Android VoIP应用UDP包重排需求：无RTP/SIP解决互联网抖动音质问题

嘿，我正好折腾过纯UDP的VoIP场景，完全懂你不想碰RTP省编码的想法！针对互联网环境的抖动和包乱序问题，给你一套落地的接收端重排+缓冲方案，不用依赖任何现成协议：

没有RTP的序列号和时间戳，你得自己给每个UDP包加个极简头部——这是实现重排的基础，花不了几分钟：

• 至少包含两个字段：32位递增序列号（从通话开始每次+1）、32位发送时间戳（比如用发送端的系统毫秒数，或者通话启动后的相对毫秒数）
• 发送端示例（Kotlin）：

  // 给音频数据套上自定义头部
  fun wrapAudioPacket(audioFrame: ByteArray, seq: Int, sendTimestamp: Long): ByteArray {
      val buffer = ByteBuffer.allocate(8 + audioFrame.size)
      buffer.putInt(seq) // 序列号，每次发送+1
      buffer.putInt(sendTimestamp.toInt()) // 相对时间戳，避免溢出用int足够支撑几小时通话
      buffer.put(audioFrame)
      return buffer.array()
  }
  

1. 选择合适的缓冲结构 #

用TreeMap<Int, ByteArray>（按序列号自动排序）来存未处理的包，同时维护一个变量lastProcessedSeq记录已经输出的最大序列号——这样能快速找到下一个该输出的包。

2. 抖动缓冲窗口控制 #

设置一个可配置的抖动窗口（比如默认200ms，可动态调整），核心逻辑是：

不要刚收到包就输出，等一等，让乱序的包有时间赶上来；但也不能等太久，不然延迟会高到影响通话体验。

3. 核心处理逻辑 #

分两个线程配合（或者用Handler定时触发）：

• 接收线程：持续收包，解析头部（取出序列号和时间戳），把完整的音频数据放到TreeMap里
• 输出线程/定时任务：每10ms左右检查一次缓冲，执行以下操作：
  1. 从TreeMap里找lastProcessedSeq + 1对应的包，如果存在，就依次往后遍历连续的序列号，把这些包的音频数据拼接起来，输出到扬声器
  2. 更新lastProcessedSeq到最后一个输出的序列号，把已经输出的包从TreeMap里移除
  3. 检查缓冲里最早的包的时间戳：如果当前时间 - 包的发送时间戳 > 抖动窗口，不管有没有连续的包，都把能输出的连续部分先输出，丢弃剩下的过期包（避免缓冲无限膨胀）

4. 关键边界处理 #

• 序列号回绕：32位序列号到最大值会回到0，比较的时候要加判断：如果新序列号比lastProcessedSeq小很多（比如差超过2^31），就认为是回绕了，正常处理
• 丢包处理：如果某个序列号的包超过抖动窗口还没收到，直接跳过这个位置，插入静音帧或者用前一帧的音频补全，避免卡住整个播放流程

• 动态调整抖动窗口：统计最近100个包的延迟抖动（比如计算延迟的标准差），自动调整窗口大小——网络差的时候调到300ms，稳定的时候降到150ms，平衡音质和延迟
• 换成环形缓冲区：如果序列号是严格递增的，用固定大小的环形数组代替TreeMap，效率更高，适合高并发场景（用seq % bufferSize定位存储位置）
• 音频帧对齐：确保每个UDP包的音频数据是完整的帧（比如PCM每帧固定10ms的字节数），这样输出的时候不会出现音频断裂的情况

内容的提问来源于stack exchange，提问作者poorcoder