Blog

Appels vocaux et salons audio dans une application web : comment ils fonctionnent

· Andrij Tkachenko · 8 min de lecture

Deux fenêtres de navigateur reliées par une ligne pointillée portant des ondes sonores, à côté d’une salle ronde de sièges où deux personnes parlent au micro et les autres écoutent

Un appel vocal dans une application web est un appel WebRTC avec une piste micro et sans caméra : la même connexion qu’un appel vidéo, qui transporte quelques dizaines de kilobits par seconde au lieu de centaines. Un salon audio est un appel de groupe où quelques personnes parlent et où tous les autres écoutent, et il lui faut un serveur multimédia ainsi qu’une règle, sur votre serveur, qui dit qui peut parler.

Dans les deux cas, ce sont des appels entre les utilisateurs de votre application, par leurs comptes, sur internet. Il n’y a ni numéro de téléphone ni réseau téléphonique. Cet article montre ce qu’envoie un appel vocal, mesuré dans Chromium, le code dont il a besoin dans le navigateur, en quoi un salon audio diffère d’un appel à deux, et comment une application ajoute les deux sans construire la partie médias.

Un appel vocal est un appel vidéo sans la caméra

Chaque navigateur qui parle WebRTC doit prendre en charge deux codecs audio : Opus, et G.711 sous forme de PCMA et PCMU pour les anciens systèmes téléphoniques (RFC 7874). Quand les deux côtés le peuvent, Opus passe en premier. Opus couvre tout, de 6 kbit/s pour la parole en bande étroite à 510 kbit/s pour la musique en stéréo, et sa propre spécification donne 16 à 20 kbit/s comme le meilleur compromis pour la parole en bande élargie (RFC 6716).

Nous avons passé un appel audio seul entre deux connexions dans Chromium 156, avec son faux micro, et lu ce que rapportait l’émetteur :

Ce que nous avons lu Appel vocal Appel vidéo
Codec Opus, 48 kHz, mono VP8
Son ou image environ 21 kbit/s près de 480 kbit/s
En-têtes RTP environ 12 kbit/s

L’appel vocal envoyait 50 paquets par seconde, un pour chaque tranche de 20 millisecondes de son, et les en-têtes de ces paquets ajoutaient plus de la moitié du son qu’ils portaient. IP et UDP en ajoutent encore sur le réseau. L’appel vidéo, une image de 640 sur 480 venue de la fausse caméra, était près de 480 kbit/s au bout de 20 secondes et montait encore à mesure que le navigateur trouvait de la place, si bien que ce chiffre en dit plus sur le début d’un appel que sur sa fin.

Un appel vocal transporte donc bien moins de bits qu’un appel vidéo, et c’est pourquoi il tient sur un réseau mobile faible où la vidéo saccade. Tout le reste est identique : une offre et une réponse, les adresses des deux côtés, et un relais pour les réseaux qui bloquent un chemin direct.

Le code du navigateur

Un appel vocal ne demande que le micro, et joue ce qui revient dans un élément <audio> :

JavaScript
// call.js : le micro, avec l’annulation d’écho, la réduction du bruit et le contrôle du niveau du navigateur demandés
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 navigateur ne joue du son qu’après que la personne a cliqué ou tapé sur la page.
  audio.play().catch(() => showTurnSoundOn());
};

// Couper le micro : la piste continue, et l’autre côté entend du silence.
document.getElementById('mute').onclick = () => {
  const track = stream.getAudioTracks()[0];
  track.enabled = !track.enabled;
};
HTML
<audio id="them" autoplay></audio>
<button id="mute">Mute</button>

L’offre, la réponse et les candidates passent par un serveur de signalisation, exactement comme pour la vidéo : comment WebRTC relie deux navigateurs contient ce relais, quelques lignes de Node.js, et la page qui l’entoure. Trois choses comptent davantage dans un appel vocal que dans un appel vidéo :

  1. L’écho. Sans casque, le haut-parleur d’un ordinateur portable joue l’autre personne dans son propre micro. La RFC 7874 demande à chaque point de terminaison WebRTC d’annuler cet écho, et Chromium avait les trois options ci-dessus activées par défaut quand nous avons lu track.getSettings() sur un simple { audio: true }. Demandez-les quand même, et laissez-les activées sauf si l’application joue de la musique.
  2. Un son qui ne démarre pas. Les navigateurs retiennent le son tant que la personne n’a pas utilisé la page. Un appel décroché d’un clic ne pose pas de problème. Un appel rejoint depuis un lien ouvert dans un nouvel onglet peut se connecter en silence, alors donnez à la page un bouton qui lance le son quand play() refuse.
  3. Couper le micro sans raccrocher. Passer track.enabled à false envoie du silence et garde la connexion, si bien que le réactiver est instantané et ne demande rien. Arrêter la piste obligerait à redemander le micro.

Si le micro lui-même pose problème, le test du micro trouve quelle partie échoue, dans le navigateur, avant tout appel.

Un salon audio est un appel de groupe avec des auditeurs

Un appel entre deux personnes va d’un navigateur à l’autre. Un salon de vingt ne peut pas fonctionner ainsi : en mesh, chaque intervenant envoie une copie de sa voix à chacun des autres, si bien que l’envoi grandit avec chaque personne qui arrive. Les appels de groupe envoient chaque voix une seule fois à un serveur multimédia, qui la transmet à tous les autres (comment fonctionnent les appels vidéo de groupe).

Un salon audio y ajoute des rôles :

Appel à deux Salon audio
Qui parle les deux quelques intervenants
Où va le son de navigateur à navigateur par un serveur multimédia
Qui décide les deux personnes l’hôte et votre serveur

Les auditeurs n’envoient rien du tout. Ils reçoivent les voix des intervenants, chacune transmise par le serveur, et leur micro reste fermé. Un auditeur lève la main, l’hôte lui donne la parole, puis le refait auditeur plus tard.

Cette dernière partie doit se décider sur un serveur. Un bouton qui ne fait que masquer le micro dans la page n’est pas une règle : n’importe qui peut ouvrir la console du navigateur et envoyer du son quand même. Le serveur multimédia doit refuser ce qu’envoie un auditeur, et le retirer à qui cesse d’être intervenant, sur une preuve que seul votre serveur peut donner.

Ce qui vaut toujours

Se passer de la caméra économise de la bande passante, et rien d’autre. Un appel vocal a toujours besoin :

  • De STUN et TURN. Certains réseaux bloquent un chemin direct entre deux appareils, pour la voix comme pour la vidéo. Un relais sur le port 443 fait passer ces appels (les serveurs STUN et TURN, expliqués).
  • De la sonnerie. La personne appelée doit l’entendre dans l’onglet ou sur l’appareil qu’elle a ouvert, quel qu’il soit, et ne plus l’entendre dans les autres dès qu’elle décroche.
  • D’une connexion qui survit à un changement de réseau. Un téléphone qui passe du Wi-Fi aux données mobiles perd le chemin qu’empruntait l’appel, et l’appel doit donc en trouver un nouveau sans raccrocher.

Appels vocaux et salons audio avec WordPlus Cloud

Avec le paquet @wordplus/realtime, un appel vocal est un appel vidéo avec type: 'audio'. Votre application décide qui peut appeler qui dans une route à elle, qui répond par un jeton pour l’appel. Avec Express :

JavaScript
// server.mjs : GET /call-token?to=34&type=audio, que le bouton demande quand on l’appuie.
app.get('/call-token', async (req, res) => {
  // Votre propre vérification se place ici : qui peut appeler qui.
  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(); // la sonnerie et la fenêtre d’appel, sur chaque page où un appel peut sonner
HTML
<call-button to="34" token-url="/call-token" type="audio" name="Ann">Call Ann</call-button>

L’appel sonne dans chaque onglet et sur chaque appareil qu’Ann a ouverts. Il passe directement entre les deux navigateurs quand leurs réseaux le permettent, par nos relais sur les ports 443 et 80 quand ils ne le permettent pas, et par nos serveurs multimédias quand même les relais ne passent pas, en basculant de l’un à l’autre sans raccrocher. Les appels entre deux personnes sont chiffrés de bout en bout sur chaque chemin, et ne prennent aucun crédit, quel que soit le chemin.

Un salon audio est un appel de groupe dont les jetons disent type: 'audio', avec publish: false pour les auditeurs. Ici, l’hôte du salon 7 parle et l’anime, et les autres écoutent jusqu’à ce qu’on leur donne la parole :

JavaScript
// GET /room-token?id=7, que demande <group-call-button call="room:7" token-url="/room-token?id=7" type="audio">.
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); // à vous, depuis vos données
  res.json({
    token: await realtime.groupCallToken(me, `room:${req.query.id}`, {
      type: 'audio',
      admin: host,
      publish: host || (await maySpeak(req.query.id, me)),
    }),
  });
});

// L’hôte donne la parole à quelqu’un, ou le refait auditeur, pendant que le salon se déroule.
await realtime.call('room:7').permit(34, { publish: true });

L’écran d’appel donne à l’hôte Promote to Speaker et Demote to Viewer sur chaque personne, et les serveurs multimédias refusent le son de toute personne dont votre jeton ou permit() a fait un auditeur. Un appel de groupe est chiffré de bout en bout quand ses jetons disent encrypt: true. Dans les appels de groupe, un certain nombre de personnes en vidéo en même temps ne prennent aucun crédit avec votre formule, une personne en audio comptant pour moitié, et chaque personne au-delà prend un crédit par minute, la moitié en audio (limites). Ce que représente un mois d’appels : comment estimer le coût des appels vidéo.

Cours, webinaires et salons audio montre les mains levées et un bouton Let speak à vous en Node, PHP et Python, et la page des appels du guide Express le reste : qui peut appeler, une interface d’appel à vous, et les appels dans un chat.

Des appels vocaux pour votre application

WordPlus Cloud for Apps a un prix selon les connexions simultanées, à partir de 1 000, facturé au mois ou à l’année, et les appels entre deux personnes ne prennent aucun crédit, quel que soit le chemin. Découvrez les appels et les appels de groupe pour les applications, ou les tarifs pour les applications. Des questions sur votre intégration ? Écrivez-nous.