audioraum fügt dem Rollen hinzu:

Anruf zu zweit Audioraum
Wer spricht beide die Sprecher, wenige
Weg des Tons Browser zu Browser über einen Medienserver
Wer entscheidet die beiden Host und Ihr Server

Die Zuhörer senden überhaupt nichts. Sie empfangen die Stimmen der Sprecher, jede vom Server weitergeleitet, und ihre Mikrofone bleiben geschlossen. Ein Zuhörer hebt die Hand, der Host lässt ihn sprechen und macht ihn später wieder zum Zuhörer.

Dieser letzte Teil muss auf einem Server entschieden werden. Ein Knopf, der das Mikrofon nur auf der Seite ausblendet, ist keine Regel: Jeder kann die Konsole des Browsers öffnen und trotzdem Ton senden. Der Medienserver muss ablehnen, was ein Zuhörer sendet, und es jemandem wieder entziehen, der kein Sprecher mehr ist, auf einen Nachweis hin, den nur Ihr Server ausstellen kann.

Was weiterhin gilt

Ohne Kamera spart man Bandbreite und sonst nichts. Ein Sprachanruf braucht weiterhin:

  • STUN und TURN. Manche Netze blockieren einen direkten Weg zwischen zwei Geräten, bei Sprache wie bei Video. Ein Relay auf Port 443 bringt diese Anrufe durch (STUN- und TURN-Server erklärt).
  • Das Klingeln. Die angerufene Person muss es in jedem Tab und auf jedem Gerät hören, das sie offen hat, und es in den anderen nicht mehr hören, sobald sie annimmt.
  • Eine Verbindung, die einen Wechsel übersteht. Ein Telefon, das vom WLAN ins Mobilnetz wechselt, verliert den Weg, auf dem der Anruf lief, also muss der Anruf einen neuen finden, ohne aufzulegen.

Sprachanrufe und Audioräume mit WordPlus Cloud

Mit dem Paket @wordplus/realtime ist ein Sprachanruf ein Videoanruf mit type: 'audio'. Ihre App entscheidet in einer eigenen Route, wer wen anrufen darf, und diese antwortet mit einem Token für den Anruf. In Express:

JavaScript
// server.mjs: GET /call-token?to=34&type=audio, das der Knopf abfragt, sobald er gedrückt wird.
app.get('/call-token', async (req, res) => {
  // Hier kommt Ihre eigene Prüfung hin: wer wen anrufen darf.
  const me = req.session.userId;
  if (!me) return res.sendStatus(401);
  res.json({ token: await realtime.callToken(me, req.query.to, { type: req.query.type }) });
});
JavaScript
await rt.callScreen(); // das Klingeln und das Anruffenster, auf jeder Seite, auf der ein Anruf klingeln kann
HTML
<call-button to="34" token-url="/call-token" type="audio" name="Ann">Call Ann</call-button>

Der Anruf klingelt in jedem Tab und auf jedem Gerät, das Ann offen hat. Er läuft direkt zwischen den beiden Browsern, wenn ihre Netze es zulassen, über unsere Relays auf den Ports 443 und 80, wenn nicht, und über unsere Medienserver, wenn selbst diese nicht durchkommen, und wechselt von einem zum nächsten, ohne aufzulegen. Anrufe zwischen zwei Personen sind auf jedem Weg Ende-zu-Ende-verschlüsselt und verbrauchen auf keinem davon Credits.

Ein Audioraum ist ein Gruppenanruf, dessen Tokens type: 'audio' angeben, mit publish: false für die Zuhörer. Hier spricht und leitet der Host von Raum 7, und die anderen hören zu, bis sie sprechen dürfen:

JavaScript
// GET /room-token?id=7, das <group-call-button call="room:7" token-url="/room-token?id=7" type="audio"> abfragt.
app.get('/room-token', async (req, res) => {
  const me = req.session.userId;
  if (!me) return res.sendStatus(401);
  const host = await isHostOf(req.query.id, me); // Ihre eigene Funktion, aus Ihren Daten
  res.json({
    token: await realtime.groupCallToken(me, `room:${req.query.id}`, {
      type: 'audio',
      admin: host,
      publish: host || (await maySpeak(req.query.id, me)),
    }),
  });
});

// Der Host lässt jemanden sprechen oder macht ihn wieder zum Zuhörer, während der Raum läuft.
await realtime.call('room:7').permit(34, { publish: true });

Der Anrufbildschirm gibt dem Host bei jeder Person Promote to Speaker und Demote to Viewer, und die Medienserver lehnen Ton von jedem ab, den Ihr Token oder permit() zum Zuhörer gemacht hat. Ein Gruppenanruf ist Ende-zu-Ende-verschlüsselt, wenn seine Tokens encrypt: true angeben. In Gruppenanrufen verbrauchen einige Personen per Video gleichzeitig mit Ihrem Tarif keine Credits, wobei eine Person per Audio halb zählt, und jede darüber verbraucht ein Credit pro Minute, per Audio die Hälfte (Limits). Was ein Monat Anrufe ausmacht: wie Sie die Kosten von Videoanrufen schätzen.

Kurse, Webinare und Audioräume zeigt gehobene Hände und einen eigenen Knopf zum Sprechenlassen in Node, PHP und Python, und die Seite zu Anrufen im Express-Leitfaden den Rest: wer anrufen darf, eine eigene Anrufoberfläche und Anrufe in einem Chat.

Sprachanrufe für Ihre App

Für WordPlus Cloud for Apps gelten Preise nach gleichzeitigen Verbindungen, ab 1.000, monatlich oder jährlich abgerechnet, und Anrufe zwischen zwei Personen verbrauchen auf keinem Weg Credits. Sehen Sie sich Anrufe und Gruppenanrufe für Apps an oder die Preise für Apps. Fragen zu Ihrer Integration? Schreiben Sie uns.