寻求SIP会话场景下基于波形的传真初始信号实时检测方案

首先得明确，通过SIP会话传输传真主要有两种模式：

• T.38模式：这种模式下SDP体里会明确标记传真传输类型，检测这类传真会话非常直接，不需要从波形层面做额外分析，只要解析SDP就能快速识别。
• Pass-through模式：这是更复杂的场景——先建立基于G.711编码的常规RTP语音通话，之后双方会传输特定的信号音来触发传真切换：
  • CNG信号：主叫端发送的1100Hz连续单音，持续时间通常在3秒以上
  • CED信号：被叫端回应的2100Hz连续单音，持续约3秒

你的核心需求是从实时波形中检测这些初始传真信号，尤其是针对Pass-through模式，下面分享几种可行的方法，重点说深度学习方向的实现思路：

一、传统信号处理方法（作为基准） #

如果不想直接上深度学习，先可以用传统的信号处理手段做快速检测：

1. 频率域分析：对实时采集的音频帧做FFT转换，检测是否存在稳定的1100Hz或2100Hz峰值——因为CNG/CED都是固定频率的连续单音，频谱特征非常明显。
2. 能量与持续时间校验：确认该频率的能量占比超过阈值（比如超过总能量的80%），且持续时间满足3秒左右的要求，避免误判为语音中的类似频率片段。

这种方法优点是计算量小、延迟低，适合资源有限的嵌入式设备，但对噪声鲁棒性较差，复杂环境下容易误检。

二、深度学习实时检测方案 #

如果追求更高的准确率和鲁棒性，深度学习是更好的选择，这里推荐两种适合实时场景的模型架构：

1. 基于CNN的轻量级模型 #

针对实时音频帧处理，你可以用一维CNN来提取波形的时域特征：

• 数据预处理：把实时音频切成固定长度的帧（比如20ms/帧，和G.711的采样率匹配），将每帧转化为梅尔频谱图（或者直接用原始波形作为输入）。
• 模型设计：用几层小卷积核的Conv1D层提取局部特征，加上池化层降维，最后接全连接层输出分类结果（是传真信号/不是传真信号）。
• 实时优化：采用滑动窗口的方式处理连续音频流，每处理完一个窗口就输出一次检测结果，窗口大小可以设置为1秒左右，平衡检测延迟和准确率。

2. 基于RNN/LSTM的序列模型 #

因为传真信号是连续的时间序列，RNN/LSTM能更好捕捉时间维度上的特征：

• 输入设计：将连续的音频帧序列作为输入，模型可以学习到CNG/CED信号的持续稳定性特征。
• 模型优化：用双向LSTM（Bi-LSTM）同时捕捉前后帧的关联信息，再加上注意力机制（Attention），让模型更关注信号稳定的时间段。
• 实时推理：采用增量推理的方式，每传入新的一帧就更新模型状态，不需要重新处理整个序列，大幅降低延迟。

三、工程实现注意事项 #

1. 采样率匹配：因为Pass-through模式用的是G.711编码，采样率是8kHz，所以你的检测模块要和这个采样率对齐，避免采样率转换带来的失真。
2. 低延迟要求：实时检测需要把端到端延迟控制在几百毫秒以内，所以模型要尽量轻量化，必要时可以用模型量化、剪枝等手段压缩体积。
3. 数据标注：需要收集足够的标注数据，包括不同噪声环境下的CNG/CED信号，以及各种语音片段作为负样本，确保模型的泛化能力。

内容的提问来源于stack exchange，提问作者Majid Asgari-Bidhendi