JS 音频剪辑:WAV 头、切点爆音和混音削波
在浏览器里剪一段音频,导出后播放器打不开;切点处总有“啪”的一声;两条音轨混在一起,声音不是变大而是变破。三个问题分别对应 WAV 容器头、采样边界和浮点峰值。本文按门户的纯前端音频工具实现,拆开 44 字节 RIFF 头、切点淡入淡出,以及混音后为什么要看峰值而不是直接相加。
先给结论
WAV 是带固定头的 PCM 容器,16-bit 立体声的头部就是 44 字节,字段写错一个,播放器就会拒绝或读出错误时长。切点爆音来自波形被硬截断产生的直流跳变,几毫秒的线性淡入淡出就能消除。混音时两条接近满幅的轨道相加会超过 1.0,直接写入 16-bit PCM 会削平成方波;正确做法是先求和,再按峰值整体缩放。
现象:能播、能切,但成品不能用
| 现象 | 常见原因 |
|---|---|
| 播放器提示文件损坏 | RIFF 长度、data 长度或字节率写错 |
| 时长显示为 0 或异常 | data 块长度与实际采样数不一致 |
| 切点有“啪”声 | 直接截断,边界样本从非零突然归零 |
| 混音后破音 | 浮点样本超过 ±1,写 Int16 时溢出翻转 |
| 单声道文件变双声道噪声 | 声道数、blockAlign 与交错写入不一致 |
这些都不是“编码器不好”,而是容器字段和采样运算没有对齐。
WAV 头:44 字节,每个字段都有用途
16-bit PCM WAV 的头部结构固定:
| 偏移 | 长度 | 字段 | 值 / 公式 |
|---|---|---|---|
| 0 | 4 | ChunkID | RIFF |
| 4 | 4 | ChunkSize | 36 + dataBytes |
| 8 | 4 | Format | WAVE |
| 12 | 4 | Subchunk1ID | fmt |
| 16 | 4 | Subchunk1Size | 16 |
| 20 | 2 | AudioFormat | 1(PCM) |
| 22 | 2 | NumChannels | 声道数 |
| 24 | 4 | SampleRate | 采样率 |
| 28 | 4 | ByteRate | sampleRate × blockAlign |
| 32 | 2 | BlockAlign | channels × 2 |
| 34 | 2 | BitsPerSample | 16 |
| 36 | 4 | Subchunk2ID | data |
| 40 | 4 | Subchunk2Size | dataBytes |
| 44 | … | 采样数据 | 交错排列的 Int16 |
门户直接拼头,不引第三方库:
const HEADER_BYTES = 44
const BYTES_PER_SAMPLE = 2
export function encodeWav(audio: PcmAudio): ArrayBuffer {
const channelCount = Math.max(1, audio.channels.length)
const frameCount = audio.channels[0]?.length ?? 0
const blockAlign = channelCount * BYTES_PER_SAMPLE
const dataBytes = frameCount * blockAlign
const buffer = new ArrayBuffer(HEADER_BYTES + dataBytes)
const view = new DataView(buffer)
writeAscii(view, 0, 'RIFF')
view.setUint32(4, 36 + dataBytes, true)
writeAscii(view, 8, 'WAVE')
writeAscii(view, 12, 'fmt ')
view.setUint32(16, 16, true)
view.setUint16(20, 1, true)
view.setUint16(22, channelCount, true)
view.setUint32(24, audio.sampleRate, true)
view.setUint32(28, audio.sampleRate * blockAlign, true)
view.setUint16(32, blockAlign, true)
view.setUint16(34, BYTES_PER_SAMPLE * 8, true)
writeAscii(view, 36, 'data')
view.setUint32(40, dataBytes, true)
let offset = HEADER_BYTES
for (let frame = 0; frame < frameCount; frame += 1) {
for (let channel = 0; channel < channelCount; channel += 1) {
const raw = audio.channels[channel]?.[frame] ?? 0
const sample = Math.max(-1, Math.min(1, raw))
view.setInt16(
offset,
sample < 0 ? sample * 0x8000 : sample * 0x7fff,
true
)
offset += BYTES_PER_SAMPLE
}
}
return buffer
}
两个容易写错的点:
ChunkSize是文件长度减 8,等于36 + dataBytes,不是整个文件长度。ByteRate是每秒字节数,等于sampleRate × blockAlign;立体声 44.1kHz 是44100 × 4 = 176400。
负样本乘 0x8000、正样本乘 0x7fff,是为了把 -1..1 对称映射到 Int16 的 -32768..32767。两边都乘 0x7fff 会浪费负半轴;两边都乘 0x8000 会让 1.0 溢出。
切点爆音:硬截断会产生直流跳变
一段波形在切点处通常不是 0。直接 slice(start, end) 会让输出从某个非零值突然开始、又在某个非零值突然结束。播放器重放时,这个跳变就是宽频的“啪”声。
门户在切片两端各做 12ms 线性淡入淡出:
export function sliceAudio(audio, startSec, endSec, options = {}) {
const startFrame = Math.round(startSec * audio.sampleRate)
const endFrame = Math.round(endSec * audio.sampleRate)
const frames = endFrame - startFrame
if (frames < 1) return null
const channels = audio.channels.map(channel =>
channel.slice(startFrame, endFrame)
)
const fadeMs = Math.max(0, options.fadeMs ?? 12)
const fadeFrames = Math.min(
Math.round((fadeMs / 1000) * audio.sampleRate),
Math.floor(frames / 2)
)
if (fadeFrames > 0) {
for (const channel of channels) {
for (let index = 0; index < fadeFrames; index += 1) {
const gain = index / fadeFrames
channel[index] = (channel[index] ?? 0) * gain
channel[frames - 1 - index] =
(channel[frames - 1 - index] ?? 0) * gain
}
}
}
return { channels, sampleRate: audio.sampleRate }
}
44.1kHz 下 12ms 约 529 个采样。淡入淡出长度取“设定值”和“半段长度”的较小值,避免切片比淡入淡出还短时两边重叠。
淡入淡出不是“美化”,而是让边界样本接近 0,消除跳变。代价是切点附近极短的一小段音量下降,人耳通常听不出来。
混音削波:先求和,再看峰值
两条轨道各自峰值 0.8,相加后是 1.6。此时直接写 Int16:
- 夹紧到 1.0:波形顶部被压平,听感是失真,不是变响。
- 不夹紧:Int16 溢出会翻转符号,产生刺耳的爆音。
门户先求和,只有峰值超过 0.98 才整体缩放:
const normalize = options.normalize ?? true
if (normalize) {
const peak = peakLevel({ channels, sampleRate })
if (peak > 0.98) {
const gain = 0.98 / peak
for (const channel of channels) {
for (let index = 0; index < channel.length; index += 1) {
channel[index] = (channel[index] ?? 0) * gain
}
}
}
}
峰值 1.6 时,增益是 0.98 / 1.6 = 0.6125,两条轨道一起变小,但相对比例不变,波形不会削平。0.98 留了一点余量,避免编码和重采样后的瞬时过冲。
| 混音方式 | 峰值 1.6 的结果 | 听感 |
|---|---|---|
| 直接写 Int16 | 溢出翻转 | 刺耳爆音 |
| 逐样本夹紧 | 顶部削平 | 失真、发闷 |
| 按峰值整体缩放 | 峰值 0.98,比例保留 | 变响但不破 |
验证:读头、算长度、听切点
导出后先看头部:
xxd -l 44 output.wav
前 4 字节应为 RIFF,偏移 8 为 WAVE,偏移 36 为 data。再用文件大小反推:
| 检查项 | 公式 | 示例(1 秒 / 44.1kHz / 立体声) |
|---|---|---|
| 数据字节 | 帧数 × 声道数 × 2 | 176400 |
| 文件总长 | 44 + 数据字节 | 176444 |
ChunkSize | 36 + 数据字节 | 176436 |
ByteRate | 采样率 × 声道数 × 2 | 176400 |
播放器能打开、时长正确、拖动到切点没有明显“啪”声,三项都过才算完成。只验证“能播放”不够,头字段错一位也可能被某些播放器容错。
边界与坑
采样率不一致不能直接拼。 44.1kHz 和 48kHz 的采样点时间间隔不同,直接首尾相接会变调、变时长。门户遇到采样率不一致返回 null,由页面先统一重采样。
单声道混进立体声要补声道。 声道数不同时,把缺失的声道复制第一条,比补静音更符合听感;补静音会让声音突然偏到一边。
16-bit 够用,但不是无损。 浏览器解码得到 float32,导出 16-bit 会量化。24/32-bit 体积翻倍,普通听感提升有限;需要后期处理时再保留更高位深。
WAV 不适合直接放网页。 它没有压缩,一分钟立体声约 10MB。网页播放优先用 AAC/Opus,WAV 适合编辑和导出。
大文件要限制时长和体积。 纯前端处理会把整段音频读进内存,门户对时长和文件大小都设了上限,避免移动端直接崩溃。
相关工具
在 音频剪辑工具 里可以试切点淡入淡出和双轨混音;需要生成背景噪声时用 白噪声生成工具。更多浏览器音频处理的记录放在 技术笔记。
FAQ
为什么导出的 WAV 播放器打不开?
先检查 44 字节头:RIFF、WAVE、fmt 、data 四个标识是否正确,ChunkSize 是否为 36 + dataBytes,data 长度是否等于实际采样字节数。任何一项错了,播放器都可能拒绝。
切点一定要加淡入淡出吗?
绝大多数情况要。硬截断在非零样本处会产生跳变,听起来是“啪”声。12ms 线性淡入淡出足够,且不会明显改变节奏。
混音后为什么要整体缩放,而不是直接夹紧?
夹紧会把超过 1.0 的波形顶部削平,产生失真。整体缩放保留波形比例,只是让所有样本一起变小,听感更自然。
浏览器里处理音频需要上传服务器吗?
不需要。AudioContext.decodeAudioData 和 WAV 编码都能在本地完成,文件不会离开浏览器。代价是受设备内存限制,长音频要设上限。
音频剪辑的成品质量,往往取决于三个不起眼的数字:头长度 44、淡入淡出 12ms、峰值上限 0.98。把这三个口径固定下来,再验一次头字段和切点,导出的文件就能直接使用。
評論
還沒有評論,來說兩句吧