14、音频特效实现：回声效果、变速变调、混音器设计、降噪算法

各位好，欢迎来到第十四章。前面我们聊了音频采集、编码、封装，算是把音频的“管道”搭好了。但说实话，光有管道还不够——用户要的是“好听”。

这一章，我们来点硬核的。回声、变速变调、混音、降噪，这四个特效在直播、K歌、语音社交里几乎是标配。我当年做第一个语音房项目时，就被回声问题折磨得够呛，后来才明白，特效这东西，原理懂了，代码写起来其实就那么回事。

14.1 回声效果：让声音“飘”起来

回声，说白了就是声音的延迟叠加。你对着山谷喊一声，过一会儿听到自己的回音，这就是回声。

在数字音频里，实现回声只需要三步：

1. 把原始音频数据存到缓冲区里
2. 延迟一段时间后，把缓冲区的数据取出来
3. 按一定比例（比如0.6）叠加到当前音频上

代码实现其实很简单，我贴一个核心片段：

// 简易回声效果实现
void applyEcho(short* audioData, int numSamples, int sampleRate, float delayMs, float decay) {
    int delaySamples = (int)(sampleRate * delayMs / 1000.0f);
    // 这里用了一个环形缓冲区来存储历史数据
    static short* delayBuffer = nullptr;
    static int bufferSize = 0;
    static int writePos = 0;

    if (!delayBuffer) {
        bufferSize = delaySamples * 2; // 留点余量
        delayBuffer = new short[bufferSize];
        memset(delayBuffer, 0, bufferSize * sizeof(short));
    }

    for (int i = 0; i < numSamples; i++) {
        int readPos = (writePos - delaySamples + bufferSize) % bufferSize;
        short delayedSample = delayBuffer[readPos];
        // 叠加回声，注意防溢出
        int mixed = audioData[i] + (int)(delayedSample * decay);
        if (mixed > 32767) mixed = 32767;
        if (mixed < -32768) mixed = -32768;
        audioData[i] = (short)mixed;
        // 写入当前样本到缓冲区
        delayBuffer[writePos] = audioData[i];
        writePos = (writePos + 1) % bufferSize;
    }
}

14.2 变速变调：时间拉伸与音高偏移

这个功能在变声器、音乐播放器里很常见。你想想看，把声音变快，音调自然就高了；变慢，音调就低了。但如果我们只想变速不变调，或者变调不变速呢？

这就得用上“时间拉伸”算法了。常用的有WSOLA（波形相似叠加）和相位声码器。WSOLA更适合实时场景，因为它计算量小，延迟低。

我简单说一下WSOLA的思路：

• 把音频切成一小段一小段（比如每段20ms）
• 变速时，要么重复某些段（变慢），要么跳过某些段（变快）
• 为了不让拼接处出现“咔咔”声，需要做交叉淡入淡出

变调则更简单——用重采样就行。把采样率“假装”改一下，然后播放时用原采样率，音调就变了。但这样会同时改变时长，所以通常和WSOLA配合使用。

// 变速不变调的核心逻辑（伪代码）
void timeStretch(short* input, int inputLen, float speed, short* output, int* outputLen) {
    // speed > 1.0 表示加速，< 1.0 表示减速
    int overlap = 512; // 重叠样本数
    int step = (int)(overlap * speed); // 每次前进的步长
    int outPos = 0;

    for (int inPos = 0; inPos + overlap < inputLen; inPos += step) {
        // 从input[inPos]取一段，与output[outPos]做交叉淡入淡出
        crossFade(input + inPos, output + outPos, overlap);
        outPos += overlap;
    }
    *outputLen = outPos;
}

14.3 混音器设计：多路音频的“交通指挥”

混音器，说白了就是把多个音频流合并成一路。比如直播间里，主播的声音、背景音乐、观众连麦的声音，最后都要混在一起推出去。

混音的核心问题有两个：

1. 音量平衡：各路音量不能差太多，否则小的被大的盖住
2. 防溢出：多路叠加后，数值很容易超过short的范围（-32768~32767）

我常用的混音策略是“归一化叠加”：

// 多路混音（最多支持8路）
void mixAudio(short** inputs, int numChannels, int numSamples, short* output) {
    for (int i = 0; i < numSamples; i++) {
        int sum = 0;
        for (int ch = 0; ch < numChannels; ch++) {
            sum += inputs[ch][i];
        }
        // 除以路数，防止溢出
        output[i] = (short)(sum / numChannels);
    }
}

但这样有个问题——如果某一路没声音（静音），其他路的声音也会被拉低。更好的做法是“自适应混音”：检测每路的能量，动态调整权重。

14.4 降噪算法：让声音“干净”起来

降噪是音频处理里最复杂的一块。常见的降噪方法有：

• 门限降噪：低于某个音量的信号直接静音。简单粗暴，但容易切掉弱音
• 频谱减法：在频域里减去噪声的频谱。效果好，但会有“音乐噪声”
• 自适应滤波：用NLMS（归一化最小均方）算法动态跟踪噪声。适合稳态噪声

对于移动端实时场景，我推荐“频谱减法+后处理”的组合。为什么？因为计算量适中，延迟可控。

频谱减法的核心步骤：

1. 对音频帧做FFT，得到频谱
2. 估算噪声频谱（通常取前几帧的均值）
3. 从信号频谱中减去噪声频谱
4. 做IFFT还原时域信号

// 频谱减法降噪（简化版）
void spectralSubtraction(float* fftMagnitude, int fftSize, float* noiseEstimate) {
    for (int i = 0; i < fftSize / 2; i++) {
        float signal = fftMagnitude[i];
        float noise = noiseEstimate[i];
        float clean = signal - noise * 1.5f; // 过减因子
        if (clean < 0) clean = 0;
        fftMagnitude[i] = clean;
    }
}

14.5 知识体系总览

这一章内容比较多，我画了一张图帮你理清思路：

这张图把四个特效的核心技术和它们之间的关系都标出来了。你可以看到，FFT和环形缓冲区是底层基础，几乎每个特效都会用到。

14.6 写在最后

音频特效这块，说实话，入门不难，但要做好很不容易。我见过不少开发者，代码跑通了就觉得完事了，结果一上真机，延迟高、音质差、CPU爆表。

我的建议是：先跑通一个最简单的版本，然后逐步优化。比如回声，先用固定延迟跑通，再考虑动态延迟；降噪，先用频谱减法跑通，再考虑加后处理。每一步都验证效果，别想一口吃成胖子。

好了，这一章就到这里。代码都在上面了，你可以直接拿去用。有问题欢迎交流。

---