最近有个需求：对音频裁剪时，裁剪条的纵坐标必须是音频音量，以帮助用户更好的选择音频区域，所以就需要快速准确的提取出音频的音量列表。本文主要介绍下从mp4文件中提取音轨音量的方式，以及相关的知识点。

音频基础知识

声音的本质是空气压力差造成的空气振动，振动产生的声波可以在介质中快速传播，当声波到达接收端时（比如：人耳、话筒），引起相应的振动，最终被听到。

声音有两个基本属性：频率与振幅。声音的振幅就是音量，频率的高低就是音调，频率的单位是赫兹（Hz）。

当声波传递到话筒时，话筒里的碳膜会随着声音一起振动，而碳膜下面是一个电极，碳膜振动时会触碰电极，接触时间的长短跟振动幅度有关（即：声音响度），这样就完成了声音信号到电压信号的转换。后面经过电路放大后，就得到了模拟音频信号。

模拟音频：用连续的电流或电压表示的音频信号，在时间和振幅上是连续。过去记录的声音都是模拟音频，比如：机械录音（以留声机、机械唱片为代表）、磁性录音（以磁带录音为代表）等模拟录音方式。

计算机不能直接处理连续的模拟信号，所以需要进行A/D转换，以一定的频率对模拟信号进行采样（就是获取一定时间间隔的波形振幅值，采样后模拟出的波形与原始波形之间的误差称为采样噪音），然后再进行量化和存储，就得到了数字音频。

数字音频：通过采样和量化获得的离散的、数字化的音频信号，即：计算机可以处理的二进制的音频数据。

相反的，当通过扬声器播放声音时，计算机内部的数字信号通过D/A转换，还原成了强弱不同的电压信号。这种强弱变化的电压会推动扬声器的振动单元产生震动，就产生了声音。整个流程可以用下图来表示：

PCM元数据

最常见的A/D转换是通过脉冲编码调制PCM(Pulse Code Modulation)。要将连续的电压信号转换为PCM，需要进行采样和量化，我们一般从如下几个维度描述PCM：

采样频率（Sampling Rate）：单位时间内采集的样本数，即：采样周期的倒数，指两个采样之间的时间间隔。采样频率越高，声音质量越好，但同时占用的带宽越大。一般情况下，22KHz相当于普通FM的音质，44KHz相当于CD音质，目前的常用采样频率都不超过48KHz。
采样位数：表示一个样本的二进制位数，即：每个采样点用多少比特表示。计算机中音频的量化深度一般为4、8、16、32位（bit）等。例如：采样位数为8 bit时，每个采样点可以表示256个不同的采样值，而采样位数为16 bit时，每个采样点可以表示65536个不同的采样值。采样位数的大小影响声音的质量，采样位数越多，量化后的波形越接近原始波形，声音的质量越高，而需要的存储空间也越多；位数越少，声音的质量越低，需要的存储空间越少。一般情况下，CD音质的采样位数是16 bit，移动通信是8 bit。
声道数：记录声音时，如果每次生成一个声波数据，称为单声道；每次生成两个声波数据，称为双声道（立体声）。单声道的声音只能使用一个喇叭发声，双声道的PCM可以使两个喇叭同时发声（一般左右声道有分工），更能感受到空间效果。
时长：采样时长

数字音频文件大小（Byte) = 采样频率（Hz）× 采样时长（S）×（采样位数 / 8）× 声道数（单声道为1，立体声为2）

采样点数据有有符号和无符号之分，比如：8 bit的样本数据，有符号的范围是-128 ~ 127，无符号的范围是0 ~ 255。大多数PCM样本使用整形表示，但是在一些对精度要求比较高的场景，可以使用浮点类型表示PCM样本数据。

下面看一个具体的采样示例：

其中，黑色曲线表示要采集的声音波形，红色曲线表示采样量化后的PCM数据波形。上图中，采样位数是4 bit，每个红点对应一个Pcm采样数据，很明显：

采样频率越高，x轴采样点越密集，声音越接近原始数据。
采样位数越高，y轴量化越精确，声音越接近原始数据。

PCM数据存储

接下来看下PCM数据存储方式，如果是单声道音频，采样数据按照时间的先后顺序依次存储，如果是双声道音频，则按照LRLRLR方式存储，每个采样点的存储方式还与机器大小端有关。大端模式如下图所示：

Pcm文件没有头部信息，全部是采样量化后的未压缩音频数据。

PCM音量计算

我们一般用分贝（db）描述声音响度。声学领域中，分贝的定义是声源功率与基准声源功率比值的对数乘以20的数值。根据人耳的特性，我们对声音的大小感知呈对数关系，而不是线性关系。人类的听觉反应是基于声音的相对变化而非绝对变化。对数函数正好能模仿人耳对声音的反应。所以用分贝描述声音强度更符合人类对声音强度的感知。如下图所示，横轴表示PCM采样值，纵轴表示人耳感知到的音量，图中截取了两块横轴变化相同的区域，但是人耳感觉到的音量变化是不一样的。在较安静的左侧，感觉到的音量变化较大；在叫喧嚣的右侧，人耳感觉到的音量变化较小。

具体来说，分贝计算公式如下所示：

db = 20 * \log_{10}(\frac {P_{rms}} {P_{ref}})

其中， $\frac {P_{rms}} {P_{ref}}$ 表示两个采样值的比值。在计算某个采样值的分贝时，直接把 $P_{ref}$ 当成最小采样值1处理就可以了。所以如果采样位数是16 bit，那么无符号情况下，最大分贝是：

有符号情况下，最大分贝是：

OK，了解了PCM格式和db计算方式之后，我们看下从音频文件提取db值的整体流程：

Android

首先，我们基于Android平台的多媒体API来实现PCM的数据提取，然后计算分贝值。简单概述就是：首先通过MediaExtractor解封装Mp4提取AAC编码流，然后通过MediaCodec解码AAC数据，得到PCM。核心代码如下所示：

// 解封装器
val audioExtractor = MediaExtractor()
// 设置路径
audioExtractor.setDataSource(audioInputPath)
// 找到音轨
for (i in 0 until audioExtractor.trackCount) {
    val format = audioExtractor.getTrackFormat(i)
    if (format.getString(MediaFormat.KEY_MIME).startsWith("audio/")) {
        audioExtractor.selectTrack(i)
        // 音轨Format
        inputAudioFormat = format
        break
    }
}

// 音频声道数
audioChannel = inputAudioFormat.getInteger(MediaFormat.KEY_CHANNEL_COUNT)
// 音频采样率
audioSampleRate = inputAudioFormat.getInteger(MediaFormat.KEY_SAMPLE_RATE)
val mime = inputAudioFormat.getString(MediaFormat.KEY_MIME)
val sampleBitStr = inputAudioFormat.getString(MediaFormat.KEY_PCM_ENCODING)
val sampleBit = if (sampleBitStr != null) {
                    try {
                        Integer.parseInt(sampleBitStr)
                        } catch (e: Exception) {
                            AudioFormat.ENCODING_PCM_16BIT
                        }
                } else {
                    AudioFormat.ENCODING_PCM_16BIT
                }

// 一个采样点占用的字节数
sampleByte = when (sampleBit) {
    AudioFormat.ENCODING_PCM_8BIT -> 1
    AudioFormat.ENCODING_PCM_16BIT -> 2
    else -> 2
}

// 启动解码器
val audioDecoder = MediaCodec.createDecoderByType(mime)
audioDecoder.configure(inputAudioFormat, null, null, 0)
audioDecoder.start()

// 解码器的输入和输出Buffer列表
val decoderInputBuffer = audioDecoder.inputBuffers
var decoderOutputBuffer = audioDecoder.outputBuffers
val bufferInfo = MediaCodec.BufferInfo()
while (!decodeDone) {
    if (!inputDone) { // 提取AAC，进行编码
        val inputIndex = audioDecoder.dequeueInputBuffer(0L)
        if (inputIndex >= 0) {
            val inputBuffer = decoderInputBuffer[inputIndex]
            inputBuffer.clear()
            val readSampleSize = localAudioExtractor.readSampleData(inputBuffer, 0)
            if (readSampleSize > 0) {
                audioDecoder.queueInputBuffer(inputIndex, 0, readSampleSize, localAudioExtractor.sampleTime, localAudioExtractor.sampleFlags)
                // 移动到下一帧
                audioDecoder.advance()
            } else { // 结束帧
                audioDecoder.queueInputBuffer(inputIndex, 0, 0, 0, MediaCodec.BUFFER_FLAG_END_OF_STREAM)
                inputDone = true
            }
        }
    }
    
    if (!decodeDone) {
        val outputIndex = localAudioDecoder.dequeueOutputBuffer(bufferInfo, 0)
        if (outputIndex >= 0) {
            if(bufferInfo.size > 0){
                val outputBuffer = decoderOutputBuffer[outputIndex]
                // 大小端
                val isBigEndian = (outputBuffer.order() == ByteOrder.BIG_ENDIAN)
                outputBuffer.position(bufferInfo.offset)
                outputBuffer.limit(bufferInfo.offset + bufferInfo.size)
                val pcmByteArray = ByteArray(bufferInfo.size)
                // copy出PCM数据
                outputBuffer.get(pcmByteArray)
                outputBuffer.clear()
                // 当前帧采样点个数
                val curSampleNum = pcmByteArray.size / sampleByte / audioChannel
                // 计算出当前帧的DB值
                val db = compute(isBigEndian,pcmByteArray,audioChannel,sampleByte)
                // 处理db值
                ......
            }
            
            // 归还Buffer
            audioDecoder.releaseOutputBuffer(outputIndex, false)
            // 判断是否是最后的帧
            if ((bufferInfo.flags and MediaCodec.BUFFER_FLAG_END_OF_STREAM) != 0){
                decodeDone = true
            }
        }
    }
}

上述代码是通过MediaExtractor和MediaCodec解码音视频的标准流程，已经添加了详细的注释，我们看下基于PCM计算db的具体函数：

fun compute(isBigEndian : Boolean ,pcmByteArray : ByteArray,audioChannel : Int,sampleByte : Int){
// 计算出步长：MediaCodec解码出的PCM数据是按照Packed模式存储的
val step = if (audioChannel == 2) {
            if (sampleByte == 2) {
                4
            } else {
                2
            }
        } else {
            if (sampleByte == 2) {
                2
            } else {
                1
            }
        }

var i = 0
var sum = 0.0
while (i < pcmByteArray.size) {
    // 绝对值求和
    sum += if (sampleByte == 2) {
                // 根据大小端把两个byte转换成short
                val sample = byteToShort(isBigEndian, pcmArray[i], pcmArray[i + 1])
                Math.abs(sample.toInt()).toDouble()
            } else {
                Math.abs(pcmByteArray[i].toInt()).toDouble()
            }
            i += step
    }

// 基于平均采样点，计算出db值    
return (20 * log10(sum / (pcmByteArray.size / step))).toInt()
}

通过上述代码，我们可以基于解码出的PCM，计算出对应的db值，但是这种方式存在一个最大的缺点就是耗时严重，一个5分钟的音频，需要二三十秒，甚至更长，这完全是无法忍受的。我们不得不寻求更高效的解决方案。

IOS

IOS平台提供了AVFoundation库，用于音视频操作。我们可以基于它直接提取出整首歌的PCM数据，然后计算出分贝值。大体流程如下所示：

首先通过AVAudioFile加载本地音频文件，获取采样率、声道数等音频信息。
接着通过上述采样率、声道数以及采样点格式AVAudioCommonFormat构建AVAudioFormat，表示一种音频格式。
然后通过AVAudioFormat和音频采样帧数（等于采样率乘以时长）构建AVAudioPCMBuffer，并且通过AVAudioFile.read把音频数据解码到AVAudioPCMBuffer，获取到解码后的PCM Buffer。
AVAudioPCMBuffer包含了多个声道的数据，多个声道的数据是如何存储的那？可以通过AVAudioFormat.isInterleaved进行判断，若是true，则表示多个声道数据是交替存储的，即：LRLRLRLR方式，若是false，则表示多个声道数据是分开存储的，即：LLLLRRRR模式。
最后基于AVAudioPCMBuffer提供的PCM数据，针对单一声道，计算出分贝值，计算方式与Android平台类似，此处不再赘述。

可见，iOS平台对音频数据的提取提供了非常友好的API，并且测试下来发现，同一首5分钟的歌曲，耗时只有两三秒，各个方面，都吊打Android。

跨平台

除了Android和iOS平台的多媒体框架，我们还可以基于FFmpeg实现跨平台的PCM数据提取。FFmpeg是一个开源的跨平台多媒体框架，关于FFmpeg的介绍，网上的资料很多，这里就不再赘述了。

通过FFmpeg解码本地音视频文件，还是比较简单的，整体流程如下所示：

首先注册所有的解封装和封装格式（av_register_all）。
接着打开本地文件，获取音频流信息（avformat_open_input -> av_dump_format）。
其次创建解码音频流的解码上下文，并设置解码参数（avcodec_alloc_context3 -> avcodec_open2）。
然后从本地文件读取音频裸流帧AVPacket，然后交给解码器解码，最后从解码器获取PCM原始数据帧AVFrame（av_packet_alloc -> avcodec_receive_frame）。
因为FFmpeg解码出的PCM数据存储格式有很多种，所以我们会统一重采样到AV_SAMPLE_FMT_S16P格式（swr_convert）。
最后针对重采样后的PCM数据计算出分贝值，并且释放各种资源。

不同于MediaCodec解码出的PCM是按照LRLRLR方式存储，FFmpeg解码出的PCM存储格式更加丰富，如下所示：

enum AVSampleFormat {
    AV_SAMPLE_FMT_NONE = -1,
    AV_SAMPLE_FMT_U8,          ///< unsigned 8 bits
    AV_SAMPLE_FMT_S16,         ///< signed 16 bits
    AV_SAMPLE_FMT_S32,         ///< signed 32 bits
    AV_SAMPLE_FMT_FLT,         ///< float
    AV_SAMPLE_FMT_DBL,         ///< double

    AV_SAMPLE_FMT_U8P,         ///< unsigned 8 bits, planar
    AV_SAMPLE_FMT_S16P,        ///< signed 16 bits, planar
    AV_SAMPLE_FMT_S32P,        ///< signed 32 bits, planar
    AV_SAMPLE_FMT_FLTP,        ///< float, planar
    AV_SAMPLE_FMT_DBLP,        ///< double, planar
    AV_SAMPLE_FMT_S64,         ///< signed 64 bits
    AV_SAMPLE_FMT_S64P,        ///< signed 64 bits, planar

    AV_SAMPLE_FMT_NB           ///< Number of sample formats. DO NOT USE if linking dynamically
};

除了有有符号和无符号的区别外，还可以是short、float和double类型，采样位数也可以是8 bit、16 bit、32 bit和64 bit。除此之外，即使同样是signed 16 bits，也存在Packed和Planar的区别。

对于双声道音频来说，Packed表示两个声道的数据交错存储，交织在一起，即：LRLRLRLR的存储方式；Planar表示两个声道分开存储，也就是平铺分开，即：LLLLRRRR的存储方式。通过MediaCodec解码出的PCM是按照Packed方式存储的，而FFmpeg解码出的PCM则可能是其中的任意一种。

所以为了更好的归一化处理，我们会对FFmpeg解码出的PCM进行重采样，统一采样成AV_SAMPLE_FMT_S16P格式，即：每个采样点是两字节的有符号short类型，并且按照Planar方式存储。

重采样：对PCM数据进行重新采样，可以改变它的声道数、采样率和采样格式。比如：原先的PCM音频数据是2个声道，44100采样率，32 bit单精度型。那么可以重采样成：2个声道，44100采样率，有符号short类型。

关于分贝值的计算，与上述基于Android平台的计算方式基本一致，此处就不再赘述了。

同一首5分钟的歌，通过FFmpeg提取PCM的耗时只有一两秒，提取效率至少提升了10倍以上，基本上与iOS持平，至此终于可以松一口气了。

PCM播放

PCM是原始采样数据，必须指定采样率、声道数和采样位数（大小端）才能播放。通过ffplay播放PCM的命令如下所示：

fplay -ar 44100 -channels 2 -f s16le -i test.pcm

参数说明:
1. -ar PCM采样率
2. -channels PCM通道数
3. -f PCM格式：sample_fmts + le(小端)或者be(大端)
sample_fmts可以通过ffplay -sample_fmts来查询

除此之外，通过Audacity也可以直接播放PCM数据：文件 -> 导入 -> 原始数据，然后选择对应的采样率、声道数、采样位数和大小端就可以播放了。

Audacity功能很强大，对于PCM的波形（采样点值）、响度（db）和频谱，都可以直接查看，如下所示： PCM-波形

PCM-响度

PCM-频谱

疑问点

为什么Android平台解封装、解码音频提取PCM的速度这么慢？具体原因我也无法猜测，待深入研究之后再来解答吧，如果音视频的大佬有相关经验，也麻烦告知。

参考文档