PCMFlow722: transmití voz HD en tiempo real por ESP-NOW con G.722 en ESP32

Introducción

En entornos de IoT industrial o domótica avanzada, la comunicación de voz en tiempo real suele quedar relegada por limitaciones de ancho de banda y complejidad de implementación. Hasta ahora, proyectos como esp32-walkie-talkie o el Adafruit ESP-NOW Walkie-Talkie usaban códecs como G.711 (3,1 kHz de ancho de banda) o formatos comprimidos como MP3, sacrificando calidad por eficiencia. Sin embargo, con el lanzamiento de la librería PCMFlow722 por Tanaka Masayuki, ahora es posible transmitir voz HD (7 kHz de ancho de banda) sobre ESP-NOW en placas ESP32, manteniendo el mismo consumo de ancho de banda que G.711 (64 kbps) pero con el doble de fidelidad.

El problema central no era la capacidad de procesamiento de los ESP32 —que soporta codecs como MP3 o FLAC—, sino el ancho de banda que consumen. Por ejemplo:

• PCM sin comprimir a 16 kHz en mono 16-bit requiere 640 bytes por paquete (20 ms).
• G.711 reduce ese payload a 160 bytes pero solo ofrece 3,1 kHz de ancho de banda.
• G.722, en cambio, logra 160 bytes por paquete pero con 7 kHz de ancho de banda, ideal para voz clara sin saturar la red ESP-NOW, que limita los payloads a 250 bytes.

Qué ocurrió

Tanaka Masayuki desarrolló PCMFlow722 como una extensión del proyecto PCMFlow, una librería ligera para decodificación de audio en Arduino que ya soportaba PCM sin comprimir, MP3 y FLAC. La novedad es la implementación de un codificador/decodificador G.722 que comprime la señal de audio de 16 kHz en tiempo real, permitiendo transmisiones bidireccionales half-duplex sobre ESP-NOW.

Características clave del sistema

1. Half-duplex: El mismo firmware (EspNowTransceiver.ino) actúa como transmisor y receptor, pero no simultáneamente. Cuando se presiona un botón (ej. Button A en M5Stack Core2), el dispositivo transmite; en otros casos, recibe.
2. G.722 sobre ESP-NOW: Cada frame de 20 ms de audio se codifica en 160 bytes, compatible con el límite de payload de ESP-NOW (250 bytes).
3. Hardware mínimo: Se probó en placas como M5Stack Core2 (ESP32, 8MB PSRAM, 16MB flash), con:

– Parlante 1W-0928 (1W de potencia).

– Pantalla integrada para mostrar el canal ESP-NOW.

¿Por qué G.722 y no Opus o FLAC?

Impacto para DevOps / Infraestructura / Cloud / Seguridad

Para equipos de DevOps e IoT

La librería PCMFlow722 abre la puerta a soluciones de comunicación low-latency en entornos industriales o residenciales donde el ancho de banda es crítico. Algunas aplicaciones prácticas:

1. Sistemas de alarma con voz bidireccional: Paneles de control que requieren confirmación vocal en tiempo real.
2. Asistentes domésticos con intercomunicación: Dispositivos como Amazon Echo o Google Home podrían integrarse con ESP32 para comunicación local sin depender de la nube.
3. Monitoreo remoto en agricultura: Sensores con micrófono en invernaderos para detectar ruidos anómalos (ej. rotura de vidrio) y transmitirlos a un centro de control.

• Half-duplex: No permite interrupción simultánea. Si un dispositivo transmite, los demás deben esperar.
• Latencia: Aunque G.722 es eficiente, la codificación/decodificación añade ~20–30 ms por frame. En redes con congestión, esta latencia puede aumentar.
• Alcance: ESP-NOW tiene un rango típico de 50–100 metros (dependiendo de la antena y obstáculos). Para aplicaciones que requieran mayor distancia, habría que implementar repetidores o usar protocolos como LoRaWAN.

Para equipos de Seguridad

Desde el punto de vista de seguridad, ESP-NOW no cifra los datos por defecto (aunque soporta encriptación AES-128/256 mediante esp_now_set_pmk()). Esto implica:

1. Exposición a sniffing: Un atacante en el mismo canal podría capturar frames de audio. Se recomienda:

– Usar canales privados (ej. fuera del espectro 2.4 GHz libre).

1. Denegación de servicio (DoS): Un atacante podría saturar el canal con frames falsos. Para mitigar:

– Limitar la tasa de transmisión por dispositivo (ej. 1 frame cada 20 ms).

• CVE-2021-38267: Vulnerabilidad en ESP-IDF (versiones < 4.4.1) que permitía inyección de frames maliciosos en ESP-NOW. Si tu sistema usa ESP-IDF, actualizá a 4.4.1 o superior.
• CVE-2022-24819: Problema de buffer overflow en la librería esp_now (versiones < 2.0.0). Asegurate de tener instalada la versión más reciente de ESP-IDF.

Detalles técnicos

Arquitectura del sistema

La librería PCMFlow722 se integra con PCMFlow y ESP-NOW de la siguiente manera:

1. Captura de audio: El micrófono captura audio a 16 kHz en formato PCM 16-bit mono.
2. Codificación G.722: El buffer de PCM se pasa al codificador G.722, que genera un frame de 160 bytes (20 ms de audio).
3. Transmisión ESP-NOW: El frame se envía via esp_now_send() con un peer configurado (MAC address del destino).
4. Recepción y decodificación: El dispositivo receptor recibe el frame, lo decodifica con G.722 y lo reproduce por el parlante.

Requisitos mínimos de hardware

1. Instalar dependencias:

   git clone https://github.com/espressif/esp-idf.git --recursive --depth 1
   cd esp-idf
   ./install.sh
   . ./export.sh
   

1. Clonar PCMFlow y PCMFlow722:

   git clone https://github.com/ta-ka/pcmflow.git
   git clone https://github.com/ta-ka/pcmflow722.git
   

1. Configurar el proyecto:

– Asegurarse de que el platformio.ini o CMakeLists.txt incluya:

     lib_deps =
         ta-ka/PCMFlow @ ^1.0.0
         ta-ka/PCMFlow722 @ ^1.0.0
     

1. Compilar y flashear:

   idf.py set-target esp32
   idf.py build
   idf.py -p /dev/ttyUSB0 flash monitor
   

1. Configurar peers en ESP-NOW:

     uint8_t peer_mac[ESP_NOW_ETH_ALEN] = {0xAA, 0xBB, 0xCC, 0xDD, 0xEE, 0xFF};
     esp_now_add_peer(peer_mac, ESP_NOW_IF_TYPE_STA, 1, NULL, 0);
     

Optimizaciones para baja latencia

• Tamaño de frame: Usar 20 ms (160 bytes) en lugar de 30 ms (240 bytes) para reducir la latencia de extremo a extremo.
• Prioridad de tareas: En ESP-IDF, asignar mayor prioridad al task de recepción/decodificación:

  xTaskCreatePinnedToCore(audio_task, "audio", 8192, NULL, 5, NULL, APP_CPU_NUM);
  

• Buffer de audio: Reducir el buffer del micrófono a 2 KB para evitar delay acumulado.

Qué deberían hacer los administradores y equipos técnicos

1. Actualizar el firmware y librerías

• ESP-IDF: Actualizar a versión 5.0.0 o superior para evitar vulnerabilidades conocidas (CVE-2021-38267, CVE-2022-24819).

  cd esp-idf
  git checkout release/v5.0
  git pull
  ./install.sh
  

• PCMFlow y PCMFlow722: Usar las versiones más recientes (al momento de escribir esto, v1.0.0):

  cd pcmflow pcmflow722
  git checkout v1.0.0
  git pull
  

2. Configurar encriptación en ESP-NOW

Si el sistema maneja información sensible, habilitar AES-128 o AES-256:

#include "esp_now.h"
void setup() {
  esp_now_init();
  esp_now_set_pmk((uint8_t*)"tu_clave_secreta_16_caracteres");
  // ...
}

3. Validar hardware compatible

No todas las placas ESP32 soportan 16 kHz de audio por limitaciones del ADC interno. Las recomendadas:

• M5Stack Core2 (ADC externo de 16-bit).
• ESP32-S3 (con periféricos de audio dedicados).
• ESP32-WROOM-32E (con micrófono externo).

1. Flashear el mismo firmware en dos placas.
2. Presionar Button A en una para transmitir.
3. Verificar en la otra placa que el audio se reproduce correctamente (usar un parlante externo para debug).

4. Ajustar parámetros de red

• Canal ESP-NOW: Usar canales 1, 6 o 11 (menos congestionados en 2.4 GHz).
• Potencia de transmisión: Reducir a 5 dBm si el alcance es suficiente (para evitar interferencias):

  esp_wifi_set_max_tx_power(5); // 5 dBm (valor en half dBm, ej. 8 = 4 dBm)
  

5. Monitorear rendimiento

• Latencia: Usar un osciloscopio o app como Serial Plotter para medir el tiempo entre captura y reproducción.
• Ancho de banda: Verificar que el payload no supere 200 bytes (para dejar margen a headers ESP-NOW).
• Consumo de CPU: Monitorizar con esp_task_wdt_reset() y herramientas como ESP-Prog para evitar watchdog resets.

Conclusión

La librería PCMFlow722 representa un avance significativo para proyectos de IoT que requieren comunicación de voz en tiempo real con recursos limitados. Al usar G.722 sobre ESP-NOW, logra transmitir 7 kHz de ancho de banda con el mismo consumo de ancho de banda que G.711, pero con el doble de fidelidad. Esto abre posibilidades en aplicaciones como intercomunicadores industriales, sistemas de alarma con voz bidireccional o asistentes domésticos con comunicación local.

Sin embargo, su implementación no está exenta de desafíos:

• La half-duplex limita las aplicaciones que requieren interrupción simultánea.
• La seguridad depende de configurar encriptación AES y autenticación de peers.
• El hardware debe soportar 16 kHz de audio (ADC externo o periféricos dedicados).

Para equipos de DevOps o IoT, esta librería es una opción valiosa cuando el ancho de banda o la latencia son críticos. Para equipos de Seguridad, es clave priorizar la encriptación y el control de acceso a los peers. En ambos casos, actualizar ESP-IDF y las librerías asociadas es el primer paso para evitar vulnerabilidades conocidas.

Si ya estás trabajando con ESP32 en proyectos de audio, PCMFlow722 es una herramienta que vale la pena probar. Solo asegúrate de validar el hardware, ajustar los parámetros de red y, sobre todo, proteger la comunicación con encriptación.

FIN