Llamadas de voz y salas de audio en una app web: cómo funcionan

Una llamada de voz en una app web es una llamada WebRTC con una pista de micrófono y sin cámara: la misma conexión que una videollamada, que lleva unas decenas de kilobits por segundo en lugar de cientos. Una sala de audio es una llamada en grupo en la que unas pocas personas hablan y todas las demás escuchan, y eso requiere un servidor multimedia y una regla en tu servidor sobre quién puede hablar.
Las dos son llamadas entre los usuarios de tu app, por sus cuentas, a través de internet. No hay números de teléfono ni red telefónica en ellas. Este artículo muestra lo que envía una llamada de voz, medido en Chromium, el código de navegador que necesita, en qué se diferencia una sala de audio de una llamada entre dos, y cómo una app añade las dos sin construir la parte del medio.
Una llamada de voz es una videollamada sin cámara
Todo navegador que habla WebRTC tiene que admitir dos códecs de audio: Opus, y G.711 como PCMA y PCMU para sistemas telefónicos antiguos (RFC 7874). Donde los dos lados pueden, Opus va primero. Opus cubre desde 6 kbit/s para voz de banda estrecha hasta 510 kbit/s para música en estéreo, y su propia especificación da de 16 a 20 kbit/s como el punto óptimo para la voz de banda ancha (RFC 6716).
Hicimos una llamada solo de audio entre dos conexiones en Chromium 156, con su micrófono falso, y leímos lo que informaba el emisor:
| Qué leímos | Voz | Vídeo |
|---|---|---|
| Códec | Opus, 48 kHz, mono | VP8 |
| Sonido o imagen | unos 21 kbit/s | cerca de 480 kbit/s |
| Cabeceras RTP | unos 12 kbit/s |
La llamada de voz enviaba 50 paquetes por segundo, uno por cada 20 milisegundos de sonido, y las cabeceras de esos paquetes sumaban más de la mitad de lo que ocupaba el sonido que llevaban. IP y UDP añaden más en el cable. La videollamada, una imagen de 640 por 480 de la cámara falsa, estaba cerca de 480 kbit/s a los 20 segundos y seguía subiendo a medida que el navegador encontraba más margen, así que su cifra dice más del inicio de una llamada que de su final.
Así que una llamada de voz lleva muchos menos bits que una videollamada, y por eso aguanta en una red móvil débil donde el vídeo se entrecorta. Todo lo demás es igual: una oferta y una respuesta, las direcciones de los dos lados y un relé para las redes que bloquean un camino directo.
El código del navegador
Una llamada de voz pide solo el micrófono, y reproduce lo que vuelve en un elemento <audio>:
// call.js: el micrófono, con la cancelación de eco, el ruido y el control de nivel del navegador pedidos
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];
// Un navegador solo reproduce sonido después de que la persona haya hecho clic o escrito en la página.
audio.play().catch(() => showTurnSoundOn());
};
// Silenciar: la pista sigue en marcha, y el otro lado oye silencio.
document.getElementById('mute').onclick = () => {
const track = stream.getAudioTracks()[0];
track.enabled = !track.enabled;
};<audio id="them" autoplay></audio>
<button id="mute">Mute</button>La oferta, la respuesta y los candidatos pasan por un servidor de señalización, exactamente igual que en el vídeo: cómo conecta WebRTC dos navegadores tiene ese relé, unas pocas líneas de Node.js, y la página que lo rodea. Tres cosas importan más en una llamada de voz que en una de vídeo:
- El eco. Sin auriculares, el altavoz de un portátil reproduce a la otra persona en su propio micrófono. El RFC 7874 pide a todo extremo WebRTC que cancele ese eco, y Chromium tenía activadas por defecto las tres opciones de arriba cuando leímos
track.getSettings()con un simple{ audio: true }. Pídelas igualmente, y déjalas activadas salvo que la app reproduzca música. - Un sonido que no arranca. Los navegadores retienen el sonido hasta que la persona ha usado la página. Una llamada contestada con un clic no tiene problema. Una llamada a la que se entra desde un enlace abierto en una pestaña nueva puede conectarse en silencio, así que dale a la página un botón que active el sonido cuando
play()se niegue. - Silenciar sin colgar. Desactivar
track.enabledenvía silencio y mantiene la conexión, así que volver a activarlo es instantáneo y no pide nada. Detener la pista obligaría a pedir el micrófono otra vez.
Si el problema es el propio micrófono, el test de micrófono averigua qué parte falla, en el navegador, antes de cualquier llamada.
Una sala de audio es una llamada en grupo con oyentes
Una llamada entre dos personas va de un navegador al otro. Una sala de veinte no puede funcionar así: en una malla, cada ponente envía una copia de su voz a cada una de las demás personas, así que la subida crece con cada persona que entra. Las llamadas en grupo envían cada voz una sola vez a un servidor multimedia, que la pasa a todos los demás (cómo funcionan las videollamadas en grupo).
Una sala de audio añade roles a eso:
| Entre dos | Sala de audio | |
|---|---|---|
| Quién habla | los dos | los ponentes, pocos |
| Por dónde va | de navegador a navegador | por un servidor multimedia |
| Quién decide | los dos | el anfitrión y tu servidor |
Los oyentes no envían nada en absoluto. Reciben las voces de los ponentes, cada una reenviada por el servidor, y sus micrófonos siguen cerrados. Un oyente levanta la mano, el anfitrión le deja hablar y, más tarde, lo vuelve a hacer oyente.
Eso último tiene que decidirse en un servidor. Un botón que solo oculta el micrófono en la página no es ninguna regla: cualquiera puede abrir la consola del navegador y enviar sonido de todos modos. El servidor multimedia tiene que rechazar lo que envía un oyente, y retirárselo a quien deja de ser ponente, con una autorización que solo tu servidor puede dar.
Lo que sigue haciendo falta
Prescindir de la cámara ahorra ancho de banda y nada más. Una llamada de voz sigue necesitando:
- STUN y TURN. Algunas redes bloquean un camino directo entre dos dispositivos, tanto para la voz como para el vídeo. Un relé en el puerto 443 hace pasar esas llamadas (servidores STUN y TURN, explicados).
- El timbre. La persona a la que se llama tiene que oírlo en cualquier pestaña o dispositivo que tenga abierto, y dejar de oírlo en los demás en cuanto conteste.
- Una conexión que sobreviva a un cambio de red. Un teléfono que pasa de Wi-Fi a datos móviles pierde el camino por el que iba la llamada, así que la llamada tiene que encontrar uno nuevo sin colgar.
Llamadas de voz y salas de audio con WordPlus Cloud
Con el paquete @wordplus/realtime, una llamada de voz es una videollamada con type: 'audio'. Tu app decide quién puede llamar a quién en una ruta propia, que responde con un token para la llamada. En Express:
// server.mjs: GET /call-token?to=34&type=audio, que el botón pide al pulsarse.
app.get('/call-token', async (req, res) => {
// Aquí va tu propia comprobación: quién puede llamar a quién.
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 }) });
});await rt.callScreen(); // el timbre y la ventana de llamada, en cada página donde pueda sonar una llamada<call-button to="34" token-url="/call-token" type="audio" name="Ann">Call Ann</call-button>La llamada suena en cada pestaña y en cada dispositivo que Ann tenga abierto. Va directamente entre los dos navegadores cuando sus redes lo permiten, por nuestros relés en los puertos 443 y 80 cuando no, y por nuestros servidores multimedia cuando ni siquiera esos llegan, pasando de uno a otro sin colgar. Las llamadas entre dos personas van cifradas de extremo a extremo por cualquier camino, y no gastan créditos por ninguno de ellos.
Una sala de audio es una llamada en grupo cuyos tokens dicen type: 'audio', con publish: false para los oyentes. Aquí el anfitrión de la sala 7 habla y la dirige, y los demás escuchan hasta que se les deja hablar:
// GET /room-token?id=7, que <group-call-button call="room:7" token-url="/room-token?id=7" type="audio"> pide.
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); // tuyo, a partir de tus datos
res.json({
token: await realtime.groupCallToken(me, `room:${req.query.id}`, {
type: 'audio',
admin: host,
publish: host || (await maySpeak(req.query.id, me)),
}),
});
});
// El anfitrión deja hablar a alguien, o lo vuelve a hacer oyente, mientras la sala sigue en marcha.
await realtime.call('room:7').permit(34, { publish: true });La pantalla de llamada da al anfitrión Promote to Speaker y Demote to Viewer en cada persona, y los servidores multimedia rechazan el sonido de cualquiera a quien tu token o permit() haya hecho oyente. Una llamada en grupo va cifrada de extremo a extremo cuando sus tokens dicen encrypt: true. En las llamadas en grupo, cierto número de personas con vídeo a la vez no gastan créditos con tu plan, contando como media a una persona solo con audio, y cada una por encima gasta un crédito por minuto, la mitad con audio (límites). Lo que suma un mes de llamadas: cómo estimar el coste de las videollamadas.
Clases, webinars y salas de audio muestra manos levantadas y un botón propio para dejar hablar en Node, PHP y Python, y la página de llamadas de la guía de Express el resto: quién puede llamar, una interfaz de llamada propia y llamadas dentro de un chat.
Llamadas de voz para tu app
WordPlus Cloud for Apps tiene un precio según las conexiones simultáneas, a partir de 1.000, con facturación mensual o anual, y las llamadas entre dos personas no gastan créditos por ningún camino. Consulta las llamadas y las llamadas en grupo para apps, o los precios para apps. ¿Preguntas sobre tu integración? Escríbenos.