一、两件事：采样率与声道布局

声卡对声音有固定要求，而文件里的声音五花八门。 重采样就是那个「翻译」：

三行里第一行最常被忽略：很多人以为「44.1k 和 48k 差不多」，直接送进去会听到变调或者卡顿。 差 8.8% 的速率，听起来就是「快了半音」。

第二行也有坑：mono 转 stereo 不是「复制一份」那么简单， 它要做声道映射；反过来 stereo 转 mono 要做混音（通常是取平均）。 这些都不需要你手写，但要知道它在做。

二、输出样本数怎么算

公式很短：输出样本数 ≈ 输入样本数 × 目标采样率 ÷ 源采样率。 但「≈」这个符号是本节的全部内容。

Demo 量了三个组合，理论值和实测最多差一个样本——那一个样本是四舍五入，不是丢的。

为什么会有小数：20480 × 48000 ÷ 44100 是个除不尽的数。 重采样器会把剩下的零点几个样本留在内部，跟下一帧的数据一起处理。 这就是「内部残留」的来源。

这一点对「算总时长」很重要：很多人喜欢用「样本数除以采样率」来算音频有多长， 如果中间做过重采样，这个算法会有毫秒级的误差。 要不要在意，取决于你在做什么——做进度条无所谓，做音视频同步就必须在意。

三、冲空包：尾巴不冲就不出来

Demo 里最值得看的一组数是这个：不冲空包，输出比冲了少十几个样本。

十几个样本听起来不多，换算成时间是零点几毫秒。 但它揭示的规律很重要：「带缓冲的转换器都握着一点尾巴」。

本课已经凑齐三种：解码 decode(None)、重采样 resample(None)、编码 encode(None)。 三处的行为完全一致：不冲不报错，只是少一点东西。

为什么它们都要「握着尾巴」：因为重采样要做插值，插值需要「前后各看几个样本」， 所以最后几个样本它不敢交出去——万一后面还有数据，这几个还能用上。

这个设计在所有流式处理里都一样：「为了不切错边界，宁可多留一点」。 对应的代价就是「你必须告诉它没有更多了」。

四、音频缓冲与声卡回调

重采样之后的数据要交给声卡，而这一步是「推」还是「拉」，决定了架构：

| 模型 | 谁主动 | 典型 API | |---|---| | 推送 | 你的程序往里送 | SDL_QueueAudio | | 回调 | 声卡要数据时叫你 | SDL_OpenAudioDevice 的回调 |

ffplay 用的是第二种：它注册一个回调，声卡每消耗完一块缓冲就喊它一次。 这个设计的好处是「节拍由硬件给」——你不需要自己算「什么时候该送下一块」。

坏处是回调里不能干重活：它跑在音频线程上，卡一下就是「咔」的一声。 所以 ffplay 在回调里只做「从缓冲区拷数据」，重采样放在解码线程里提前做好。

这个分工值得记住：转换可以提前做，拷贝必须当场做。 因为转换慢一点只是延迟，拷贝慢一点就是爆音。

五、变调、变速：不要靠改采样率

想「快放」的时候，一个常见的错误做法是「把采样率改高」： 比如 44100 改成 48000，声音就快了。 这确实能让声音变快，但音调也跟着变了。

| 做法 | 速度 | 音调 | |---|---| | 改采样率 | 变 | 跟着变（变调） | | 时间伸缩（WSOLA 之类） | 变 | 不变 |

第二行才是「快放」的正确做法，它需要专门的算法，不是 swr 能做的。 所以「倍速播放」这个功能，比看起来难得多。

这条经验可以推广到画面： 「跳帧」快而且看着还行，「改帧率」会让人觉得动作变快——两者都是为了「用更短的时间放完」，但观感完全不同。

所以本课一直在强调「参数背后有语义」： 采样率不是「速度旋钮」，它是「一秒采多少个点」的定义。 改它，等于改了「一秒钟有多长」。

六、动手 Demo：音频重采样——样本数、延迟与「冲空包」

这一段量三件事： 输出样本数跟理论值差多少、不冲空包少多少、以及三种目标参数下的行为是否一致。 重点在最后那个「差」字：它是零、是一、还是几十，含义完全不同。

rs = av.AudioResampler(format=dst_fmt, layout=dst_layout, rate=dst_rate)
got = 0
for fr in aframes:
    for o in rs.resample(fr):
        got += o.samples
for o in rs.resample(None):        # 冲空包，少了这行就少一截
    got += o.samples

实跑输出：

--------------------------------------------------------------------
音频重采样——样本数、延迟与「冲空包」
--------------------------------------------------------------------
**`swr_convert` 在 ffplay 里负责一件事**：**把解码出来的音频，变成声卡要的格式、声道数和采样率。**
**它比图像转换更容易出错，因为「输入样本数」和「输出样本数」不是一对一的。**

  解出 **20 帧音频**，每帧 **1024 个样本**，采样率 **44100**

  输入总样本：**20480**（44100 赫兹，0.464 秒）

  目标             输出样本数     理论值     差
  -------------------------------------------------
  48000/mono       22292          22291      1
  44100/stereo     20480          20480      0
  22050/mono       10240          10240      0

**理论值那一列是按「输入样本数 × 采样率比」算的**，
**实测最多差一个样本**——**那一个样本是四舍五入的结果，不是丢的。**
**这说明重采样器确实把每一个样本都过了一遍。**

**顺带解释「为什么差一个而不是零」**：**20480 × 48000 ÷ 44100 = 22291.16**，
**重采样器会把剩下那零点几个样本留在内部，等下一帧一起处理。**
**这正是「冲空包」存在的理由之一。**

**然后是「不冲空包会怎样」**，这是本课第三次遇到同一个坑：

  不冲空包：**22274 个样本**
  冲空包：**22292 个样本**
  差 **18 个样本**，约 **0.38 毫秒**

**差的这些样本是「重采样器内部的残留」**：**它做插值要用到前几个样本，所以手里总握着一点尾巴。**
**不冲，这点尾巴就永远不出来**——而且**不报错**。

**三种「冲空包」到这里就齐了**：
**解码 `decode(None)`、重采样 `resample(None)`、编码 `encode(None)`。**
**规律完全一样：带缓冲的转换器都要冲，而且不冲不报错。**

第一张表看「差」这一列，它是 0 或 1，说明重采样器把每个样本都算进去了， 差的那一个也只是四舍五入。 这一列如果出现几十上百，那就是真丢数据了。

第二组数是本节的核心：不冲空包比冲了少十几个样本，约零点几毫秒。 数值不大，但它意味着「最后那一小截永远听不到」。

注意「不冲」的时候不报错。这才是它危险的地方：没有异常、没有日志，只是少一点东西。 音频的 bug 大多长这样——不是崩，是「听着有点不对」。

这也解释了为什么音频调试要靠「数样本」： 听感不可靠、崩溃不出现，唯一靠得住的是「输入多少、输出多少、差多少」。 养成随手打印样本数的习惯，能省掉大量排查时间。

最后一个观察：三种目标参数下，「差」这一列都很小， 说明「改采样率」「改声道」「改格式」这三件事，重采样器都是统一处理的，行为一致。 所以你不需要为不同的转换写不同的收尾逻辑。

30 秒实验

1. 把输入改成 10 帧，看「不冲」和「冲」的差是不是还是十几。
2. 算一下：44100 的 20480 个样本，换成 48000 应该是多少个？
3. 判断一下：想让声音「快放但不变调」，能靠改采样率做到吗？

常见误区

1. 以为 44.1k 和 48k 差不多。 差 8.8% 的速率，听起来是「快了半音」。
2. 不冲空包。 少十几个样本、不报错，但最后那一小截永远听不到。
3. 用样本数除以采样率算时长，还当它精确。 中间做过重采样就会有毫秒级误差。
4. 靠改采样率做倍速。 速度变了音调也跟着变，真正的倍速要用时间伸缩算法。

数据齐了，接下来是「控制」。暂停、快进、静音这些按钮，在代码里到底是改了什么——答案跟大多数人的直觉不一样，比如「暂停」并不是把线程停下来。

• ☐ （本节完，下一节 09.07 FFplay的播放控制）

相关笔记

• FFplay的图像格式转换
• VS 2015控制台开发FFplay+SDL 2播放器
• 🎬 音视频原理及应用 · 26 课
• 🎬 播放器原理及应用 · 索引