一、概述介紹
在WebRTC中，存在兩種擴展算法：PreemptiveExpand和Expand。盡管這兩種算法的目標都是擴展音頻信號，但它們的實現原理和應用場景卻有所不同。
- PreemptiveExpand（預防性擴張）
主動擴展策略，旨在防止即將出現的音頻數據短缺。當系統檢測到可播放的音頻數據即將耗盡，會根據當前的語音信號狀況，適當地插入舒適噪聲或復制基音周期，以減緩數據不足的趨勢。這種方法的關鍵在于：
平滑過渡：通過在音頻流中插入額外的噪聲或信號，PreemptiveExpand能夠確保播放的連貫性，不會引起聽覺上的不適。
預防為主：目前還有數據可播，不會強制補充破壞音質的數據，只是根據音頻數據的實際情況，適當的填充舒適噪音或周期基因。
- 2. Expand（擴展）
與PreemptiveExpand不同，Expand是在系統已經沒有可播放音頻的情況下進行的補償措施。這種擴展算法主要用于處理丟包或音頻數據丟失的情況，確保音頻流的平滑過渡。其特點包括：
丟包補償：當音頻數據完全耗盡時，Expand通過生成合成音頻來填補空白，使得音頻播放不會突然中斷。
合成信號：該算法利用已有的信號特征（如有聲和無聲部分）來合成新的音頻信號，以保持音頻流的連貫性。
二、擴張實現
當網絡傳輸中出現音頻包丟失時，直接播放會產生卡頓。Expand在剛剛沒有數據可播的起始階段，在Expand::AnalyzeSignal函數中會調取之前播放的最后一幀數據，提取的播放前的最后一幀數據的音頻特征（周期性、頻譜、能量等），生成與原始音頻相似的臨時片段，填補丟包造成的時間缺口，讓聽眾感覺不到卡頓。
后續在持續沒有數據送來的情況下，通過混合、衰減、加噪聲等優化，盡量確保生成的填補音頻自然流暢，讓聽眾無法察覺丟包的存在。
step1：準備與初始化
首次擴張：調用 AnalyzeSignal 提取原始音頻的關鍵特征（基音周期、LPC 參數、混合比例等），存儲在 channel_parameters_ 中；
非首次擴張：直接復用已提取的特征，僅生成新的隨機噪聲向量（用于清音生成）。
step2：生成濁音部分（復制基因周期片段）
濁音的強周期性是生成的關鍵，若原始音頻中基音周期內的波形高度相似，則可通過復制周期片段 + 交叉淡入淡出生成新的濁音：
1）選擇擴張向量
從 AnalyzeSignal 提取的 expand_vector0 和 expand_vector1（原始音頻中兩個高相似性的周期片段）中，根據當前滯后（current_lag，即基音周期長度）選擇片段：
current_lag_index_=0：直接使用 expand_vector0；
current_lag_index_=1：3/4 expand_vector0 + 1/4 expand_vector1；
current_lag_index_=2：1/2 expand_vector0 + 1/2 expand_vector1；
混合不同比例是為了避免單純復制導致的 “機械感”，增加自然度。
2）重疊拼接（消除拼接雜音）
生成的新片段與歷史音頻的重疊部分（overlap_length_）采用 “交叉淡入淡出” 處理：
歷史音頻的重疊部分音量逐漸減小（muting_window）；
新生成片段的重疊部分音量逐漸增大（unmuting_window）；
兩者疊加后，拼接處音量平滑過渡，無 “爆音” 或 “斷裂感”。
step3：生成清音部分（濾波噪聲模擬頻譜）
清音無周期性，無法通過復制生成，需通過LPC 濾波隨機噪聲模擬原始音頻的頻譜特征：
1）生成隨機噪聲
通過 GenerateRandomVector 生成白噪聲（random_vector），作為清音的 “原材料”。
2）LPC 濾波塑造頻譜
用 AnalyzeSignal 提取的 LPC 參數（ar_filter）對隨機噪聲濾波：
LPC 參數模擬了原始音頻的聲道頻譜響應；
濾波后，白噪聲的頻譜被重塑為與原始清音相似的頻譜，保證音色一致；
同時通過 ar_gain 控制能量，避免音量突變。
step4：混合濁音與清音（比例動態調整）
根據 voice_mix_factor（濁音 / 清音混合比例，由 AnalyzeSignal 計算）動態混合兩部分：
高周期性（濁音為主）：voice_mix_factor 大，濁音占比高；
低周期性（清音為主）：voice_mix_factor 小，清音占比高；
混合通過 “交叉淡入淡出” 實現（DspHelper::CrossFade），避免過渡突兀。
step5：音量控制與背景噪聲（避免聽覺疲勞）
靜音衰減：連續擴張時（consecutive_expands_ 增加），通過 mute_slope 逐漸降低音量（如 3 次擴張后從 1.0→0.95），避免長時間重復片段導致的聽覺疲勞；
背景噪聲補充：當音量過低或擴張次數過多時，調用
background_noise_->GenerateBackgroundNoise 添加與環境匹配的背景噪聲，避免完全靜音的 空洞感。
step6：輸出與更新狀態
生成的臨時音頻片段存入 output，同時更新連續擴張計數（consecutive_expands_）和總擴張時長，防止無限制擴張導致音質惡化（超過閾值后強制限制）。
三、算法總結
該算法的核心邏輯是基于特征的相似性生成，本質是用已知推未知：
1、先通過AnalyzeSignal提取原始音頻的特征值（周期、頻譜、能量等參數）；
2、對濁音：復制周期片段并混合，利用周期性保證相似性；
3、對清音：用LPC濾波噪聲，利用頻譜特征保證相似性；
最后通過混合、衰減、加噪聲等優化，確保生成的填補音頻自然流暢，讓聽眾無法察覺丟包的存在。
