使用 Android 的 AudioTrack 组合声音样本字节会产生噪音

Question

我正在构建一个相当简单的 Android 应用程序（sdk 修订版 14：ICS），它允许用户一次选择两个音频剪辑（都是 RIFF/WAV 格式、小端、有符号的 PCM-16 位编码）并将它们组合在一起创造新声音的各种方法。我用于这种组合的最基本方法如下：

//...sound samples are read in to memory as raw byte arrays elsewhere
//...offset is currently set to 45 so as to skip the 44 byte header of basic
//RIFF/WAV files
...
//Actual combination method
public byte[] makeChimeraAll(int offset){
    for(int i=offset;i<bigData.length;i++){
        if(i < littleData.length){
            bigData[i] = (byte) (bigData[i] + littleData[i]);
        }
        else{
            //leave bigData alone
        }
    } 
    return bigData;
}

然后可以通过 AudioTrack 类播放返回的字节数组：

....
hMain.setBigData(hMain.getAudioTransmutation().getBigData()); //set the shared bigData
// to the bigData in AudioTransmutation object
hMain.getAudioProc().playWavFromByteArray(hMain.getBigData(), 22050 + (22050*
(freqSeekSB.getProgress()/100)), 1024); //a SeekBar allows the user to adjust the freq
//ranging from 22050 hz to 44100 hz
....
public void playWavFromByteArray(byte[] audio,int sampleRate, int bufferSize){
    int minBufferSize = AudioTrack.getMinBufferSize(sampleRate, 
            AudioFormat.CHANNEL_CONFIGURATION_MONO, AudioFormat.ENCODING_PCM_16BIT);
        AudioTrack at = new AudioTrack(AudioManager.STREAM_MUSIC, sampleRate, 
            AudioFormat.CHANNEL_CONFIGURATION_MONO, AudioFormat.ENCODING_PCM_16BIT,
            minBufferSize, AudioTrack.MODE_STREAM);

        int i = 0;

        at.play();
        at.write(audio, 0, audio.length);     
        at.stop();
        at.release();

       for(i=0;i<audio.length;i++){
           Log.d("me","the byte value at audio index " + i + " is " + audio[i]);
       }

}

使用上面的代码组合和播放的结果接近我想要的（两个样本在得到的混合声音中仍然可以辨别）但也有很多裂纹、爆破音和其他噪音。

所以，三个问题：首先，我是否正确使用了 AudioTrack？其次，AudioTrack 配置中的字节序在哪里？声音本身播放得很好，听起来几乎就像我在组合时所期望的那样，因此 RIFF/WAV 格式的小端特性似乎在某处传达了，但我不确定在哪里。最后，对于有符号的 16 位 PCM 编码，我应该看到的字节值范围是多少？我希望从上面的 Log.d(...) 调用中的 logcat 中看到从 ?32768 到 32767 的值，但结果往往在 -100 到 100 的范围内（除此之外还有一些异常值）。超出 16 位范围的组合字节值是否可以解释噪声？

谢谢，CCJ

更新：主要感谢 Bjorne Roche 和 William the Coderer！我现在将音频数据读入到 short[] 结构中，DataInputStream 的字节序使用来自 William (http://stackoverflow.com/questions/8028094/java-datainputstream-replacement-for-endianness) 的 EndianInputStream 和组合方法已更改为：

//Audio Chimera methods!
public short[] makeChimeraAll(int offset){
    //bigData and littleData are each short arrays, populated elsewhere
    int intBucket = 0;
    for(int i=offset;i<bigData.length;i++){
        if(i < littleData.length){
            intBucket = bigData[i] + littleData[i];
            if(intBucket > SIGNED_SHORT_MAX){
                intBucket = SIGNED_SHORT_MAX;
            }
            else if (intBucket < SIGNED_SHORT_MIN){
                intBucket = SIGNED_SHORT_MIN;
            }
            bigData[i] = (short) intBucket;
        }
        else{
            //leave bigData alone
        }
    } 
    return bigData;
}

这些改进的混合音频输出质量非常棒！

Answer 1

我对android音频不熟悉，所以我不能回答你所有的问题，但我可以告诉你根本问题是：逐字节添加音频数据是行不通的。由于它有点工作，并且从查看您的代码以及它最常见的事实来看，我将假设您拥有 16 位 PCM 数据。然而，在任何地方，您都在处理字节。字节不适合处理音频（除非音频恰好是 8 位）

字节大约为 +/- 128。您说“我希望在上面的 Log.d(...) 调用中在 logcat 中看到范围从 ?32768 到 32767 的值，但结果往往在以下范围内 - 100 到 100（除此之外还有一些异常值）”好吧，当您从字节数组打印值时，您怎么可能达到该范围？16 位有符号数据的正确数据类型是短的，而不是字节。如果您打印的是短值，您会看到预期的范围。

您必须将字节转换为短裤并将短裤相加。这将处理您听到的大部分杂音。但是，既然您正在阅读文件，为什么还要转换呢？为什么不使用类似 http://docs.oracle.com/javase/1.4.2/docs/api/java/io/DataInputStream.html#readShort ()

下一个问题是您必须处理超出范围的值，而不是让它们“环绕”。最简单的解决方案是简单地将求和作为整数，“裁剪”到短范围内，然后存储裁剪后的输出。这将摆脱您的点击和弹出。

在伪代码中，整个过程看起来像这样：

file1 = Open file 1
file2 = Open file 2
output = Open output for writing

numSampleFrames1 = file1.readHeader()
numSampleFrames2 = file2.readHeader()
numSampleFrames = min( numSampleFrames1, numSampleFrames2 )
output.createHeader( numSampleFrames )

for( int i=0; i<numSampleFrames * channels; ++i ) {
    //read data from file 1
    int a = file1.readShort();
    //read data from file 2, and add it to data we read from file 1
    a += file2.readShort();
    //clip into range
    if( a > Short.MAX_VALUE )
       a = Short.MAX_VALUE;
    if( a < Short.MIN_VALUE )
       a = Short.MIN_VALUE;
    //write it to the output
    output.writeShort( (Short) a );
}

您会从“剪裁”步骤中得到一点失真，但没有简单的方法可以解决这个问题，剪裁比环绕要好得多。（也就是说，除非你的音轨非常“热”，而且低频很重，否则失真应该不会太明显。如果这是一个问题，你可以做其他事情：例如将 a 乘以 0.5 并跳过剪辑，但随后您的输出会更安静，这在电话上可能不是您想要的）。