NodeJS：将立体声 PCM 波流捕获到单声道 AudioBuffer

Question

我正在使用 node-microphone（这只是一个用于 arecord 的 javascript 接口）从 nodejs 录制音频，并希望使用 web-audio-api（这是 Web 的 nodejs 实现）将流块存储在 AudioBuffer音频 API）。

我的音频源有两个通道，而我的 AudioBuffer 只有一个（故意）。

这是我通过 USB 声卡使用 arecord 录制音频的工作配置（我使用的是在 Raspbian buster 上运行的 Raspberry pi 3）：

arecord -D hw:1,0 -c 2 -f S16_LE -r 44100

使用输出路径运行此命令并使用 aplay 播放生成的 wav 文件就可以了。所以 node-microphone 能够使用这些参数录制音频，最后我得到一个 nodejs 可读的流数据流。

但是

我正在努力做从流块（Buffer 实例）到AudioBuffer 的桥接。更确切地说;我不确定传入数据的格式，不确定目标格式，也不确定如何进行转换：

流块是Buffers，所以它们也是Uint8Arrays。关于我的配置，我猜它们是 16 位有符号整数的二进制表示（小端，我不知道是什么意思）。

AudioBuffer 拥有多个缓冲区（每个通道一个，因此在我的情况下只有一个），我可以通过调用 AudioBuffer.prototype.getChannelData() 以 Float32Arrays 的身份访问这些缓冲区。 MDN 还说：

缓冲区包含以下格式的数据：非交错 IEEE754 32 位线性 PCM，标称范围在 -1 和 +1 之间，即 32 位浮点缓冲区，每个样本在 -1.0 和 1.0 之间。

关键是要找到我必须从传入的Buffers 中提取的内容以及我应该如何转换它以使其适合Float32Array 目标（并且仍然是有效的波形数据），知道音频源是立体声而AudioBuffer 不是。

到目前为止，我最好的竞争者是 Buffer.prototype.readFloatLE() 方法，它的名字看起来可以解决我的问题，但这并不成功（只是噪音）。

我的第一次尝试（在进行研究之前）只是天真地将缓冲区数据复制到 Float32Array 并交错索引以处理立体声/单声道转换。显然它主要产生噪音，但我可以听到我录制的一些声音（难以置信的失真但肯定存在）所以我想我应该提一下。

这是我天真的尝试的简化版本（我知道这并不意味着效果很好，我只是将它作为讨论的基础包含在我的问题中）：

import { AudioBuffer } from 'web-audio-api'
import Microphone from 'node-microphone'

const rate = 44100
const channels = 2 // Number of source channels

const microphone = new Microphone({ // These parameters result to the arecord command above
  channels,
  rate,
  device: 'hw:1,0',
  bitwidth: 16,
  endian: 'little',
  encoding: 'signed-integer'
})

const audioBuffer = new AudioBuffer(
  1, // 1 channel
  30 * rate, // 30 seconds buffer
  rate
})

const chunks = []
const data = audioBuffer.getChannelData(0) // This is the Float32Array
const stream = microphone.startRecording()

setTimeout(() => microphone.stopRecording(), 5000) // Recording for 5 seconds

stream.on('data', chunk => chunks.push(chunk))

stream.on('close', () => {
  chunks.reduce((offset, chunk) => {
    for (var index = 0; index < chunk.length; index += channels) {
      let value = 0

      for (var channel = 0; channel < channels; channel++) {
        value += chunk[index + channel]
      }

      data[(offset + index) / channels] = value / channels // Average value from the two channels
    }

    return offset + chunk.length // Since data comes as chunks, this offsets AudioBuffer's index
  }, 0)
})

如果您能提供帮助，我将不胜感激：)

Answer 1

因此输入立体声信号以 16 位有符号整数形式出现，左右声道交错，这意味着相应的缓冲区（8 位无符号整数）对于单个立体声样本具有以下格式：

[LEFT ] 8 bits (LSB)
[LEFT ] 8 bits (MSB)
[RIGHT] 8 bits (LSB)
[RIGHT] 8 bits (MSB)

由于 arecord 配置为 little endian 格式，Least Significant Byte (LSB) 在前，Most Significant Byte (MSB) ) 紧随其后。

AudioBuffer 单通道缓冲区，由 Float32Array 表示，需要介于 -1 和 1 之间的值（每个样本一个值）。

所以要将值从输入 Buffer 映射到目标 Float32Array，我必须使用 Buffer.prototype.readInt16LE(offset) 方法将字节 offset 参数增加 4 每个样本（2 个左字节 + 2 个右字节 = 4字节），并将输入值从范围 [-32768;+32768]（16 位有符号整数范围）内插到范围 [-1;+1]：

import { AudioBuffer } from 'web-audio-api'
import Microphone from 'node-microphone'

const rate = 44100
const channels = 2 // 2 input channels

const microphone = new Microphone({
  channels,
  rate,
  device: 'hw:1,0',
  bitwidth: 16,
  endian: 'little',
  encoding: 'signed-integer'
})

const audioBuffer = new AudioBuffer(
  1, // 1 channel
  30 * rate, // 30 seconds buffer
  rate
})

const chunks = []
const data = audioBuffer.getChannelData(0)
const stream = microphone.startRecording()

setTimeout(() => microphone.stopRecording(), 5000) // Recording for 5 seconds

stream.on('data', chunk => chunks.push(chunk))

stream.on('close', () => {
  chunks.reduce((offset, chunk) => {
    for (var index = 0; index < chunk.length; index += channels + 2) {
      let value = 0

      for (var channel = 0; channel < channels; channel++) {
        // Iterates through input channels and adds the values
        // of all the channel so we can compute the
        // average value later to reduce them into a mono signal

        // Multiplies the channel index by 2 because
        // there are 2 bytes per channel sample

        value += chunk.readInt16LE(index + channel * 2)
      }

      // Interpolates index according to the number of input channels
      // (also divides it by 2 because there are 2 bytes per channel sample)
      // and computes average value as well as the interpolation
      // from range [-32768;+32768] to range [-1;+1]
      data[(offset + index) / channels / 2] = value / channels / 32768
    }

    return offset + chunk.length
  }, 0)
})