变速先问一句：变不变调

倍速播放音频有两种截然不同的结果。把 2 倍速的播客听成「花栗鼠」,那是音高跟着速度一起走了；听感自然、只是语速变快，那是时间拉伸在起作用。两条路的实现难度差一个量级，先从简单那条说起。

重采样（音高随速）：音频是一串按固定采样率排队的数值，2 倍速不过是每隔 2 个采样取 1 个来播。输出长度变一半、频率成分整体翻倍——波形被压缩，音调自然升高。实现是十几行循环：目标位置 pos = i × rate，落在两个原始采样之间，用线性插值取中间值补上。它等价于 <audio> 元素的 playbackRate（默认 preservesPitch 关闭时），浏览器播放器里的倍速就是这么来的。优点是 O(n) 秒出结果、无损语义（对采样值只插值不分析）；缺点是声音变形，超过 1.5 倍人声就明显发尖。

时间拉伸（变速不变调）：难点在于语速和音高在波形里不是两个独立旋钮。基频由声波周期决定，想周期不变、又把时间轴压缩，只能把信号切碎、挪位置重新拼接——搬移的是「内容的排列」，不是波形本身。

颗粒搬运：切、加窗、重叠、归一

时间拉伸的主流做法是重叠相加（Overlap-Add）：把源信号切成固定长度的颗粒（grain），输出侧按固定步进（hop）逐个摆放，源侧步进则按倍速拉开——倍速 >1 时源侧每步跨得更远，同样的内容被更紧凑地搬到输出里，总长变短，速度就上去了。每个颗粒的原始采样周期没动，音高自然保住。

但硬切再拼会在接缝处产生爆音：颗粒边界两侧波形值不连续，跳变本身就是宽带噪声。解法是给每个颗粒加 Hann 窗——两端平滑过渡到零的钟形窗，接缝处的电平被压到零，跳变消失。窗的参数是一组连环取舍：窗太短（几百采样），颗粒小到失去频率分辨率，声音发「相位器」味；窗太长（几万采样），搬移粒度太粗，快速变化的音节在窗内自相混合。2048 采样在 48kHz 下约 43ms——一个音节的量级，是语音与音乐通吃的经验值。

重叠密度是另一处关键：hop = grain/4 意味着输出里任意时刻有 4 个窗同时叠加。为什么要叠这么多？单个 Hann 窗中段高两端零，不重叠的话输出音量会按窗形周期起伏，像坏了的调音台。4 倍重叠让多个窗的隆起互相填平——但这里有个教科书常略过的细节：Hann 窗以 hop = grain/4 叠加的窗权和约等于 2.0，并不恰好是常数（中段仍有极小的周期波动）。若直接叠加不管权和，输出音量带着千分之几的周期性起伏；正确做法是叠加的同时累计每个输出采样被覆盖的窗权之和，最后逐点除以权和归一化（WOLA，加权重叠相加）。归一化做到位有个妙用：1.0 倍速跑完整条流水线，输出与输入逐点相同——变换在单位速率下透明，这是检验实现正确性的最硬指标。

1
2
3

源:  |——grain1——|——grain2——|…      源侧步进 = speed × hop（读得更远→更快）
出:  |—g1—|—g2—|—g3—|…           输出侧步进 = hop（恒定）
每窗 × Hann，叠加 ÷ 窗权和 → 1.0× 时逐点透明

参数边界与工程兜底

倍速限幅 0.5–3.0 不是随口画的：低于 0.5 时源侧步进超过四个窗长，颗粒之间的内容被整段跳过，输出会出现空洞感；高于 3 时相邻颗粒几乎重叠取材，快速语音糊成一团。短于一个窗的输入是必须单列的边界——整段当一个颗粒原样输出，不做搬移。

输出长度的口径同样要精确到采样：输出 = 末窗起点 + 窗长，与「原长 ÷ 倍速」的差被窗长兜住，误差上界一个 grain。时长、体积、耗时预估共用这一套长度公式，界面上显示的「预计新时长 3 分 20 秒」和最终导出的文件才能对得上。

浏览器里的分工

🔧 音频变速 把两条路做成显式选项：「倍速直变（重采样）」秒出、音高随速；「变速不变调（重叠窗时间拉伸）」跑 WOLA 全流程。试听也按两条路分开：处理结果按 1.0 倍速播——新节奏已经写进采样，所见即所得；「实时试听原音频」则直接用 AudioBufferSourceNode.playbackRate，与播放器倍速同一机制，方便对比两种结果挑合适的。

同一条「解码 → 逐窗统计 → 重排采样」的骨架还撑着🔧 口播静音切除 （详见静音检测算法拆解）与 🔧 音频裁剪 ；而 dBFS 这本响度账，WebAudio 响度刻度里算过。这一整族工具，连同录音、混音、BPM 检测，都收在音频创作工具箱专题里，全部本地计算，素材不出浏览器。