两轨混音的算术:为什么会削波、-12dB 配乐从哪来、OfflineAudioContext 离线渲染
叠加即相加,满了就削
数字音频里每个采样是 -1.0 到 +1.0 之间的浮点(满幅,0 dBFS 的物理含义)。两轨混音的最底层操作就是把对应时刻的采样各自乘上增益再相加:
| |
问题随之而来:人声 0.9 叠配乐 0.9 得 1.8,超出 ±1.0 的部分怎么办?导出 PCM16 WAV 时每个采样被写进 16 位整数(-32768 到 32767),超范围值被硬性钳制——正峰全贴到 32767、负峰全贴到 -32768,平滑的正弦波顶被削成平台,平台边缘是垂直跳变。频谱上这意味着把谐波无限拖尾的方波成分泼进全频段,听感就是「噼啪」爆音。与模拟设备的软饱和不同,数字硬削毫无美感可言,是混音的头号事故。
三种应对各有取舍。先加后钳(听天由命)自然不行;相加后除以轨道数(求平均)安全但每加一轨整体响度就掉 6dB,两轨混完声音莫名变轻;逐轨预留余量才是正路——让各轨增益之和的峰值留在满幅以内,这就是为什么专业混音从 -12dB(约 25%)起步而不是从 100% 起步。dBFS 是对数刻度:50% = -6dB、25% = -12dB、12.5% = -18dB(这本账的推导在WebAudio 响度刻度里),「口播人声 0dB、配乐垫 -12~-18dB」的经验值本质是给人声留足 4~8 倍的余量,配乐只当地毯不当主角。
峰值事前可估:两轨分别取峰值幅度、乘各自增益与总增益,上界就是简单相加(最坏相位对齐)。预估超过 100% 就地亮削波预警,比渲完听爆音再回炉快得多。
淡入淡出:增益随时间走
配乐从静音渐入、结尾整体渐出——增益不再是一个常数,而是时间的函数。淡入淡出用线性斜坡即可满足人耳(等响度对数感知下,短斜坡的线性感足够自然;追求更顺可以用指数曲线,对几秒的过门差异有限)。实现上有两条路:手写循环里逐采样算 g = time < fadeIn ? time/fadeIn : 1,增益函数是纯函数可单测;或交给 WebAudio 的增益自动化——setValueAtTime 定起点、linearRampToValueAtTime 画斜坡,斜坡由音频线程按采样精度执行,主线程卡顿也不影响曲线形状。
两条路的差异正好引出渲染方式的选择。
OfflineAudioContext:不占声道的快进渲染
实时播放混音(边听边混)有个先天缺陷:走的是扬声器时钟与系统音量,「渲染结果」其实被系统混音器又加工了一遍——导出时若音量面板被调低,导出的响度就跟着变。OfflineAudioContext 解决的就是这个:创建一个不上任何输出设备的音频图,startRendering() 后按最大速度把全部采样算完(几分钟音频几秒渲完,快进而非实时),结果是一个纯净的 AudioBuffer——增益曲线、缓冲调度全部按采样精度落进数据,与系统音量、设备状态彻底无关。
渲染长度的口径也在这里定:输出取两轨中较长者,短轨结束后的时间线自动是静音留白——「以最长轨为时间轴」是混音工具的通用约定,波形预览同样按此对齐,短轨尾部那截平线就是留白。
🔧 音频混音 把这套完整落地:两轨独立音量与静音、每轨淡入淡出、总轨增益与输出淡出、削波预警、波形对齐预览,OfflineAudioContext 渲染后手写 RIFF 头导出 PCM16 WAV。它在这条流水线里的位置:先 🔧 录音降噪 洗底噪(谱减法那篇)、再 🔧 口播静音切除 剪气口、混音铺好配乐后,响度不够找 🔧 音量增益 。整条录音到成片流水线收在音频创作工具箱专题里,全程本地,素材不出浏览器。