ESP32 stream nhạc qua WiFi làm internet radio: kiến trúc, buffer mạng, dropout và metadata ICY

Biến ESP32 thành internet radio (đài phát qua internet, nhận luồng âm thanh từ máy chủ xa thay vì sóng FM) là dự án quen thuộc, nhưng là bài toán buffer khó hơn hẳn phát từ thẻ: nguồn dữ liệu giờ nằm ngoài tầm kiểm soát của bạn. Luồng stream (dòng dữ liệu âm thanh truyền liên tục qua mạng, nghe tới đâu tải tới đó) đến theo từng đợt thất thường của WiFi, trong khi loa vẫn đòi mẫu âm thanh đều đặn từng mili giây. Bài này trình bày kiến trúc hệ stream trên ESP32, giải thích bằng số liệu vì sao buffer mạng phải đủ lớn và PSRAM gần như bắt buộc, các nguyên nhân gây dropout (đứt tiếng ngắn do hết dữ liệu để phát) và cách metadata ICY (khối thông tin tên bài hát chèn trong luồng phát thanh internet) hoạt động. Nền tảng chung nằm ở bài trụ cột kiến trúc và giới hạn xử lý âm thanh số của ESP32.

Kiến trúc: từ HTTP stream tới loa

1. Kết nối và yêu cầu luồng: ESP32 kết nối WiFi, mở kết nối HTTP (giao thức truyền dữ liệu web, nền của hầu hết đài internet) tới địa chỉ của đài. Máy chủ trả về một dòng byte vô tận ở tốc độ danh nghĩa bằng bitrate (tốc độ dữ liệu nén tính bằng bit mỗi giây) của kênh phát, ví dụ 128 kbit/giây.
2. Đệm mạng: dữ liệu vừa tới được đổ vào buffer mạng (vùng nhớ đệm phía đầu vào, giữ dữ liệu nén chưa giải mã) — lớp đệm quan trọng nhất của hệ stream.
3. Giải mã: bộ giải mã lấy dữ liệu nén từ buffer, giải nén MP3 hoặc AAC (Advanced Audio Coding — chuẩn nén hiệu quả hơn MP3 ở cùng bitrate, phổ biến trên nhiều đài internet) thành mẫu PCM (âm thanh số chưa nén).
4. Phát qua I2S bằng DMA: I2S (chuẩn truyền âm thanh số giữa các IC) cùng DMA (cơ chế phần cứng tự chuyển dữ liệu giữa RAM và ngoại vi) phát mẫu PCM ra DAC hoặc ampli số theo clock cố định, như chặng cuối khi phát từ thẻ.

Khác biệt cốt lõi so với phát từ thẻ: thẻ SD luôn ở đó và đọc lúc nào cũng được, còn máy chủ đài và đường mạng có thể nhanh, chậm hoặc ngắt bất cứ lúc nào. Độ ổn định của chiếc radio nằm ở việc buffer mạng có đủ lớn để che những biến động đó không. Nếu bạn đã quen bài toán đệm khi phát từ thẻ trong bài phát nhạc từ thẻ SD qua I2S trên ESP32, hãy hình dung bài toán ở đây tương tự nhưng nguồn cấp bất ổn hơn nhiều.

Vì sao stream qua mạng cần buffer lớn?

Mạng IP không hứa hẹn dữ liệu đến đều. Gói tin tới theo từng cụm: có lúc dồn dập, có lúc vài trăm mili giây không có byte nào vì WiFi bận truyền lại gói lỗi, router bận, hoặc máy chủ ở xa có độ trễ biến động. Trong khi đó, chặng phát tiêu thụ dữ liệu với tốc độ không đổi đúng bằng bitrate của đài. Buffer mạng đứng giữa hai nhịp này: lúc mạng về nhanh nó tích lũy, lúc mạng khựng nó xả ra cho bộ giải mã.

Thời gian đệm được tính đơn giản:

Thời gian đệm (giây) = dung lượng buffer (bit) / bitrate (bit/giây)

Ví dụ: buffer 256 KB giữ được bao nhiêu giây nhạc?

Ví dụ: buffer mạng 256 KB chứa 2.097.152 bit. Chia cho bitrate của đài:

• Đài 128 kbit/giây: 2.097.152 / 128.000 ≈ 16,4 giây nhạc đệm.
• Đài 192 kbit/giây: ≈ 10,9 giây.
• Đài 320 kbit/giây: ≈ 6,6 giây.

Đây là tính toán lý thuyết với giả định bitrate không đổi đúng danh nghĩa; đài dùng bitrate thay đổi sẽ cho thời gian đệm dao động quanh giá trị này. Cùng một buffer, đài bitrate càng cao thì lớp đệm càng mỏng tính theo thời gian: đài 320 kbit/giây nghe hay hơn nhưng dễ đứt tiếng hơn trên cùng một mạng.

PSRAM: vì sao SRAM trong không đủ?

Theo datasheet module của Espressif, ESP32 có 520 KB SRAM nội (bộ nhớ truy cập nhanh trong chip), nhưng con số đó phải chia cho hệ điều hành thời gian thực, ngăn xếp WiFi, các tác vụ và đệm I2S. Phần trống an toàn cho một buffer mạng lớn thường không còn nhiều. PSRAM (Pseudo-Static RAM — RAM ngoài chip, dung lượng lớn hơn, truy cập chậm hơn SRAM nội) giải quyết việc này: các module dòng ESP32-WROVER phổ biến có 4 MB hoặc 8 MB PSRAM tùy phiên bản, đủ chỗ cho buffer mạng hàng trăm KB tới cả MB mà không đụng SRAM nội vốn cần cho WiFi và hệ thống.

Đổi lại, PSRAM truy cập chậm hơn SRAM nội, nên kiến trúc hợp lý là: buffer mạng lớn nằm ở PSRAM, còn đệm I2S nhỏ và biến chạy thường xuyên ở SRAM nội. Đặt nhầm đệm đầu ra vào PSRAM có thể gây thêm một loại giật khác, phân tích kỹ trong bài buffer DMA I2S và hiện tượng âm thanh bị giật.

Ví dụ: một lần mạng ngắt 3 giây, buffer nào sống sót?

Ví dụ: tình huống thực tế trên bàn DIY — radio đang phát đài 192 kbit/giây thì có người bật lò vi sóng cùng băng tần 2,4 GHz, khiến kết nối khựng hẳn khoảng 3 giây. Kiểm tra hai cấu hình:

• Buffer 64 KB: chứa 524.288 bit, chia cho 192.000 bit/giây được ≈ 2,7 giây. Mạng ngắt 3 giây thì nhạc đứt ở giây thứ ba.
• Buffer 512 KB ở PSRAM: chứa 4.194.304 bit, tương đương ≈ 21,8 giây. Lần ngắt 3 giây đi qua mà người nghe không hề biết.

Đổi lại, buffer lớn làm tăng thời gian chờ lúc mở đài, vì chương trình thường phải nạp trước một phần buffer mới phát. Với buffer 512 KB ở đài 128 kbit/giây, nạp đầy mới phát thì thời gian chờ lý thuyết tới khoảng 32 giây — quá lâu. Thực tế các chương trình chọn ngưỡng khởi phát là một phần buffer, ví dụ nạp trước 25% rồi phát và nạp tiếp.

Nguyên nhân dropout và cách khoanh vùng

Cách kiểm tra hiệu quả nhất là ghi lại mức buffer theo thời gian: đứt tiếng trùng lúc buffer chạm đáy thì vấn đề ở phía cấp dữ liệu; buffer còn đầy mà vẫn đứt thì nghi ngờ khâu giải mã hoặc chặng I2S.

Metadata ICY: tên bài hát chèn trong luồng

Nhiều đài internet chèn thông tin bài đang phát ngay trong dòng âm thanh theo giao thức ICY, di sản từ hệ thống Shoutcast. Khi kết nối, chương trình nghe gửi thêm tiêu đề yêu cầu Icy-MetaData: 1 để xin metadata. Máy chủ đáp lại kèm tiêu đề icy-metaint cho biết cứ sau đúng bao nhiêu byte dữ liệu âm thanh thì có một khối metadata chen vào. Sau mỗi đoạn âm thanh dài bằng số đó, luồng có một byte cho biết độ dài khối metadata theo đơn vị 16 byte, rồi tới nội dung dạng chuỗi như StreamTitle='Tên ca sĩ - Tên bài hát';.

Khối metadata không phải dữ liệu âm thanh: chương trình nghe phải đếm byte chính xác, tách và loại bỏ chúng trước khi giải mã. Xử lý sai thì cứ mỗi metaint byte lại có dữ liệu lạ lọt vào bộ giải mã, nghe thành tiếng lụp bụp định kỳ — lỗi rất đặc trưng khi tự viết trình phát. Đài không hỗ trợ ICY sẽ không gửi các khối này và không trả về icy-metaint; khi đó toàn bộ luồng là âm thanh thuần.

Thư viện ESP32-audioI2S: lựa chọn phổ biến của cộng đồng

Với người làm DIY trên nền Arduino, ESP32-audioI2S là lựa chọn rất phổ biến để dựng internet radio mà không phải tự viết toàn bộ pipeline. Cần nói rõ: đây là thư viện cộng đồng do một tác giả độc lập duy trì trên GitHub (tài khoản schreibfaul1), không phải thư viện chính thức của Espressif. Theo tài liệu của thư viện, nó lo sẵn kết nối HTTP stream, tách metadata ICY, giải mã các định dạng phổ biến như MP3 và AAC, và đẩy dữ liệu ra I2S; một số định dạng nặng hơn được ghi rõ là cần board có PSRAM. Khung chính thức của Espressif cho âm thanh là ESP-ADF (Audio Development Framework), có tài liệu hãng đầy đủ nhưng học và cấu hình nặng hơn đáng kể.

Ưu điểm của thư viện cộng đồng là ra kết quả nhanh, nhiều ví dụ sẵn; đổi lại bạn phụ thuộc nhịp bảo trì của tác giả và phải tự đối chiếu phiên bản thư viện với lõi Arduino-ESP32 khi gặp lỗi biên dịch. Mọi hàm và khả năng cụ thể cần kiểm tra trên tài liệu của thư viện tại thời điểm bạn làm, vì thư viện cộng đồng thay đổi nhanh.

Câu hỏi thường gặp

Buffer mạng cho internet radio trên ESP32 nên lớn cỡ nào?

Tính từ bitrate của đài bằng công thức trong bài: muốn chịu được 10 giây mạng khựng ở đài 128 kbit/giây cần khoảng 160 KB. Trên board có PSRAM, buffer vài trăm KB là mức hợp lý; không có PSRAM thì buộc giữ buffer nhỏ và chấp nhận ổn định thấp hơn.

Không có PSRAM có làm internet radio được không?

Được với luồng MP3 bitrate vừa và buffer khiêm tốn trong SRAM nội còn trống, nhưng biên an toàn hẹp: mạng khựng vài giây là dễ đứt tiếng hoặc thiếu RAM. Board WROVER có PSRAM an toàn hơn cho dự án nghe lâu dài.

Vì sao đài bitrate cao hay đứt tiếng hơn đài bitrate thấp trên cùng một mạng?

Vì cùng một dung lượng buffer chứa được ít giây nhạc hơn ở bitrate cao, theo đúng công thức thời gian đệm; tốc độ dữ liệu cần duy trì cũng cao hơn nên mạng chỉ cần chậm đi một lúc là buffer chạm đáy.

Metadata ICY có làm giảm chất lượng âm thanh không?

Không, nếu chương trình tách đúng các khối metadata trước khi giải mã. Metadata chỉ là vài chục tới vài trăm byte chèn định kỳ; vấn đề chỉ xuất hiện khi tách sai, khiến dữ liệu lạ lọt vào bộ giải mã.

Nếu bạn đang dựng internet radio hoặc loa DIY quanh ESP32 và cần tham khảo module DAC, ampli phù hợp, có thể xem tại Cimo.vn.