[要約] RFC 7874は、WebRTC通信におけるオーディオコーデックとオーディオ処理（エコー除去、ノイズ抑制など）に関する具体的な要件を規定しています。Opusコーデックのサポートを必須とし、G.711などのレガシープロトコルとの互換性についても定義しています。異なるWebRTC実装間での高品質な音声通信と相互運用性を確保することを目的としています。
Internet Engineering Task Force (IETF) JM. Valin
Request for Comments: 7874 Mozilla
Category: Standards Track C. Bran
ISSN: 2070-1721 Plantronics
May 2016
WebRTC Audio Codec and Processing Requirements
WebRTCオーディオコーデックと処理要件
Abstract
概要
This document outlines the audio codec and processing requirements for WebRTC endpoints.
このドキュメントでは、WebRTCエンドポイントのオーディオコーデックと処理要件の概要を説明します。
Status of This Memo
本文書の状態
This is an Internet Standards Track document.
これはInternet Standards Trackドキュメントです。
This document is a product of the Internet Engineering Task Force (IETF). It represents the consensus of the IETF community. It has received public review and has been approved for publication by the Internet Engineering Steering Group (IESG). Further information on Internet Standards is available in Section 2 of RFC 5741.
このドキュメントは、IETF（Internet Engineering Task Force）の製品です。これは、IETFコミュニティのコンセンサスを表しています。公開レビューを受け、インターネットエンジニアリングステアリンググループ（IESG）による公開が承認されました。インターネット標準の詳細については、RFC 5741のセクション2をご覧ください。
Information about the current status of this document, any errata, and how to provide feedback on it may be obtained at http://www.rfc-editor.org/info/rfc7874.
このドキュメントの現在のステータス、エラータ、およびフィードバックの提供方法に関する情報は、http://www.rfc-editor.org/info/rfc7874で入手できます。
Copyright Notice
著作権表示
Copyright (c) 2016 IETF Trust and the persons identified as the document authors. All rights reserved.
Copyright（c）2016 IETF Trustおよびドキュメントの作成者として識別された人物。全著作権所有。
This document is subject to BCP 78 and the IETF Trust's Legal Provisions Relating to IETF Documents (http://trustee.ietf.org/license-info) in effect on the date of publication of this document. Please review these documents carefully, as they describe your rights and restrictions with respect to this document. Code Components extracted from this document must include Simplified BSD License text as described in Section 4.e of the Trust Legal Provisions and are provided without warranty as described in the Simplified BSD License.
この文書は、BCP 78およびIETF文書に関するIETFトラストの法的規定（http://trustee.ietf.org/license-info）の対象であり、この文書の発行日に有効です。これらのドキュメントは、このドキュメントに関するあなたの権利と制限を説明しているため、注意深く確認してください。このドキュメントから抽出されたコードコンポーネントには、Trust Legal Provisionsのセクション4.eに記載されているSimplified BSD Licenseのテキストが含まれている必要があり、Simplified BSD Licenseに記載されているように保証なしで提供されます。
Table of Contents
目次
1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . 2 2. Terminology . . . . . . . . . . . . . . . . . . . . . . . . . 2 3. Codec Requirements . . . . . . . . . . . . . . . . . . . . . 2 4. Audio Level . . . . . . . . . . . . . . . . . . . . . . . . . 4 5. Acoustic Echo Cancellation (AEC) . . . . . . . . . . . . . . 4 6. Legacy VoIP Interoperability . . . . . . . . . . . . . . . . 5 7. Security Considerations . . . . . . . . . . . . . . . . . . . 5 8. References . . . . . . . . . . . . . . . . . . . . . . . . . 6 8.1. Normative References . . . . . . . . . . . . . . . . . . 6 8.2. Informative References . . . . . . . . . . . . . . . . . 6 Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . 7 Authors' Addresses . . . . . . . . . . . . . . . . . . . . . . . 7
An integral part of the success and adoption of Web Real-Time Communications (WebRTC) will be the voice and video interoperability between WebRTC applications. This specification will outline the audio processing and codec requirements for WebRTC endpoints.
Web Real-Time Communications（WebRTC）の成功と採用の不可欠な部分は、WebRTCアプリケーション間の音声とビデオの相互運用性です。この仕様では、WebRTCエンドポイントのオーディオ処理とコーデックの要件について概説します。
The key words "MUST", "MUST NOT", "REQUIRED", "SHALL", "SHALL NOT", "SHOULD", "SHOULD NOT", "RECOMMENDED", "NOT RECOMMENDED", "MAY", and "OPTIONAL" in this document are to be interpreted as described in RFC 2119 [RFC2119].
このドキュメントのキーワード "MUST"、"MUST NOT"、"REQUIRED"、"SHALL"、"SHALL NOT"、"SHOULD"、"SHOULD NOT"、"RECOMMENDED"、"NOT RECOMMENDED"、"MAY"、および "OPTIONAL" は、RFC 2119 [RFC2119] で説明されているように解釈されるものとします。
To ensure a baseline level of interoperability between WebRTC endpoints, a minimum set of required codecs are specified below. If other suitable audio codecs are available for the WebRTC endpoint to use, it is RECOMMENDED that they also be included in the offer in order to maximize the possibility of establishing the session without the need for audio transcoding.
WebRTCエンドポイント間の相互運用性のベースラインレベルを確保するために、必要なコーデックの最小セットを以下に指定します。 WebRTCエンドポイントで使用できる他の適切なオーディオコーデックが利用できる場合は、オーディオトランスコーディングを必要とせずにセッションを確立する可能性を最大化するために、それらもオファーに含めることをお勧めします。
WebRTC endpoints are REQUIRED to implement the following audio codecs:
次のオーディオコーデックを実装するには、WebRTCエンドポイントが必要です。
o PCMA and PCMU (as specified in ITU-T Recommendation G.711 [G.711]) with the payload format specified in Section 4.5.14 of [RFC3551].
o [RFC3551]のセクション4.5.14で指定されたペイロード形式のPCMAおよびPCMU（ITU-T勧告G.711 [G.711]で指定）。
o [RFC3389] comfort noise (CN). WebRTC endpoints MUST support [RFC3389] CN for streams encoded with G.711 or any other supported codec that does not provide its own CN. Since Opus provides its own CN mechanism, the use of [RFC3389] CN with Opus is NOT RECOMMENDED. Use of Discontinuous Transmission (DTX) / CN by senders is OPTIONAL.
o the 'audio/telephone-event' media type as specified in [RFC4733]. The endpoints MAY send DTMF events at any time and SHOULD suppress in-band dual-tone multi-frequency (DTMF) tones, if any. DTMF events generated by a WebRTC endpoint MUST have a duration of no more than 8000 ms and no less than 40 ms. The recommended default duration is 100 ms for each tone. The gap between events MUST be no less than 30 ms; the recommended default gap duration is 70 ms. WebRTC endpoints are not required to do anything with tones (as specified in RFC 4733) sent to them, except gracefully drop them. There is currently no API to inform JavaScript about the received DTMF or other tones (as specified in RFC 4733). WebRTC endpoints are REQUIRED to be able to generate and consume the following events:
o [RFC4733] で規定された「audio/telephone-event」メディアタイプ。エンドポイントはいつでもDTMFイベントを送信してもよく (MAY)、インバンドのデュアルトーンマルチ周波数 (DTMF) トーンがあればそれを抑制すべきです (SHOULD)。WebRTCエンドポイントが生成するDTMFイベントは、8000ミリ秒以下、40ミリ秒以上の継続時間を持たなければなりません (MUST)。推奨されるデフォルトの継続時間はトーンごとに100ミリ秒です。イベント間の間隔は30ミリ秒以上でなければなりません (MUST)。推奨されるデフォルトの間隔は70ミリ秒です。WebRTCエンドポイントは、自身に送信された (RFC 4733で規定された) トーンについて、適切に破棄すること以外に何かをすることは要求されていません。現在、受信したDTMFやその他の (RFC 4733で規定された) トーンについてJavaScriptに通知するAPIは存在しません。WebRTCエンドポイントは、次のイベントを生成および消費できることが必須です (REQUIRED)。
+------------+--------------------------------+-----------+
|Event Code | Event Name | Reference |
+------------+--------------------------------+-----------+
| 0 | DTMF digit "0" | [RFC4733] |
| 1 | DTMF digit "1" | [RFC4733] |
| 2 | DTMF digit "2" | [RFC4733] |
| 3 | DTMF digit "3" | [RFC4733] |
| 4 | DTMF digit "4" | [RFC4733] |
| 5 | DTMF digit "5" | [RFC4733] |
| 6 | DTMF digit "6" | [RFC4733] |
| 7 | DTMF digit "7" | [RFC4733] |
| 8 | DTMF digit "8" | [RFC4733] |
| 9 | DTMF digit "9" | [RFC4733] |
| 10 | DTMF digit "*" | [RFC4733] |
| 11 | DTMF digit "#" | [RFC4733] |
| 12 | DTMF digit "A" | [RFC4733] |
| 13 | DTMF digit "B" | [RFC4733] |
| 14 | DTMF digit "C" | [RFC4733] |
| 15 | DTMF digit "D" | [RFC4733] |
+------------+--------------------------------+-----------+
For all cases where the endpoint is able to process audio at a sampling rate higher than 8 kHz, it is RECOMMENDED that Opus be offered before PCMA/PCMU. For Opus, all modes MUST be supported on the decoder side. The choice of encoder-side modes is left to the implementer. Endpoints MAY use the offer/answer mechanism to signal a preference for a particular mode or ptime.
エンドポイントが8 kHzを超えるサンプリングレートでオーディオを処理できるすべてのケースで、PCMA/PCMUの前にOpusを提供することをお勧めします。 Opusの場合、すべてのモードがデコーダー側でサポートされている必要があります。エンコーダ側モードの選択は、実装者に任されています。エンドポイントは、オファー/アンサーメカニズムを使用して、特定のモードまたはptimeの設定を通知できます。
For additional information on implementing codecs other than the mandatory-to-implement codecs listed above, refer to [RFC7875].
上記の必須から実装までのコーデック以外のコーデックの実装に関する追加情報については、[RFC7875]を参照してください。
It is desirable to standardize the "on the wire" audio level for speech transmission to avoid users having to manually adjust the playback and to facilitate mixing in conferencing applications. It is also desirable to be consistent with ITU-T Recommendations G.169 and G.115, which recommend an active audio level of -19 dBm0. However, unlike G.169 and G.115, the audio for WebRTC is not constrained to have a passband specified by G.712 and can in fact be sampled at any sampling rate from 8 to 48 kHz and higher. For this reason, the level SHOULD be normalized by only considering frequencies above 300 Hz, regardless of the sampling rate used. The level SHOULD also be adapted to avoid clipping, either by lowering the gain to a level below -19 dBm0 or through the use of a compressor.
ユーザーが手動で再生を調整する必要がなくなり、会議アプリケーションでのミキシングが容易になるように、スピーチ送信の「有線」オーディオレベルを標準化することが望ましい。 -19 dBm0のアクティブオーディオレベルを推奨するITU-T勧告G.169およびG.115と一致することも望ましいです。ただし、G.169およびG.115とは異なり、WebRTCのオーディオはG.712で指定された通過帯域を持つように制限されておらず、実際には8〜48 kHz以上の任意のサンプリングレートでサンプリングできます。このため、使用するサンプリングレートに関係なく、300 Hzを超える周波数のみを考慮してレベルを正規化すべきです（SHOULD）。レベルは、ゲインを-19 dBm0未満のレベルに下げるか、コンプレッサーを使用して、クリッピングを回避するように調整すべきです（SHOULD）。
Assuming linear 16-bit PCM with a value of +/-32767, -19 dBm0 corresponds to a root mean square (RMS) level of 2600. Only active speech should be considered in the RMS calculation. If the endpoint has control over the entire audio-capture path, as is typically the case for a regular phone, then it is RECOMMENDED that the gain be adjusted in such a way that an average speaker would have a level of 2600 (-19 dBm0) for active speech. If the endpoint does not have control over the entire audio capture, as is typically the case for a software endpoint, then the endpoint SHOULD use automatic gain control (AGC) to dynamically adjust the level to 2600 (-19 dBm0) +/- 6 dB. For music- or desktop-sharing applications, the level SHOULD NOT be automatically adjusted, and the endpoint SHOULD allow the user to set the gain manually.
値が+/-32767の線形16ビットPCMを想定すると、-19 dBm0は二乗平均平方根 (RMS) レベル2600に相当します。RMSの計算では、アクティブな音声のみを考慮すべきです。通常の電話機のように、エンドポイントが音声取得経路全体を制御できる場合、平均的な話者のアクティブな音声のレベルが2600 (-19 dBm0) になるようにゲインを調整することが推奨されます (RECOMMENDED)。ソフトウェアのエンドポイントのように、エンドポイントが音声取得全体を制御できない場合、エンドポイントは自動利得制御 (AGC) を使用して、レベルを2600 (-19 dBm0) +/- 6 dBに動的に調整すべきです (SHOULD)。音楽やデスクトップ共有のアプリケーションでは、レベルを自動的に調整すべきではなく (SHOULD NOT)、エンドポイントはユーザがゲインを手動で設定できるようにすべきです (SHOULD)。
The RECOMMENDED filter for normalizing the signal energy is a second-order Butterworth filter with a 300 Hz cutoff frequency.
信号エネルギーを正規化するための推奨フィルターは、カットオフ周波数が300 Hzの2次バタワースフィルターです。
It is common for the audio output on some devices to be "calibrated" for playing back pre-recorded "commercial" music, which is typically around 12 dB louder than the level recommended in this section. Because of this, endpoints MAY increase the gain before playback.
一部のデバイスのオーディオ出力は、事前に録音された「コマーシャル」音楽を再生するために「調整」されることが一般的です。これは、通常、このセクションで推奨されるレベルよりも約12 dB大きくなります。このため、エンドポイントは再生前にゲインを増加させる場合があります。
It is plausible that the dominant near-to-medium-term WebRTC usage model will be people using the interactive audio and video capabilities to communicate with each other via web browsers running on a notebook computer that has a built-in microphone and speakers. The notebook-as-communication-device paradigm presents challenging echo cancellation problems, the specific remedy of which will not be mandated here. However, while no specific algorithm or standard will be required by WebRTC-compatible endpoints, echo cancellation will improve the user experience and should be implemented by the endpoint device.
ほぼ中期的なWebRTC使用モデルの主流は、インタラクティブなオーディオおよびビデオ機能を使用して、マイクとスピーカーが組み込まれたノートブックコンピューターで実行されているWebブラウザーを介して互いに通信する人々であると考えられます。通信デバイスとしてのノートブックパラダイムは、困難なエコーキャンセレーションの問題を提示します。その具体的な解決策はここでは必須ではありません。ただし、WebRTC互換のエンドポイントでは特定のアルゴリズムや標準は必要ありませんが、エコーキャンセレーションはユーザーエクスペリエンスを向上させるため、エンドポイントデバイスで実装する必要があります。
WebRTC endpoints SHOULD include an AEC or some other form of echo control. On general-purpose platforms (e.g., a PC), it is common for the analog-to-digital converter (ADC) for audio capture and the digital-to-analog converter (DAC) for audio playback to use different clocks. In these cases, such as when a webcam is used for capture and a separate soundcard is used for playback, the sampling rates are likely to differ slightly. Endpoint AECs SHOULD be robust to such conditions, unless they are shipped along with hardware that guarantees capture and playback to be sampled from the same clock.
WebRTCエンドポイントは、AECまたは何らかの他の形式のエコー制御を含めるべきです (SHOULD)。汎用プラットフォーム (たとえばPC) では、オーディオのキャプチャ用のアナログデジタル変換器 (ADC) とオーディオの再生用のデジタルアナログ変換器 (DAC) が異なるクロックを使用することが一般的です。キャプチャにWebカメラを、再生に別のサウンドカードを使用する場合など、このような場合にはサンプリングレートがわずかに異なる可能性があります。エンドポイントのAECは、キャプチャと再生が同じクロックからサンプリングされることを保証するハードウェアと一緒に出荷される場合を除き、そのような状況に対して堅牢であるべきです (SHOULD)。
Endpoints SHOULD allow the entire AEC and/or the nonlinear processing (NLP) to be turned off for applications, such as music, that do not behave well with the spectral attenuation methods typically used in NLP. Similarly, endpoints SHOULD have the ability to detect the presence of a headset and disable echo cancellation.
エンドポイントは、通常、NLPで使用されるスペクトル減衰方法ではうまく機能しない音楽などのアプリケーションに対して、AEC全体および/または非線形処理（NLP）をオフにできるようにすべきです（SHOULD）。同様に、エンドポイントには、ヘッドセットの存在を検出してエコーキャンセルを無効にする機能が必要です（SHOULD）。
For some applications where the remote endpoint may not have an echo canceller, the local endpoint MAY include a far-end echo canceller, but when included, it SHOULD be disabled by default.
リモートのエンドポイントがエコーキャンセラーを持たない可能性のある一部のアプリケーションでは、ローカルのエンドポイントが遠端エコーキャンセラーを含めてもよいですが (MAY)、含める場合はデフォルトで無効にしておくべきです (SHOULD)。
The codec requirements above will ensure, at a minimum, voice interoperability capabilities between WebRTC endpoints and legacy phone systems that support G.711.
上記のコーデック要件により、少なくとも、WebRTCエンドポイントとG.711をサポートするレガシー電話システムとの間の音声相互運用性が保証されます。
For security considerations regarding the codecs themselves, please refer to their specifications, including [RFC6716], [RFC7587], [RFC3551], [RFC3389], and [RFC4733]. Likewise, consult the RTP base specification for RTP-based security considerations. WebRTC security is further discussed in [WebRTC-SEC], [WebRTC-SEC-ARCH], and [WebRTC-RTP-USAGE].
Using the guidelines in [RFC6562], implementers should consider whether the use of variable bitrate is appropriate for their application. Encryption and authentication issues are beyond the scope of this document.
[RFC6562]のガイドラインを使用して、実装者は可変ビットレートの使用がアプリケーションに適しているかどうかを検討する必要があります。暗号化と認証の問題は、このドキュメントの範囲外です。
[RFC2119] Bradner, S., "Key words for use in RFCs to Indicate Requirement Levels", BCP 14, RFC 2119, DOI 10.17487/RFC2119, March 1997, <http://www.rfc-editor.org/info/rfc2119>.
[RFC2119] Bradner, S.、「要件レベルを示すためにRFCで使用するキーワード」、BCP 14、RFC 2119、DOI 10.17487/RFC2119、1997年3月、<http://www.rfc-editor.org/info/rfc2119>。
[RFC3551] Schulzrinne, H. and S. Casner, "RTP Profile for Audio and Video Conferences with Minimal Control", STD 65, RFC 3551, DOI 10.17487/RFC3551, July 2003, <http://www.rfc-editor.org/info/rfc3551>.
[RFC3551] Schulzrinne, H. and S. Casner、「Minimal Controlを使用した音声およびビデオ会議のRTPプロファイル」、STD 65、RFC 3551、DOI 10.17487/RFC3551、2003年7月、<http://www.rfc-editor.org/info/rfc3551>。
[RFC3389] Zopf, R., "Real-time Transport Protocol (RTP) Payload for Comfort Noise (CN)", RFC 3389, DOI 10.17487/RFC3389, September 2002, <http://www.rfc-editor.org/info/rfc3389>.
[RFC3389] Zopf, R.、「Real-time Transport Protocol（RTP）Payload for Comfort Noise（CN）」、RFC 3389、DOI 10.17487/RFC3389、2002年9月、<http://www.rfc-editor.org/info/rfc3389>。
[RFC4733] Schulzrinne, H. and T. Taylor, "RTP Payload for DTMF Digits, Telephony Tones, and Telephony Signals", RFC 4733, DOI 10.17487/RFC4733, December 2006, <http://www.rfc-editor.org/info/rfc4733>.
[RFC4733] Schulzrinne, H. and T. Taylor、「DTMFディジット、テレフォニートーン、およびテレフォニーシグナルのRTPペイロード」、RFC 4733、DOI 10.17487/RFC4733、2006年12月、<http://www.rfc-editor.org/info/rfc4733>。
[RFC6716] Valin, JM., Vos, K., and T. Terriberry, "Definition of the Opus Audio Codec", RFC 6716, DOI 10.17487/RFC6716, September 2012, <http://www.rfc-editor.org/info/rfc6716>.
[RFC6716] Valin、JM。、Vos、K。、およびT. Terriberry、「Definition of the Opus Audio Codec」、RFC 6716、DOI 10.17487/RFC6716、2012年9月、<http://www.rfc-editor.org/info/rfc6716>。
[RFC6562] Perkins, C. and JM. Valin, "Guidelines for the Use of Variable Bit Rate Audio with Secure RTP", RFC 6562, DOI 10.17487/RFC6562, March 2012, <http://www.rfc-editor.org/info/rfc6562>.
[RFC6562]パーキンス、C。およびJM。 Valin、「Secure RTPでの可変ビットレートオーディオの使用に関するガイドライン」、RFC 6562、DOI 10.17487/RFC6562、2012年3月、<http://www.rfc-editor.org/info/rfc6562>。
[RFC7587] Spittka, J., Vos, K., and JM. Valin, "RTP Payload Format for the Opus Speech and Audio Codec", RFC 7587, DOI 10.17487/RFC7587, June 2015, <http://www.rfc-editor.org/info/rfc7587>.
[RFC7587] Spittka、J.、Vos、K。、およびJM。 Valin、「Opus Speech and Audio CodecのRTPペイロード形式」、RFC 7587、DOI 10.17487/RFC7587、2015年6月、<http://www.rfc-editor.org/info/rfc7587>。
[G.711] ITU-T, "Pulse code modulation (PCM) of voice frequencies", ITU-T Recommendation G.711, November 1988, <http://www.itu.int/rec/T-REC-G.711-198811-I/en>.
[G.711] ITU-T、「音声周波数のパルスコード変調（PCM）」、ITU-T勧告G.711、1988年11月、<http://www.itu.int/rec/T-REC-G.711-198811-I/en>。
[WebRTC-SEC] Rescorla, E., "Security Considerations for WebRTC", Work in Progress, draft-ietf-rtcweb-security-08, February 2015.
[WebRTC-SEC] Rescorla, E.、「WebRTCのセキュリティに関する考慮事項」、Work in Progress、draft-ietf-rtcweb-security-08、2015年2月。
[WebRTC-SEC-ARCH] Rescorla, E., "WebRTC Security Architecture", Work in Progress, draft-ietf-rtcweb-security-arch-11, March 2015.
[WebRTC-SEC-ARCH] Rescorla, E.、「WebRTC Security Architecture」、Work in Progress、draft-ietf-rtcweb-security-arch-11、2015年3月。
[WebRTC-RTP-USAGE] Perkins, C., Westerlund, M., and J. Ott, "Web Real-Time Communication (WebRTC): Media Transport and Use of RTP", Work in Progress, draft-ietf-rtcweb-rtp-usage-26, March 2016.
[WebRTC-RTP-USAGE] Perkins, C., Westerlund, M., and J. Ott、「Web Real-Time Communication（WebRTC）：Media Transport and Use of RTP」、Work in Progress、draft-ietf-rtcweb- rtp-usage-26、2016年3月。
[RFC7875] Proust, S., Ed., "Additional WebRTC Audio Codecs for Interoperability", RFC 7875, DOI 10.17487/RFC7875, May 2016, <http://www.rfc-editor.org/info/rfc7875>.
[RFC7875] Proust, S., Ed.、「相互運用性のための追加のWebRTCオーディオコーデック」、RFC 7875、DOI 10.17487/RFC7875、2016年5月、<http://www.rfc-editor.org/info/rfc7875>。
Acknowledgements
謝辞
This document incorporates ideas and text from various other documents. In particular, we would like to acknowledge, and say thanks for, work we incorporated from Harald Alvestrand and Cullen Jennings.
このドキュメントには、他のさまざまなドキュメントのアイデアやテキストが組み込まれています。特に、Harald AlvestrandとCullen Jenningsから取り入れた仕事を認め、感謝します。
Authors' Addresses
著者のアドレス
Jean-Marc Valin Mozilla 331 E. Evelyn Avenue Mountain View, CA 94041 United States
Jean-Marc Valin Mozilla 331 E. Evelyn Avenue Mountain View、CA 94041アメリカ合衆国
Email: jmvalin@jmvalin.ca
Cary Bran Plantronics 345 Encinial Street Santa Cruz, CA 95060 United States
Cary Bran Plantronics 345 Encinal Street Santa Cruz、CA 95060アメリカ合衆国
Phone: +1 206 661-2398
Email: cary.bran@plantronics.com